Tópicos em Visão Computacional e Reconhecimento de Padrões Dr. Hemerson Pistori Grupo de Pesquisa em Engenharia e Computação – GPEC Universidade Católica Dom Bosco - UCDB

Sumário Visão geral e áreas correlatas Aplicações (desenvolvidas pelo GPEC) Arquitetura de de um sistema de visão computacional Tópicos em Visão Computacional Tópicos em Reconhecimento de Padrões Demonstração Conclusão

Visão Geral Inteligência Artificial Processamento Digital de Imagens Visão Computacional (VC) Aprendizagem Automática Computação Gráfica Reconheciment o de Padrões (RP) RP: Identificação ou classificação de “objetos” ou “coisas” (Faces, expressões, voz, sons, bases, comportamento, textos, etc) VC: Interpretação e reação a partir de imagens (Filmes, fotos, imagens de satélite, raio-x, tomografia, etc)

Classificação de Couro Bovino Grupon Fora do Grupon D cm 2 D cm 2 D3 - 15cm 2 D4 - 87cm 2 fazenda frigorífico curtume

Identificação de Comportamento Animal

Interação Homem-Máquina

Monitoramento de Bioensaios Patten et Alli (UNR e Verdia Inc.)

Arquitetura de Sistema de VC CapturaPré-processamentoSegmentaçãoRastreamento Extração Atrib.Seleção Atrib. Aprendizagem Classificação F.1 F.2 F.2 > 3.6 [ ] Vertical

Tópicos em Visão Computacional Espaços de Cores e Histogramas Pré-processamento Segmentação Atributos de Textura Atributos de Forma Vetores de Atributos e Espaço Vetorial

Imagens Coloridas RGB HSB imagej

Imagens e Funções Bidimensionais SurfacePlo t

Histogramas Color Inspector 3D Álgebra – Espaços Vetoriais

Pré-Processamento

Gradiente – Cálculo Diferencial - Variação

Segmentação Wetblue leather defects Artemis counting

Atributos baseados em Textura Images and results from Mikaël Rousson, Thomas Brox and Rachid Deriche (INRIA)

Atributos Baseados em Forma Image Moments  = 88 o v1v1 v2v2 v2v2 v1v1 v3v3 v4v4 v4v4 v3v3  = 38 o Excentricidade – Razão Invariância à Rotação, Translação e Escala A B B B

Vetores de Atributos e Espaços Vetoriais x = [ ]' Red Green Blue Hue Sat. Value Freq45 o Freq.90 o x = [ ]' Excen. Perimeter Curv.Hist.0-10 Curv.Hist

Rastreamento – Filtros Preditivos Assuntos Relacionados: Modelos de Markov Ocultos, Campos Aleatórios de Markov, Redes Bayesianas, Filtros de Kalman, Filtros de Partículas, etc Modelos de Observação + Modelos de Dinâmica Observação + Previsão Contínuo X Discreto, Paramétrico X Não-Paramétrico, Linear X Não Linear

Métodos de Monte-Carlo Exemplo: Calculando Pi - Dardos Total que atinge quadrado Total que atinge semi-círculo

Tópicos em Reconhecimento de Padrões Abordagem da Aprendizagem Estatística Estimação de Máxima Verossimilhança Modelos Paramétricos X Não-Paramétricos Modelos de Mistura de Gaussianas Métodos Iterativos para Estimação de Modelos Redução de Dimensionalidade – PCA e FLDA

Aprendizagem Estatística  1 : Carrapatos  2 : Estrias  3 : Mosca  1 : Horiz.  2 : Vert. Problema de Classificação em 3 Classes2 Classes  j : Classe j x : Vetor de atributos p(  j | x) : Prob. a posteriori de  j p(x |  j ) : Verossimilhança of  j p(  j ) : Prob. a priori de  j p(x) : Prob. de x (evidência) Decisão Bayesiana

Aprendizagem de Modelos Gaussianos p(x |  1 ) p(x |  2 ) p(x |  1 ) Estimativa de Máxima Verossimilhança

Modelos Paramétricos X Não Paramétricos

Mistura de Modelos Gaussianos

Métodos Iterativos de Estimação E.M. - Expectation-Maximization

Redução de Dimensão - PCA v v é um autovetor associado ao maior autovalor da matriz de variância e covariância dos pontos

Redução de Dimensão - FLDA

Informações Adicionais www2.acad.ucdb.br/pistori