Tese 1,2 MB - Técnico Lisboa
Contents
1. No cap tulo 4 feita uma introdu o problem tica da descri o de formas e mostra se como se pode caracterizar uma forma recorrendo aos algoritmos de Douglas Peucker e ao m todo de Triangula o de Delaunay No cap tulo 5 feita uma breve explica o aos m todos de classifica o mais usados redes neuronais e sistemas fuzzy apesar de estes n o serem aplicados no programa E tamb m explicado o m todo do vizinho mais pr ximo este sim o sistema de classifica o usado assim como o porqu da sua escolha em detrimento de outros No cap tulo 6 feita uma explica o do programa identificando todos os passos assim como s o apresentados exemplos do funcionamento do programa Finalmente no cap tulo 7 s o apresentados os resultados Foram realizados testes com v rias vari veis tr s velocidades distintas do tapete tr s tipos de complexidade de pe as e diversas condi es de ilumina o S o apresentadas as taxas de sucesso da aplica o nas variadas condi es pretendendo explorar ao m ximo as potencialidade e eventuais limita es do programa Em anexo est presente o manual do operador onde s o explicados todos os passos para cada uma das funcionalidades do programa e um breve manual do programador 2 Open Cv OpenCV significa Open Source Computer Vision Library Originalmente desenvolvida pela Intel em 2000 uma biblioteca multiplataforma totalmente livre ao uso acad mico2. 19 Jang J S Sun C T e Mizutani E Neuro Fuzzy and Soft Computing A Computational Approach to Learning and Machine Intelligence Prentice Hall New Jersey 1997 20 Greenwood P E Nikulin M S A guide to chi squared testing Wiley New York 1996 21 Tao Y Grosky W I Delaunay triangulation for image object indexing a novel method for shape Representation Department of Computer Science Wayne State University 4 10 Anexos 10 1 Manual do utilizador Aquando da inicializa o do programa o operador tem que recorrendo aos sliders posicionados na janela de visualiza o ajustar a ROI assegurando que apenas o tapete fica nessa rea Programa Eid Aplica es Sair Cor Cor Contornos Contornos a b c Fig 14 Menus do programa De seguida tem que seleccionar a aplica o pretendida A op o Programa permite sair do programa ver Fig 14 a A op o Ensino permite o ensino via fotografia para a cor e contorno ver Fig 14 b e consultar sec o 10 2 Por fim a op o Aplica es permite correr o programa no modo de decis o de cor ou de forma ver Fig 14 0 10 1 1 COR O tapete posto em movimento cabendo ao operador aliment lo com a pe a pretendida para an lise A an lise d se de forma autom tica sendo indicado na box Resultado da an lise a cor correspondente decis o assim como o envio para o aut mato do registo 10 1 2 FORMA O tape
3. INSTITUTO SUPERIOR TECNICO HI Aplica es de Vis o em C Jo o Filipe de Almeida Caetano Firmino Freire Disserta o para obten o do Grau de Mestre em Mestrado Integrado em Engenharia Mec nica J ri Presidente Prof H lder Carrico Rodrigues Orientador Prof Jo o Caldas Pinto Vogais Prof Mario Ant nio Neves Ramalho Prof Jos Lu s Carrilho Sequeira Novembro 2009 il AGRADECIMENTOS Este trabalho nao poderia ter sido feito sem o essencial apoio de varias pessoas que volunt ria ou involuntariamente incutiram motiva o e Inspira o mesmo nos momentos mais dificeis A minha familia em especial ao meu Pai e a minha Mae que sem eles nada disto seria poss vel Local de trabalho tecto acolhedor e sossegado para repousar a mente condi es mais que suficientes para assegurar um bem estar e uma calmia que me permitiram momentos longos de reflex o e pensamento Ao Daniel e ao Bruno por terem acompanhado as minhas exaustivas explica es sobre os procedimentos que me propus a implementar quando estes amea avam s fazer sentido na minha cabe a Ao Prof Caldas Pinto que me guiou e orientou durante o processo de amadurecimento da ideia at fase de conclus o nunca se abstendo de criticar quando era preciso nem que para isso me fizesse duvidar do sucesso da minha demanda Ao Pedro Morgado por ter discutido aspectos t cnicos que poucos perceberiam Ao Gon alo Vinagre por me ter acompa
4. Influ ncia da velocidade na classifica o da cor verde Verde Lento M dio Rapido AC TP FP TN FN Tabela 25 Influ ncia da velocidade na classifica o da cor vermelha Vermelho Lento M dio R pido AC TP FP TN FN 36 Tabela 26 Influ ncia da velocidade na classifica o da cor azul Azul Lento M dio Rapido Tabela 27 Influ ncia da velocidade na classifica o da cor amarela Amarelo Lento M dio R pido AC TP FP TN FN Observa se que o factor velocidade n o factor limitativo da qualidade do programa 7 5 6 Estudo da classificacao da cor Tabela 28 Influ ncia da cor nos coeficientes das matrizes de confusao para valores totais Total Verde Vermelho Azul Amarelo AC TP FP TN FN Por esta tabela pode se comprovar os excelentes resultados obtidos com este m todo 37 8 Conclus es e Trabalho Futuro 8 1 Conclus es As principais dificuldades deste trabalho prenderam se com a qualidade da imagem obtida De facto as condi es de ilumina o no laborat rio s o muito fracas criando sombras complicadas de eliminar Aliado a este facto nota se um decr scimo na taxa de refresh da c mara medida que o programa fica a correr por longos per odos de tempo Este problema tanto pode ser devido s limita es do computador onde os testes foram efectuados n o tendo um processador muito r pido ou uma incorrecta programa o de aloca o de mem ria tornando o program
5. o para velocidade de tapete m dia para a pe a verde a vermelha b azul c amarela d vermelho P N vermelho P N 95 5 15 285 b P N 93 7 2 298 d 7 5 3 Influ ncia da velocidade na classifica o das pe as quanto sua forma Tabela 18 Influ ncia da velocidade na classifica o da pe a 1 Pe a 1 Total Vel lenta Vel m dia Vel r pida An lise foto AC TP FP TN FN Tabela 19 Influ ncia da velocidade na classifica o da pe a 2 Peca2 Total Vel lenta Vel m dia Vel r pida An lise foto AC TP FP TN FN 34 Tabela 20 Influ ncia da velocidade na classifica o da pe a 3 Peca3 Total Vel lenta Vel m dia Vel r pida An lise foto AC TP FP TN FN Tabela 21 Influ ncia da velocidade na classifica o da pe a 4 Peca4 Total Vel lenta Vel m dia Vel r pida An lise foto AC TP FP TN FN Tabela 22 Influ ncia da velocidade na classifica o da pe a 5 Peca5 Total Vel lenta Vel m dia Vel r pida An lise foto AC TP FP TN FN Destas tabelas podemos observar que n o ha uma altera o significativa nos valores com o aumento da velocidade n o sendo este portanto um factor limitativo do rendimento do programa 7 5 4 Estudo da classifica o de formas Tabela 23 Influ ncia da forma nos coeficientes das matrizes de confus o para valores totais Total Pecal Peca2 Peca3 Pe a4 Peca5 AC TP FP TN FN 35 Para todas a
