Tópicos em Visão Computacional e Reconhecimento de Padrões Dr. Hemerson Pistori Grupo de Pesquisa em Engenharia e Computação – GPEC Universidade Católica Dom Bosco - UCDB
Tópicos em Visão Computacional e
Reconhecimento de Padrões
Dr. Hemerson PistoriGrupo 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
InteligênciaArtificial
ProcessamentoDigital deImagens
Visão Computacional (VC)
AprendizagemAutomática
ComputaçãoGráfica
Reconhecimentode 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 Bovinowww.gpec.ucdb.br/dtcouro
Grupon
Fora do Grupon
D1 - 200cm2
D2 - 173cm2
D3 - 15cm2
D4 - 87cm2
fazenda frigorífico curtume
Identificação de Comportamento Animalwww.gpec.ucdb.br/topolino
Interação Homem-Máquinawww.gpec.ucdb.br/sigus
Monitoramento de Bioensaios
http://www.vims.edu/pfiesteria/
Patten et Alli (UNR e Verdia Inc.)
Arquitetura de Sistema de VC
Captura Pré-processamento Segmentação Rastreamento
Extração Atrib.Seleção Atrib.AprendizagemClassificação
argmax ,
∏i=1
n
p x i | j F.1
F.2
F.2 > 3.6
[0.2 0.1 40 30 0.2]
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
SurfacePlot
Histogramas
Color Inspector 3D
Álgebra – Espaços Vetoriais
Pré-Processamento
PréProcessam ento
Gradiente – Cálculo Diferencial Variação
Segmentação
Wetblue leather defectsWetblue leather defectsArtemis countingArtemis counting
Atributos baseados em Textura
Images and results from Mikaël Rousson, Thomas Brox and Rachid Deriche (INRIA)
Atributos Baseados em Forma
Angles Ranges
0
2,5
5
7,5
10
12,5
15
17,5
20
Curvatures Histogram
0-1010-2020-3030-4040-50
50-6060-7070-8080-90
Image Moments
v1 v2v2
v1
v3v4
v4
v3
Excentricidade – RazãoInvariância à Rotação, Translação e Escala
A B
BB
Vetores de Atributos e Espaços Vetoriais
x = [230 221 222 353 4 90 0.12 0.5]' Red Green Blue Hue Sat. Value Freq45o Freq.90o
x = [0.2 430 0.4 0.2 ...]' Excen. Perimeter Curv.Hist.010 Curv.Hist.4050. ...
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 NãoParamétrico,Linear X Não Linear
Métodos de Monte-Carlo
Ac=r 2
4
Aq=r 2
=4Ac
Aq
r
Ac
Aq
Exemplo: Calculando Pi Dardos
Total que atinge quadradoTotal que atinge semicírculo
Tópicos em Reconhecim ento de
Padrões• Abordagem da Aprendizagem Estatística
• Estim ação de M áxim a Verossim ilhança
• M odelos Param étricos X NãoParam étricos
• M odelos de M istura de Gaussianas
• M étodos Iterativos para Estim ação de M odelos
• Redução de Dim ensionalidade – PCA e FLDA
Aprendizagem Estatística
ω1 : Carrapatos ω2 : Estrias ω3 : Mosca ω1 : Horiz. ω2 : Vert.Problema de Classificação em 3 Classes 2 Classes
ωj : Classe j
x : Vetor de atributosp(ωj | x) : Prob. a posteriori de ωj
p(x | ωj) : Verossimilhança of ωj
p(ωj) : Prob. a priori de ωj
p(x) : Prob. de x (evidência)
Decisão Bayesiana
p j | x =p x | j p j
p x
argmaxj
p j | x
Aprendizagem de Modelos Gaussianos
p(x | ω1)
p(x | ω2) p(x | ω2)
p(x | ω1)
Estimativa de Máxima Verossimilhança
argmax ,
∏i=1
n
p x i | j p x | j=1
2D /2∣1/2∣
e−
12 x−T −1 x−
Modelos Paramétricos X Não Paramétricos
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
5
10
15
20
25
30
35
40
45
50
55
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2,5
5
7,5
10
12,5
15
17,5
20
22,5
Mistura de Modelos Gaussianos
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 190
2,5
5
7,5
10
12,5
15
17,5
20
First Class
Second Class
Métodos Iterativos de Estimação
E.M. ExpectationMaximization
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2
4
6
8
10
12
14
16
18
20
22
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2
4
6
8
10
12
14
16
18
20
22
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2
4
6
8
10
12
14
16
18
20
22
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
0
2
4
6
8
10
12
14
16
18
20
22
Redução de Dimensão - PCA
v
v é um autovetor associado ao maior autovalor da matrizde variância e covariância dospontos
Redução de Dimensão - FLDA
Informações Adicionais
www2.acad.ucdb.br/pistori