Tópicos em Visão Computacional e Reconhecimento de Padrões

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