6. todo que englobe pe as curvas Outra limita o o facto de mesmo que uma pe a em an lise n o esteja na base de dados haver sempre uma decis o neste caso forma mais aproximada Poderia haver um segundo m todo baseado 38 num sistema de decisao mais avancado por exemplo podia ser construido um sistema de decis o hier rquico em que primeiramente seria avaliado se uma dada forma pertenceria ou n o base de dados e em caso afirmativo qual era ent o essa forma O mesmo racioc nio se aplica para a cor 39 9 Refer ncias 1 BALLARD D H BROWN C M Computer Vision 1982 2 ROY DAVIES E Machine Vision Theory Algorithms Practicalities 2005 3 HUANG F KLETTE R SCHEIBE K Panoramic Imaging Sensor Line Cameras and Laser Range Finders 2008 4 PEUCKER T K A theory of the cartographic line In International yearbook of cartography cap 16 p 134 143 1975 5 WEIBEL R 1995 Map generalization in the context of digital systems Cartography and Geographic Information Systems 1995 6 BEARD K Theory of the cartographic line revisited implications for automated generalization In Cartographica 1991 v 28 cap 4 p 32 58 1991 7 VAN OOSTEROM P SCHENKELAARS V The development of an interactive multi scale GIS In International Journal of Geographical Information Systems v 9 n 5 p 489 507 1995 8 LAURINI R THOMPSON D Fundamentals of spatial in
7. 10 3 6 6 77 O 11 4 0 7 8 75 10 5 O O O O 100 Tabela 6 Classifica es para an lise de fotografias Classe 1 2 3 4 5 1 41 O O 1 8 2 1 44 O 0 5 3 O 2 43 4 1 4 0 0 39 7 5 O O O O 50 7 4 Resultados obtidos na caracteriza o de cor Nas tabelas 7 8 e 9 encontram se sumarizadas as classifica es de cada cor para velocidades diferentes do tapete Tabela 7 Classifica es para velocidade de tapete lenta Classe Verde Vermelho Azul Amarelo Verde Vermelho Azul Amarelo Tabela 8 Classifica es para velocidade de tapete m dia Classe Verde Vermelho Azul Amarelo Verde Vermelho Azul Amarelo 30 Tabela 9 Classifica es para velocidade de tapete r pida Classe Verde Vermelho Azul Amarelo Verde Vermelho Azul Amarelo 7 5 Matrizes de confus o Para a apresenta o de resultados foi feita uma an lise das matrizes de confus o para cada tipo de pe a Segue uma breve descri o dos par metros calculados para melhor percep o destes Tabela 10 Exemplo de uma matriz de confus o para uma pe a Positivo Negativo Positivo a B Negativo c D A exactid o AC a propor o do n mero total de previs es positivo positivo e negativo negativo que estavam correctas E determinada usando a equa o atb ct a A taxa de verdadeiros positivos TP a propor o de casos positivos que foram identificados correctamente como calculado usando a equa o a 7 2 b a T
8. Delaunay ee ecccccccccccceeseeseeeeceeeeeaeeeeeeeceeeeseeeaeeeees 17 4 5 Import ncia destas aplica es na INdUStria eceecccccccssseseeeeecceeceeeaeeeeeeeceeeeeeeeeeesees 18 5 Sistemas de CIASSILICA O Saad Bieta ous teers ia ca dew sedia a 19 Dale RECS neuronais 17I ES eat a cece tere artes E URI E a SL nate eee 19 da Sistemas de decisao UZAY aienea e E Ud EEA 21 dd M todo do vizinho mais prOxiMO sidssicieeswescssvenniauadswatewoeranicdas tens ueewinianedaeisawnpedeeis 25 6 Explica o dO PrO S assess po asad hee ia ne ia edee inne sida dona Goias eee das 24 6 1 CONSTRU O DA TABELA DE REFER NCIA 24 6 1 1 EO a sent enee 24 OZ FORMA saisgaa abanar aaa a Sa a aa aa ei et 25 62 Decne o do pro oTa e a aii CR E toned 26 Ole COR asse a O aN Zi OD TORN sao ainsi ssa strc ca spas US ana uia a age Si aa UE eae Zi 7 Apresentacao e an lise de resultados iccsissimnicntincreataeiie atime acieaee GMative 28 Poder AMROQUCA Our iria ro teaches Dn A re ead es 28 da MMO T O ane os e a OR e cee a eet aeigieetee 28 7 3 Resultados obtidos na caracteriza o de forma cceeeererrreeeeanas 29 7 4 Resultados obtidos na caracteriza o de cor cc eeeeecccccccccceeesseeececeeeeeeaaeeseeeeeeeeeeaaas 30 T3 Matizesde CONTUS O pras ras etree tee eee een a 31 tds WE OUIW Assit ries denis EA Acer E Abdel Duas e nr aa Rn na ns 32 Tos SOOM sarc r ah ive A E ie aa A 33 7 5 3 Influ ncia da velo
9. de formas Contudo na maioria destas as metodologias usadas s o altamente intuitivas e tratadas de uma forma espec fica Dever o computador digital e a programa o influenciar o modo como se tenta a descri o de uma forma Por um lado sim na medida em que a inten o prim ria especificar uma forma para an lise manipula o renderiza o etc por computador Contudo n o podemos esquecer a generalidade matem tica da an lise e a necessidade de abstrac o do real para a constitui o de um m todo v lido e aceite para a maior parte dos casos mesmo que estes tenham origem em problemas concretos do real O interesse na detec o de contornos tendo em vista a descri o de formas adv m da redu o da quantidade de informa o a processar e por poderem corresponder a limites f sicos dos objectos observados defeitos em pe as zonas de igual cor ou intensidade numa imagem Estes revelam nas imagens varia es bruscas dos n veis de brilho correspondendo muitas vezes a descontinuidades na orienta o ou na estrutura de uma superf cie oclus es em objectos etc sendo importantes na percep o da imagem como um todo Um contorno pode ser considerado como uma linha que delimita a fronteira de um determinado objecto ou de uma determinada rea numa imagem caracterizado como uma varia o r pida dos n veis de brilho Contudo numa imagem captada por uma c mara ao inv s de existir uma linha definida
10. e comercial para o desenvolvimento de aplica es na rea de Vis o Computacional O OpenCV possui m dulos de Processamento de Imagens e V deo I O Estrutura de dados lgebra Linear GUI Interface Gr fica do Utilizador b sica com sistema de janelas independentes Controlo de rato e teclado al m de mais de 350 algoritmos de Vis o Entre as v rias aplica es surgem Interac o humano computador Identifica o de objectos Segmenta o e reconhecimento Detec o de caras Detec o de movimentos Seguimento de trajectorias Previsao de traject rias entre outras Ou seja muitos dos m todos usados para vis o ja se encontram recriados em C ou C assegurando a robustez e a rapidez de processamento A resolu o de um problema torna se ent o em encontrar os m todos exactos que permitam uma maior fiabilidade O programador pode se concentrar em pesquisar o m todo mais correcto para a resolu o desse problema ao inv s de concentrar esfor os na implementa o de algoritmos centrando o esfor o numa an lise do seu desempenho e n o na programa o desses mesmos m todos Vers o 2 0 em http opencv willowgarage com wiki 3 Espacos de Cor A cor uma propriedade visual que percepcionada pelo homem Deriva do espectro da luz distribui o da energia luminosa versus comprimento de onda que interage no olho com a sensibilidade espectral dos receptores de luz Categoria e caracter sticas f sic
