Visão Computacional Mestrado e Doutorado em Engenharia Elétrica Prof. Dr. Paulo Sérgio Rodrigues www.fei.edu.br/~psergio

O que é Visão Computacional? Estuda e desenvolve um conjunto de métodos e técnicas os quais podem tornar um sistema computacional capaz de interpretar imagens. O que é Visão Computacional?

Carro de exploração Lunar Visão Computacional Alto Nível Baixo Nível Médio Nível Segmentação Reconhecimento Carro de exploração Lunar

Nível Baixo Melhoria da qualidade da imagem: Remoção de ruídos da imagem Melhoria do contraste da imagem Remoção de borrões da câmera Remoção de manchas de movimentos Realce da estrutura Realce das cores Processamento de Imagem é utilizado para melhorar a aparência visual da imagem e/ou realçar as características desejadas Nível Baixo

Extração de Regiões que compõem partes de um objeto ou cena Também podem ser extração de primitivas como curvas, retas, polígonos, elipses, ... Geralmente, as regiões isoladas não fazem nenhum sentido pra quem observa. Nível Médio

Nível Alto Técnicas para interpretação de objetos ou cenas Regiões, em conjunto, passam a fazer sentido Raciocínio cognitivo Inferência de informações Nível Alto

Nível Alto Raciocínio cognitivo: Inferência do Contexto para interpretação de objetos ou cenas

Técnicas de Baixo nível Filtro Gaussiano (5x5) Filtro Mediana (5x5) Imagem original Filtro média (5x5) Filtro Mediana (5x5) Filtro média (5x5)

Técnicas típicas de Visão de Médio Nível: Detecção de Retas Transformada de Hough Imagem binária (bordas) Retas detectadas com a Transformada de Hough

Análise de Imagens com Base em informações de Cor, Forma ou Textura

Técnicas típicas de Visão de Alto Nível: Inferência Baseada em Contexto

Técnicas típicas de Visão de Alto Nível: Inferência Baseada em Contexto

Técnicas Típicas de Visão de Alto Nível: Inferência de Jogadores em Quadra Imagem: Janus z Konrad – Boston University Imagem: Boston University

Aplicações: Biometria Reconhecimento de digital Detecção de Faces Imagem: Sony ® e S. Seitz

Aplicações: leitor de placas imagem: S. Seitz

Aplicações: Inspeção de Fábrica

Aplicações: Veículo Autônomo

Sistema CAD (Computer Aided Diagnosis)

Extração da Lesão Saída do Ultra-som

Sistema CAD com entropia Não-extensiva Morfologia Segmentação Level Sets

Extração de Características Sistema CAD: Etapas Extração da lesão Área Circularidade Protuberâncias Sombra acústica Reforço acústico Homogeneidade RNA Fuzzy Bayes SVM Classificação Saída do Ultra-som Extração de Características Região da Lesão Maligno Benigno

TCCs na área de Visão Computacional desenvolvidos na FEI Reconhecimento Facial com o Número de Fibonacci (Primeiro Lugar na EXPOCOM 2007)

TCCs desenvolvidos na FEI EVIP” - EXPANSÃO VISUAL DE EXIBIÇÕES EM SUPERFÍCIES PLANAS ( 3 Prêmios EXPOCOM 2008: Melhor Criatividade e Melhor trabalho Científico e Melhor Trabalho Geral)

Análise e Visualização de Imagens Médicas: Reconstrução Craniofacial e Previsibilidade de Resultados LNCC • USP-SC • CENPRA • CHSC • INTO Objetivo: Reparar anomalias de crânio e face através da construção automática de próteses

Reconstrução Cranio-Facial: Metodologia

Caso de Perda de massa óssea frontal

Prototipagem: Responsável: USP de São Carlos

PRÓTESE CRANIANA MODELOS MÉDICOS 3D: paciente antes de depois da cirurgia

PRÓTESE CRANIANA MODELOS MÉDICOS 3D: Momento da Cirurgia de implante da prótese craniana b c d

Instantes da Prototipagem Rápida

RECONSTRUÇÃO FACIAL. Caso de Câncer de Mandíbula RECONSTRUÇÃO FACIAL. Caso de Câncer de Mandíbula. Paciente antes e depois. A foto do meio abaixo (o crânio com meia mandíbula) mostra a construção antes do implante. As duas fotos abaixo mostram a paciente hoje, e as duas acima, a paciente com defeito de frente e de perfil.

TCCs desenvolvidos na FEI MAART

Reconhecimento de Logomarcas em Jogos de Futebol Integrantes: Allan Martins de Paula Felipe Gomes Magarotto Lucas Martins Baia Rozivaldo Zacarias de Jesus Orientador: Paulo Sérgio Silva Rodrigues

Motivação Interesse das emissoras de TV; Software não existe comercialmente; Atualmente o processo é feito manualmente, demandando um total de 18 horas por jogo distribuídas em 5 dias.

Objetivo Automatizar um processo e assim, gerar um relatório informando quanto tempo as propagandas que estão ao redor do campo apareceram na transmissão.

Definição de tipos de Câmera Câmera Principal Não-Câmera Principal

Setores do Campo

Regiões durante a transmissão

Metodologia Definição de câmera Frame Principal

Definição de câmera-principal Detecção de Bordas Metodologia

Detecção de Bordas Detecção de Linhas Metodologia

Metodologia Detecção de Linhas Definição das Regiões de Interesse (ROI) Metodologia

Metodologia Definição da ROI Matching

Metodologia Tracking e ROL Arquivo Individual Contabiliza Tempo Próximo Frame

Grandes Desafios Futuros Visão Computacional Grandes Desafios Futuros

Telemedicina

Gerenciamento de Grandes Bases de Dados

Análise de Imagens em Vídeo

Ambientes Virtuais Colaborativos

Ambientes Virtuais Colaborativos

TV-Digital

Bibliotecas MATLAB e OPENCV (Intel)