11. mato Classe Cor 2 Threshold H Registo Leituras Flagi V Registo 1 1001 2 Input 1 Flag2 Registo 2 Input 2 M Flag3 Registo 3 Input 3 Flag4 Registo 4 Input 4 7 Flag5 Registo 5 Input 5 Flag Registo 6 Input 6 Fig 12 Interface do programa Aquando da inicializa o do programa feito um ajustamento da janela de visualiza o via sliders para definir uma regi o de interesse ROM ou seja todos os tratamentos de imagem ser o efectuados somente nessa zona Quer para a aplica o de cor quer para a forma feita uma c pia da imagem adquirida da c mara para um vector do tipo Ipllmage formato aceite pelo OpenCV eliminando ja a Informa o respeitante rea fora da definida Fica se ent o com a informa o RGB da ROI feita uma passagem para preto e branco e uma binariza o com um threshold pr definido no programa este valor pode ser alterado in loco no programa para salvaguardar poss veis 26 altera es de ilumina o Na imagem binarizada efectuado um varrimento para detectar a localiza o da pe a assegurando que o campo de vis o da c mara abrange a totalidade da pe a Isto obtido atrav s do c lculo do contorno e com a aplica o do m todo de Douglas Peucker a esses pontos neste ponto que o procedimento difere consoante a aplica o 6 2 1 COR E feita uma m dia do valor H de todos os pix is pertencent
12. P A taxa de falsos positivos FP a propor o de casos negativos que foram classificados incorrectamente como positivo calculada por FP 7 3 d c A taxa de verdadeiros negativos TN definida como a propor o de casos negativos que foram classificados correctamente usando a equa o d 7 4 TN cad 31 A taxa de falsos negativos FN a propor o de casos positivos classificados incorrectamente como negativos atrav s da equa o b 7 5 FN a b A precis o P a propor o de casos positivos note se aqui a diferen a com exactid o que contemplava tamb m os casos negativos e classificados dessa forma correctamente classificados de acordo com a equa o a 7 6 ate 7 5 1 Forma Nas tabelas 11 12 13 14 e 15 encontram se as tabelas de confus o para as tr s diferentes velocidades do tapete assim como a an lise por fotografia Tabela 11 Tabelas de confus o para velocidade de tapete lenta para a pe a 1 a 2 b 3 c 4 d e 5 e 32 Tabela 13 Tabelas de confus o para velocidade de tapete r pida para a pe a 1 a 2 b 3 c 4 d e 5 e d e 7 5 2 Cor Nas tabelas 15 16 e 17 encontram se as tabelas de confus o para as tr s diferentes velocidades do tapete Tabela 15 Tabelas de confus o para velocidade de tapete lenta para a pe a verde a vermelha b azul c amarela d vermelho 33 Tabela 16 Tabelas de confus
13. a classe Na tabela 2 os quatro par metros h de cada cor Na Fig 13 encontra se o contorno encontrado pelo programa assim como a sua triangula o para cada pe a usada no treino Tabela 1 Histogramas de ensino para cada classe Bins C1 C2 C3 C4 C5 0 10 2 10 20 2 20 30 2 30 40 2 40 50 2 50 60 2 60 70 2 70 80 2 80 90 2 90 110 2 110 120 2 120 130 2 130 180 2 NOOO e N eO nm oo om oR O a Oo ia O o o a om o an e o o p o Of om Of vB Oo ie one o Be Be Be oR Oo ie Tabela 2 Valor de h para cada uma das cores Cor Valor do par metro h Amarelo Azul Verde Vermelho 28 a b d e Fig 13 Exemplo de uma triangula o e de um plot dos pontos de contorno encontrados para a classe 1 a 2 b 3 c 4d e 5 e 7 3 Resultados obtidos na caracteriza o de forma Na tabela 3 4 5 e 6 encontram se sumarizadas as classifica es para cada classe para diferentes velocidades do tapete e para a an lise via fotografia Tabela 3 Classifica es para velocidade de tapete lenta Classe 1 2 3 4 5 1 87 11 O O 2 2 5 89 1 0 5 3 5 6 84 O 5 4 O 8 78 7 5 O O O O 100 Tabela 4 Classifica es para velocidade de tapete m dia Classe 1 2 3 4 5 1 83 11 O O 6 2 4 85 2 0 9 3 6 6 81 O 7 4 0 6 9 75 10 5 O O O O 100 29 Tabela 5 Classifica es para velocidade de tapete r pida Classe 1 2 3 4 5 1 80 10 1 O 9 2 4 84 2 0
14. a e na f sica dos estados s lidos Sensores de imagem mais sofisticados requerem tamb m a f sica qu ntica para fornecer uma compreens o completa do processo de forma o da imagem 3 Tamb m alguns dos problemas de movimento de fluidos podem ser resolvidos com a vis o computacional Um terceiro campo relacionado a neurobiologia especificamente o estudo de sistemas biol gicos de vis o Durante o s culo XX houve v rios estudos extensos sobre as estruturas do olho neur nios e do c rebro devotados ao processo de estimula o visual tanto nos l humanos quanto em varios outros animais Isso levou a uma descri o bastante rica e complexa de como a vis o biol gica opera para resolver algumas tarefas de vis o Os resultados foram usados para o enriquecimento dos estudos sobre a imita o dos sistemas biol gicos em diferentes n veis de complexidade Outro campo relacionado com a vis o computacional o processamento de sinais V rios m todos de processamento de sinais uni vari veis geralmente relacionados com o tempo podem ser estendidos ao processamento de sinais com duas ou v rias vari veis Al m dos campos de pesquisa anteriores v rios outros t picos tamb m s o estudados na vis o computacional tais como estat stica optimiza o e geometria computacional Reconhecimento Um problema cl ssico da vis o computacional e do processamento de imagens determinar se uma imagem cont m ou n o um
15. a lento com o tempo A principal limita o do programa a detec o de cantos E necess ria uma correcta afina o dos par metros de threshold da binariza o e dos par metros de brilho para assegurar uma correcta detec o Foi este o ponto mais complicado do ensino encontrar os valores perfeitos naquelas condi es para ensinar as formas com a maior precis o poss vel A decis o de estabelecer uma regi o do tapete onde seria feita a identifica o prendeu se com o assegurar que a totalidade da pe a estivesse na rea de vis o da c mara Apesar de as cinco pe as tratadas neste projecto serem de dimens es reduzidas a possibilidade de ensino de novas pe as possivelmente de dimens es maiores n o est limitada completamente aberto a pe as de v rias dimens es formas complexidade desde que todos os seus lados sejam rectos 8 2 Trabalho futuro A solu o encontrada para a problem tica das sombras foi a aplica o de v rios filtros que aumentaram o brilho total da imagem permitindo um melhor reconhecimento ainda que estes tenham sido embebidos no c digo Por m existem v rias solu es que permitem resolver este problema Entre eles um foco dirigido imagem perpendicular pe a na zona de an lise um anel de leds volta da c mara para permitir uma ilumina o uniforme ou uma dispers o da luz natural do laborat rio para evitar sombras t o fortes Existe a necessidade de implementar outro m
16. a pe a 3 ccccecccccccesssseeeeeeeeeeeeeeaeeeeees 35 Tabela 21 Influ ncia da velocidade na classifica o da pe a 4 s ssnnenesssessssseerssssssssseerrssss 35 Tabela 22 Influ ncia da velocidade na classifica o da pe a 5 cceceecccccccsssseeeeeeeeeeeeeaeeeeees 35 Tabela 23 Influ ncia da forma nos coeficientes das matrizes de confus o para valores totais xiii Tabela 24 Influ ncia da velocidade na classifica o da cor Verde ccccccesseeeseeeeeeeeeeeeeeeens 36 Tabela 25 Influ ncia da velocidade na classifica o da cor vermelha e 36 Tabela 26 Influ ncia da velocidade na classifica o da cor azul c cee iii 37 Tabela 27 Influ ncia da velocidade na classifica o da cor amarela ccceccccceeeseeeeeeeeees 37 Tabela 28 Influ ncia da cor nos coeficientes das matrizes de confus o para valores totais 37 Tabela 29 Valor das flags e dos registos para programa o do aut mato 43 1 Introducao O campo da vis o computacional pode ser caracterizado como complexo e diverso 1 Foi somente no final da d cada de 70 que come aram estudos aprofundados quando os computadores j podiam processar grandes conjuntos de dados como imagens Contudo a Investiga o baseava se em problemas concretos que iam surgindo n o existindo uma formula o padr o para o problema da vis o computacional assim como n o exist
17. aricial amas E RAS E 20 Fig 9 Exemplo do m todo do vizinho mais pr ximo ssseseeeeeeresssssssssssssssseeterreereessssssssss 23 Fig 10 Exemplo de pe as usadas na caracteriza o por cor a vermelho b amarelo c Vende o AZ o ca E a E pi 24 Fio 11 Pecada classe la 26 9 c Ald CIO aonana lada SS atada SDS ra a ERA 25 Eis 2 Interiac ido prostama asas ss keer a a eates orien ei icass 26 Fig 13 Exemplo de uma triangula o e de um plot dos pontos de contorno encontrados para aclasse a 20D C MU E SMC e ne a a ee TES id 29 Fis LA Menus dO PhO PAM A senorna amas ia cagar DG DUO SD Gps 42 INDICE DE TABELAS Tabela 1 Histogramas de ensino para cada ClaSSe ccccccsccccccceceeesssseccceeeecaeeesseceeeeeeeaeeeesees 28 Tabela 2 Valor de h para cada uma das cores c ii eeeeeeeerrereere eee eerrrreeeeaaananaso 28 Tabela 3 Classifica es para velocidade de tapete lenta e serem 29 Tabela 4 Classifica es para velocidade de tapete m dia iii erre 29 Tabela 5 Classifica es para velocidade de tapete r pida ce ceecccccceccceeeeeseeeeeeeeeeeeeaeeeeees 30 Tabela 6 Classifica es para an lise de fotografias ccccccccccccsssseseeecececeeaaeeseeeceeeeeeeaeeeeees 30 Tabela 7 Classifica es para velocidade de tapete lenta e ii errrrrereeeeems 30 Tabela 8 Classifica es para velocidade de tapete MEd14 cc eeeeccccccccc
18. as cada vez mais robustas e fi veis 18 5 Sistemas de classificacao Decidir um dos actos mais nobres que realizamos Decidimos quando vemos falamos quando reconhecemos pessoas ou objectos quando interpretamos o meio que nos rodeia e actuamos sobre ele Ser o as m quinas capazes de decidir E de apreender a decidir S o perguntas fascinantes Ambas t m resposta positiva desde que as interpretemos em sentidos precisos mais limitados do que quando nos referimos aprendizagem e capacidade de decis o humanas 5 1 Redes neuronais 17 18 O sistema nervoso central dos animais recebe do exterior armazena processa e transmite Informa o ao exterior A observa o do desempenho que este apresenta tem revelado uma extraordin ria capacidade para executar r pida e eficientemente tarefas de grande complexidade tais como o processamento em paralelo da informa o a mem ria associativa e a capacidade para classificar e generalizar conceitos Estes factos t m servido de motiva o quer para o estudo detalhado da constitui o do c rebro quer para a sua mimetiza o na concep o de sistemas com as capacidades atr s referidas e designados por redes neuronais artificiais Artificial Neural Nets As redes neuronais artificiais abreviadamente NN t m sido utilizadas na modela o de mem ria associativa reconhecimento de padr es representa o de fun es booleanas representa o de fun es cont nuas previs o de
19. as da cor s o tamb m associadas a objectos materiais fontes de luz etc com base nas suas propriedades tais como absor o reflex o ou emiss o O olho humano detecta a cor num espectro de 380nm a 740nm de comprimento de onda 3 1 Espa o de cor RGB Neste espa o a cor descrita pelas percentagens de cada cor prim ria vermelho verde e azul que a constitui Este espa o baseado num referencial cartesiano cujo sub espa o de interesse um cubo de aresta unit rio ou seja os valores de cor encontram se normalizados Na Figura 2 pode se visualizar o sub espa o descrito anteriormente 0 0 1 Ciano Branco Magenta Escala de Cinza Verde 0 1 0 G Fig 2 Cubo do espa o de cor RGB Nos v rtices encontram se as cores prim rias vermelho verde e azul as cores secund rias magenta amarelo e ciano que se obt m atrav s das cores prim rias o branco e o preto E ainda de salientar que a diagonal que une os v rtices correspondentes ao preto e ao branco representa a escala de cinza O espa o de cor RGB utilizado em diversos dispositivos sendo os mais usuais os monitores O n mero de bits utilizado para representar cada pixel no espa o RGB designado por profundidade do pixel Usualmente recorre se a uma profundidade de 8 bits para descri o de cada componente Como tal para a descri o da cor s o necess rios 24 bits Cada componente de cor R G e B pode ser vista como uma imag
20. azul 24 6 1 2 FORMA O processo semelhante Foram aplicados os mesmos m todos usados na an lise em tempo real descritos na sec o 4 e os histogramas de cada pe a ver figura 11 calculados e armazenados num ficheiro txt tamb m que lido cada vez que se Inicia o programa a b c d e Fig 11 Pe a da classe 1 a 2 b 3 c 4 d e 5 e Este programa pretende ser f cil de utilizar e de incluir novas aplica es Mas tamb m permite adicionar pe as e cores base de dados atrav s da introdu o de uma fotografia assegurando por m que esta seja tirada sob um fundo branco j que o programa n o tem a capacidade de eliminar qualquer tipo de fundo Este processo explicado na sec o Manual de Utilizador 25 6 2 Descricao do programa A interface do programa composta por uma janela de visualiza o ver Fig 12 que permite visualizar a imagem captada pela c mara quatro sliders para afina o da area de interesse uma caixa de texto contendo a decisao quer da cor quer da forma e um slider para ajuste do threshold LabRemotoS Programa PCD About Aplica es Ensino Interface com o aut mato SATA ni iz sik a Flag ID oft Registo valor a M Flagi f0 I Registo 1 0 o Enviar Flag2 E M Registo2 0 jo i E Flag 3 0 rc Regitoa 0 o Bs E M Registo 4 0 E z so M Regstos ifo o I Flags o TRegisto6 0 fo Enviar Enviar Mensagem do Aut
21. ca pela ampla aceita o Foi proposto em 1973 por Douglas e Peucker e reconhecidamente o melhor em termos de preserva o das caracter sticas da poligonal original 10 11 4 3 Algoritmo de Douglas Peucker O algoritmo recursivo e a cada passo processa o intervalo de pontos contido entre um v rtice inicial denominado ncora e um v rtice final denominado flutuante estabelecido um corredor de largura igual ao dobro da toler ncia formando duas faixas paralelas ao segmento entre o ncora e o flutante A seguir s o calculadas as dist ncias de todos os pontos intermedi rios ao segmento b sico ou seja contidos entre a ncora e o flutuante Caso nenhuma das dist ncias calculadas ultrapasse a toler ncia ou seja nenhum v rtice fica fora do corredor ent o todos os v rtices intermedi rios s o descartados Caso alguma dist ncia seja maior que a toler ncia o v rtice mais distante preservado e o algoritmo reiniciado em duas partes entre o ncora e o v rtice mais distante novo flutuante e entre o v rtice mais distante novo ncora e o flutuante De acordo com este processo os pontos tidos como cr ticos para a geometria da linha a cada passo s o mantidos enquanto os demais s o descartados Tome se como exemplo a figura 6 para explicar o funcionamento do algoritmo 15 2 zA e 3 e P R 4 2 ia g Fig 6 Exemplo da aplica o do algoritmo a uma curva Seja uma curva composta por segment
22. cia apoiado no c lculo de dist ncias perpendiculares utilizado em grande parte nos algoritmos de simplifica o que ser o apresentados a seguir Um problema eventualmente abordado na literatura a escolha do par metro de toler ncia e a sua correla o com a escala da representa o simplificada Um crit rio interessante para a determina o da toler ncia o que usa o tamanho do menor objecto vis vel numa determinada escala 9 Este tamanho pode ser dado em termos de uma 14 distancia medida no espaco de coordenadas do mapa plotado ou seja em milimetros do papel independente da escala utilizada Assim definida uma correspond ncia linear entre a escala e a toler ncia adoptada Grande parte dos algoritmos de simplifica o de poligonais necessita realizar de maneira eficiente c lculos de dist ncia entre um ponto dado e uma recta definida por outros dois pontos A maneira mais interessante de calcular essa dist ncia utilizar o produto vectorial para determinar a rea S do tri ngulo formado por um ponto A e uma recta definida por outros dois B e C Assim a dist ncia do ponto A a recta definida pelos pontos B e C pode ser calculada como 258 a qui a dist B C Onde dist B C a dist ncia euclidiana entre os pontos B e C Embora existam muitos algoritmos de simplifica o de linhas envolvendo variados crit rios de aproxima o e estrat gias de processamento um deles se desta
23. cidade na classifica o das pe as quanto sua forma 34 194 Estudo da classifica o d formas essien EA 35 7 5 5 Influ ncia da velocidade na classifica o das pe as quanto sua COT 36 L3G ESudO dA ClassiiCaGa02d a COM sas adia STS 37 8 CONCIUSOES e Lrabalho PU lUrO nciccpcastovestanegaetteiciec a a a 38 dela CONCIUS ES steers maison casi ira EGO E ADS A eens ere A 38 Bie PRA AAO UO sis eau datados ado ated easton dao nado ea dados ad 38 9 NC Bt ee Sa Asa to SR E GR le CR a CR O 40 EOS ANIICK OS Re RR RO RR RR SR RR SAR NE 42 10 1 Mangakdo Wizard 42 TO COR eee ads Rasa a RI RISOS ae tasas 42 10 1 2 10 2 10 2 1 10 3 xi INDICE DE FIGURAS Fig 1 a Bancada da instala o b Exemplo de uma imagem captada pela webcam 4 Pic 2 Cubo do espaco de Cor RGB eranen a ga a aaa 8 Fie 3 Disco do espaco de cor LOH wsicccsaatsssasedoncetentdebsusanavencsandssaredieneatdeb A TE 9 Fig 4 a Exemplos de descontinuidades em linhas de contorno b 1 e 2 derivada de uma HONEC OMOT oa a T O E A a ee 12 Fig 5 Diferentes medidas usadas em simplifica o de linhas ccccceeeeeeeeeeeeeeeeeeeeeeees 14 Fig 6 Exemplo da aplica o do algoritmo a uma curva ssseeeeeeeeeessssssssssssseeeererereeessssssssss 16 Fig 7 Exemplo da aplica o do algoritmo a uma curva seseeeeeeeesessssssssssseseetrerereeessssssssss 16 Fio S Exemplo Ge Uni meurOniO
24. dado objecto uma dada caracter stica ou uma dada actividade Tal tarefa pode ser resolvida de forma robusta e sem esfor o humano mas ainda n o foi resolvida satisfatoriamente para o caso geral objectos arbitr rios em situa es arbitr rias Os m todos actuais conseguem no m ximo resolver para objectos espec ficos como poliedros faces humanas letras escritas m o ou ve culos tamb m em situa es espec ficas como ilumina o bem definida fundo fixo e pose dos objectos bem definida Diferentes variedades de problemas de reconhecimento s o descritas na literatura Reconhecimento uma ou v rias classes pr definidas ou aprendidas de objectos podem ser reconhecidas geralmente em conjunto com sua posi o em imagens bidimensionais ou com sua pose em imagens tridimensionais Identifica o uma inst ncia individual de um objecto pode ser reconhecida como a identifica o de uma face ou de impress o digital ou at mesmo a identifica o de um ve culo Detec o a imagem digitalizada para uma condi o espec fica como a detec o de c lulas ou tecidos anormais A organiza o de um sistema de vis o computacional dependente da aplica o A implementa o espec fica de tal sistema depende tamb m se a sua funcionalidade pr especificada ou se existe alguma parte de aprendizagem durante a opera o Existem entretanto fun es t picas encontradas em v rios sistemas de vis o com
25. e demarcada h uma zona onde gradualmente esta varia o se d como se pode observar na figura 4 necess rio ent o recorrer a ferramentas matem ticas como por exemplo o c lculo da segunda derivada para detectar estas varia es 11 Perfil do nivel de cinzentos Modelo de uma aresta digital ideal Modelo de uma aresta digital N Primeira derivada Segunda derivada Fr Perfil da Itera o do nivel de brilho na imagem Perfil da Itera o do nivel de brilho na imagem Fig 4 a Exemplos de descontinuidades em linhas de contorno b 1 e 2 derivada de uma linha de contorno 4 1 Descritores de contornos Os descritores da forma podem ser classificados pela sua invari ncia no que diz respeito s transforma es permitidas na defini o associada da forma A maioria invariante no que diz respeito sua congru ncia resultando nos mesmos descritores independentemente da sua orienta o formas que podem sofrer transla o rota o ou espelho Exemplo destes descritores s o os baseados no c lculo dos momentos Outra classe de descritores s o os chamados intr nsecos Estes s o invariantes isometria N o se alteram com diferentes isometrias pr prias da forma T m como vantagem poderem ser aplicados a formas deformadas uma vez que estas deforma es s o quase isom tricas S o baseadas em medidas geod sicas ao longo de uma superf cie de um objecto ou noutras caracter sticas isom tricas in
26. e uma formula o padr o de como os problemas de vis o computacionais devem ser resolvidos 2 O que existe actualmente s o diversos m todos para resolver v rias tarefas bem definidas no qual os m todos s o bastante especializados e raramente podem ser generalizados para v rias aplica es Na maioria das aplica es de vis o computacional os computadores s o pr programados para resolver uma tarefa particular mas m todos baseados em aprendizagem est o se a tornar cada vez mais comuns Uma parte significativa da intelig ncia artificial lida com sistemas que realizam ac es mec nicas como movimentar um rob num determinado ambiente Esse tipo de processamento necessita de um sistema de vis o computacional um sensor de vis o fornecendo informa es de alto n vel sobre o ambiente ao rob Outras reas da intelig ncia artificial relacionadas com a vis o computacional s o o reconhecimento de padr es e a aprendizagem da m quina Como consequ ncia a vis o computacional por vezes vista como parte da intelig ncia artificial ou da ci ncia da computa o de modo geral A F sica outro campo relacionado Grande parte da vis o computacional lida com m todos que requerem o entendimento dos processos no qual a radia o electromagn tica tipicamente na camada vis vel ou infravermelha reflectida pelas superf cies dos objectos e capturada pelos sensores para formar a imagem Esse processo baseado na Optic
27. eeeeseeeeeceeeeeeeeeeenees 30 Tabela 9 Classifica es para velocidade de tapete r pida ce eeeececcccccceeceeeeeeeceeeeeeaeeeeeees 31 Tabela 10 Exemplo de uma matriz de confus o para uma pe a cccccccceeesseeeeeeceeeeeeeaeeeeees 31 Tabela 11 Tabelas de confus o para velocidade de tapete lenta para a pe a 1 a 2 b 3 c EE NE S O AAE EAP IE ood a a da E a Diente shee ES 32 Tabela 12 Tabelas de confus o para velocidade de tapete m dia para a pe a 1 a 2 b 3 c OC O aae E E E do 32 Tabela 13 Tabelas de confus o para velocidade de tapete r pida para a pe a 1 a 2 b 3 c AE E a EEO 33 Tabela 14 Tabelas de confus o para an lise de fotografias para a pe a 1 a 2 b 3 c 4 d e Tabela 15 Tabelas de confus o para velocidade de tapete lenta para a pe a verde a vermelha tb azue amarela d sas spas asno AE EAE 33 Tabela 16 Tabelas de confus o para velocidade de tapete m dia para a pe a verde a vermelha b cazulte amarela a cassa ais ninca sagas a do asa D En ie apaga asia aE RE 34 Tabela 17 Tabelas de confus o para velocidade de tapete lenta para a pe a verde a verme Na azulte AIM ale ACG esre a e e 34 Tabela 18 Influ ncia da velocidade na classifica o da pe a 1 sssssnnnnesssessssseerssssssssecerrssss 34 Tabela 19 Influ ncia da velocidade na classifica o da pe a 2 ccccccccccccessseeeeeeeeeeeeeeaeeeeees 34 Tabela 20 Influ ncia da velocidade na classifica o d
28. el A primeira publica o sobre l gica fuzzy data de 1965 quando recebeu este nome O autor foi Lotfi Asker Zadeh ZAH da professor em Berkeley Universidade da Calif rnia Zadeh criou a l gica fuzzy combinando os conceitos da l gica cl ssica e os conjuntos de Lukasiewicz definindo graus de perten a Entre 1970 e 1980 as aplica es industriais da l gica fuzzy aconteceram com maior import ncia na Europa e ap s 1980 o Jap o iniciou o seu uso com aplica es na ind stria Algumas das primeiras aplica es foram num tratamento de gua feito pela Fuji Electric em 1983 e pela Hitachi num sistema de metro inaugurado em 1987 Por volta de 1990 que a l gica fuzzy despertou um maior interesse em empresas dos Estados Unidos Devido s in meras possibilidades pr ticas dos sistemas fuzzy e ao grande sucesso comercial de suas aplica es a l gica fuzzy considerada hoje uma t cnica standard e tem uma ampla aceita o na rea de controlo de processos industriais 21 Na teoria cl ssica os conjuntos s o denominados crisp e um dado elemento do universo em discurso dom nio pertence ou n o pertence ao referido conjunto Na teoria dos conjuntos fuzzy existe um grau de perten a de cada elemento a um determinado conjunto Por exemplo considere os conjuntos abaixo Conjunto das pessoas que pagam uma renda elevada Conjunto das pessoas altas Podemos verificar que n o existe uma fronte
29. elaunay triangulation creating an angle histogram All the decisions were later transferred to a programmable logic controller that actuates in accordance with the detected situation The software is easy to use and to modify The classification system used for color and shape was presented sufficiently efficient even in the most adverse conditions Keywords color detection shape detection contour objects recognition Delaunay triangulation Vil Vill INDICE AGRADECIMENTOS are sc states oldest rae en edd esi etd ana endnotes 111 PE NY a a a V PBS RAC I souise airina a E a Vil NDI Sener ener ner ne er eT ren eer ee eee een Ree en tee meee ee ne Te eee eet oe ix INDICE BS 1 C10 oe een ee is a xii INDICE DE TABELAS arcena A xiii l UOUE Orsio a AOAN l dido aStAla o CRISTCNTO ass sora no arado o iai RD A E E 4 Za ODC O I a a E A 5 Lo ESTRUTURA DA TESE erinnere OE 5 2 Open C Vi e a a a a a a S 7 3 ESDACOS dC COR ria Di Mire teeny mIRC ETE ner dE irene mney ee Rte eam N 8 Dili Espaco decor RO Beceren a a a NE 8 Soe Espaco decor TCA seca ccnanaenaarasatterh anette E 9 4 PRIS eel O I eee Reece ace onan esate O E nade aan ioenasescaveaeets 11 Hol Descritores de Contornos sosise aaa E adiar sea eienen 12 42 SiMmplhicac iode Linhas P liSonais a secs ensinei era sin a ads 13 4 3 Algoritmo de Douglas Peucket ccccccssssssseeeecccceneeesseseeccccesaaeeseseccceeeeseeeesses 15 4 4 M todo de triangula o de
30. em monocrom tica escala de cinza cujos pix is apresentam valores de intensidades contidas no intervalo 0 255 sendo que a uni o destas tr s componentes origina a imagem a cores 3 2 Espaco de cor LCH O espa o de cor LCH composto por um disco contendo todas as cores com a particularidade da descri o da cor neste espa o ser efectuada atrav s de coordenadas polares e n o cartesianas A coordenada L mede a luminosidade do objecto Esta coordenada pode apresentar valores entre O preto e 100 branco Por sua vez a coordenada C mede a satura o sendo o valor dado pela dist ncia a que o ponto se encontra do eixo da luminosidade Finalmente a coordenada H mede o valor de tonalidade Esta vari vel pode apresentar valores entre os 0 e 360 Este intervalo cont m 4 zonas distintas caracterizadas pelas cores contidas em cada uma das zonas 0 90 Cores vermelha laranja e amarelo 90 180 Cores amarela amarelo verde e verde 180 270 Cores verde ciano azul verde e azul 270 360 Cores azul p rpura magenta e vermelha Na figura seguinte apresenta se o espa o de cor LCH L 100 Branco a b amarelo a Vermelho L 0 Preto Fig 3 Disco do espa o de cor LCH A convers o de uma cor no espa o CIE Commission Internationale de l Eclairage L a b para o espa o CIE LCH efectuada atrav s das seguintes equa es H tan b a C
31. es pe a em an lise Esse valor comparado com os de ensino usando o m todo do vizinho mais pr ximo para a tomada de decis o Essa decis o enviada para o aut mato 6 2 2 FORMA As coordenadas dos cantos s o enviadas para o m todo de triangula o de Delaunay Cada ngulo de cada tri ngulo guardado em bins de 10 gerando um histograma desses ngulos Esse histograma comparado com os de treino atrav s do m todo de Chi Square Este m todo gera cinco valores sendo a classe da pe a correspondente ao menor valor Essa decis o enviada para o aut mato Em ambos os casos aquando da tomada de uma decis o esta permanece vis vel para o utilizador at outra pe a entrar no campo vis vel da c mara 27 7 Apresenta o e an lise de resultados 7 1 Introdu o Para a obten o destes resultados foram efectuados para o estudo da caracteriza o da forma 350 ensaios para cada pe a 100 para velocidade do tapete lenta 100 para velocidade do tapete m dia 100 para velocidade do tapete r pida e 50 para an lise de fotografias perfazendo um total de 1750 an lises Para a an lise de cor foram efectuados 100 ensaios para velocidade do tapete lenta 100 para m dia e 100 para r pida perfazendo um total de 1200 ensaios Foi registada cada uma das decis es tomadas e condensadas em matrizes de confus o 7 2 Treino Na tabela 1 est o descritos os histogramas de ensino para cad
32. formation systems In Academic Pressm 1992 9 LI Z OPENSHAW S Algorithms for automated line generalization based on a natural principle of objective generalization In International Journal of Geographic Information Systems v 6 n 5 p 373 389 1992 10 MCMASTER R B SHEA K S Generalization in digital cartography In Asociation of American Geographers 1992 11 MARINO J S Identification of characteristic points along naturally occurring lines an empirical study In The Canadian Cartographer v 16 n p 70 80 1979 12 RAMER U An iterative procedure for the polygonal approximation of plane curves In Computer Graphics and Image Processing 1972 40 13 David Douglas amp Thomas Peucker Algorithms for the reduction of the number of points required to represent a digitized line or its caricature The Canadian Cartographer 1002 112 122 1973 14 John Hershberger amp Jack Snoeyink Speeding Up the Douglas Peucker Line Simplification Algorithm Proc 5th Symp on Data Handling 134 143 1992 15 McCulloch W W and Pitts W A logical calculus of the ideas imminent in nervous activity Bull Math Biophys no 5 pp 115 133 1943 16 Hebb D The Organization of Behaviour New York John Wiley 1949 17 Grossenberg S Studies of the Mind and Brain Drodrecht Holland Reidel Press 1982 18 Kohonen T Self Organization and Associative Memory 2nd Edition Springer 1987
33. ira bem definida para decidirmos quando um elemento pertence ou n o ao respectivo conjunto nos exemplos acima Com os conjuntos fuzzy podemos definir crit rios e graus de perten a para tais situa es A fun o caracter stica crisp sets pode ser generalizada de modo que os valores designados aos elementos do conjunto universo U perten am ao intervalo de n meros reais de O a 1 inclusive isto 0 1 Estes valores indicam o grau de perten a dos elementos do conjunto U em rela o ao conjunto A isto quanto poss vel para um elemento x de U pertencer ao conjunto A Tal fun o chamada de fun o de perten a e o conjunto A definido como conjunto Fuzzy A teoria dos conjuntos fuzzy providencia um m todo de c lculo para lidar com essa informa o linguisticamente e efectua uma computa o num rica usando etiquetas lingu sticas estipuladas por fun es perten a 20 e regras if then Usualmente o sistema fuzzy n o possui a adaptabilidade de lidar com mudan as nos ambientes externos apesar de ser estruturado com regras if then Os conjuntos fuzzy e os operadores fuzzy s o os sujeitos e verbos da l gica fuzzy As regras if then s o usadas para formular os condicionamentos que compreendem a l gica fuzzy Uma regra if then tem a seguinte forma Se x A ent o y B Onde A e B s o os valores lingu sticos definidos por conjuntos fuzzy no universo de discurso X e Y respectivamente A
34. ita es da vis o humana Os descendentes de hoje destes sistemas adiantados c maras com aut matos program veis com softwares pr prios recurso a sistemas de laser raio X entre outros s o muito mais f ceis de programar e usar mais poderosos baratos e de dimens es mais reduzidas A vis o industrial transformou se numa parte integrante de muitos processos de produ o Os procedimentos automatizados no controlo ptico de qualidade tornam se cada vez mais Importantes a fim de conseguir consistentemente e por um pre o razo vel padr es de alta qualidade Um sistema de vis o tem de cumprir exig ncias rigorosas a respeito da precis o da velocidade da repetitividade da facilidade em ser validado da facilidade da integra o e de opera o H ainda um potencial enorme em utilizar a tecnologia da vis o por computador a fim de tornar os processos de produ o mais eficientes e os seus produtos mais rent veis Al m deste campo os sistemas de escolha autom ticos tamb m se encontram equipados com sistemas avan ados de vis o tornando o processo mais fi vel e r pido A rob tica de manipula o tamb m sofreu grandes avan os na fiabilidade repetitividade e rapidez de execu o mais uma vez devido incorpora o deste tipo de sistemas Outras reas como por exemplo a seguran a rodovi ria e em particular variados campos de Interven o m dica beneficiam grandemente do Interesse e desenvolvimento de ferrament
35. m todo do Vizinho Mais Pr ximo Para a descri o da cor usou se o par metro h do espa o de cor LCH Para a forma fez se uma triangula o de Delaunay sendo criado um histograma de ngulos Todas as decis es s o posteriormente transferidas para um aut mato que actua de acordo com a situa o detectada O software f cil de utilizar e de modificar O sistema de classifica o quer para a cor quer para a forma apresentou se bastante eficaz mesmo nas condi es mais adversas Palavras chave detec o de cor detec o de forma contorno reconhecimento de objectos triangula o de Delaunay vi ABSTRACT This work focus on the development of applications of image processing based on a preexisting assembly in the laboratory of Automation and Robotics of the Instituto Superior T cnico A program in C compact and robust was developed taking into account future developments A database with four colors red green blue and yellow was created and another one with five distinct shapes Through the capture of images by a webcam the recognition is made matching an object to the correspondent shape or color class A research regarding features extraction was made in order to develop a system of automatic decision In the end was chosen a simple method for classification based on the nearest neighbor For the description of the color it was chosen the parameter h from the LCH space color For the shape it was used a D
36. m bases de dados geogr ficas onde correspondem tipicamente a cerca de 80 do volume de dados vectoriais 10 Por isso o problema de simplifica o de linhas particularmente importante sendo estudado intensivamente desde os anos 60 quando ocorreram as primeiras experi ncias com o uso de instrumentos de transcri o de mapas para o computador como o scanner No processo de digitaliza o de linhas s o frequentemente introduzidos v rtices em excesso v rtices que se descartados n o provocariam uma altera o visual percept vel na poligonal Assim um primeiro objectivo para algoritmos de simplifica o de linhas limpar a poligonal de pontos claramente desnecess rios do ponto de vista de sua visualiza o 5 mantendo a qualidade da apar ncia gr fica 4 6 Outro objectivo o de gerar uma nova vers o da linha mais adequada para a representa o do mesmo fen meno geogr fico numa outra escala menor que a original Neste caso obt m se uma generaliza o da linha 10 Numa extens o deste pormenor existe o interesse em organizar os v rtices da poligonal de tal forma que seja poss vel produzir dinamicamente vers es generalizadas adequadas para uma escala definida no momento da visualiza o 77 13 conseguindo portanto gerar m ltiplas representa es geom tricas para o mesmo fen meno sem introduzir dados redundantes No entanto a utiliza o de m todos e algoritmos desenvolvidos original
37. mente apenas a pensar na redu o do n mero de v rtices da linha podem n o ser adequados para alcan ar o objectivo de generaliza o 8 em geral por n o conseguirem uma boa representa o geom trica e portanto devem ser analisados cuidadosamente quanto a este aspecto Assim o problema de simplifica o de linhas consiste em obter uma representa o mais grosseira formada por menos v rtices e portanto mais compacta de uma poligonal a partir de uma representa o mais refinada atendendo a alguma restri o de aproxima o entre as duas Essa restri o pode ser definida de v rias maneiras 9 mas em geral alguma medida da proximidade geom trica entre as poligonais tais como o m ximo deslocamento perpendicular permitido ver Fig 5 a ou o m nimo deslocamento angular permitido ver Fig 5 b Na Figura 5 a o v rtice 2 ser mantido uma vez que a dist ncia entre ele e a recta que passa pelos v rtices 1 e 3 superior permitida Na Figura 5 b o v rtice 3 ser eliminado uma vez que o ngulo 234 menor que o m nimo toler vel Uma alternativa mais rara a rea entre as poligonais 5 c onde se estabelece um limite para ao deslocamento de rea ngulo m nimo lt T a b deslocamento de area m ximo c Fig 5 Diferentes medidas usadas em simplifica o de linhas De todas as medidas poss veis a mais utilizada a dist ncia perpendicular O conceito de gama de toler n
38. nhado nos anos em que o gosto pela programa o e automa o cresceram em mim Ao Gaspar H lder Sara Pedro Mona e H lia por terem ouvido vezes sem conta as minhas lam rias e queixas da tese por no Ver o terem dado uso s minhas facilidade de divertimento enquanto eu fechado em casa lutava por me concentrar por todos os fins de semana que me permitiram descarregar frustra es e carregar baterias Ao Marlo por todos os momentos passados e varios brainstorming partilhados mesmo quando a nica resposta que obtinha era um longo sil ncio de algu m que n o percebia nada do assunto mas que depois dizia va for a com isso ent o il 1V RESUMO Este trabalho foca se no desenvolvimento de aplica es de processamento de imagem baseado numa montagem pr existente no laborat rio de Automa o e Rob tica do Instituto Superior T cnico Foi desenvolvido um programa em C compacto e robusto com facilidades no sentido de futuros desenvolvimentos Foi criada uma base de dados com quatro cores vermelho verde azul e amarelo e outra com cinco formas distintas Atrav s da captura de imagens atrav s de uma webcam o reconhecimento feito detectando a classe de cor ou de forma a que um objecto pertence Foram pesquisados m todos de extrac o das caracter sticas desses objectos de modo a desenvolver um sistema de decis o autom tica Com o avan ar do programa optou se por um sistema simples de classifica o pelo
39. o no exemplo da Figura 7 entre os v rtices 17 24 e 29 com ngulos agudos e mudan as bruscas de direc o Fig 7 Exemplo da aplica o do algoritmo a uma curva 16 4 4 M todo de triangula o de Delaunay Como descrever ent o uma forma com base nos seus cantos As rela es entre lados dist ncia dos v rtices ao centro geom trico raz o entre a rea e o per metro todos estes s o m todos usados para a caracteriza o de formas geom tricas Contudo n o s o muito robustos No artigo 20 descrito um m todo usado para compara o de formas complexas como folhas ou peixes usando a triangula o de Delaunay e criando um histograma dos ngulos dos tri ngulos gerados Este algoritmo bastante robusto n o s porque elimina potenciais discrep ncias a n vel do posicionamento dos cantos como tamb m se mostra invariante rota o transla o e escala Este m todo criado pelo matem tico russo Boris Delaunay consiste numa triangula o em que nenhum v rtice de outro tri ngulo perten a a um c rculo tra ado com base nos v rtices Sejam pi pj pk E S sendo S um espa o bidimensional pi pj e pk s o v rtices de um tri ngulo de Delaunay se e s se o c rculo que passa por pi pj e pk vazio isto n o cont m outro ponto de S O algoritmo consiste numa an lise de for a bruta aos poss veis tri ngulos que se podem gerar eliminando todos os que n o constituem um tri ngulo de Delauna
40. odem ser classificadas em termos de arquitectura em Redes planares consiste numa estrutura bidimensional de neur nios escondidos e perif ricos Redes constitu das por camadas As redes neuronais artificiais planares podem ser constitu das por diferentes camadas dispostas paralelamente A primeira designada por camada de entrada e a ltima por camada de sa da As camadas interm dias s o designadas por camadas escondidas As redes constitu das por camadas constituem casos particulares das redes planares 20 Em termos de processo de aprendizagem e Aprendizagem supervisionada e Aprendizagem n o supervisionada A aprendizagem sem supervis o aplicada em sistemas de mem ria associativa e de reconhecimento de padr es essencialmente Nestas redes a aprendizagem realizada sem se conhecer antecipadamente as respostas consideradas correctas 5 2 Sistemas de decis o fuzzy O conceito fuzzy pode ser entendido como uma situa o onde n o podemos responder simplesmente Sim ou Nao Mesmo conhecendo as informa es necess rias sobre a situa o dizer algo entre sim e nao como por exemplo talvez quase torna se mais apropriado As primeiras no es da l gica dos conceitos vagos foi desenvolvida por um l gico da Pol nia Jan Lukasiewicz 1878 1956 em 1920 que introduziu conjuntos com graus de perten a sendo 0 1 2 e 1 e mais tarde expandiu para um n mero infinito de valores entre O
41. onsoante a zona em quest o H a 180 Se H gt 0 aux IT H H 360 elx180 Se H lt 0 IT Ee C Ja b a H H aux 3 1 Este espa o de cor bastante til porque para distinguir as cores apenas necess ria a vari vel H j que as outras prendem se com intensidade e tipo de cor ou seja mais clara ou mais escura mais intensa ou mais esbatida mas n o distingue cores diferentes 10 4 Analise de Forma A descri o computacional da forma assim como a sua manipula o complexa Porque uma forma em si complexa Num mundo limitado por formas Euclidianas essa complexidade n o existiria Por m com a inclus o de formas biol gicas rvores e as suas folhas peixes animais flores plantas assim como formas naturais linha costeira pedras cristais aumenta a complexidade e a dificuldade de generalizar essas mesmas formas A motiva o original da geometria era descrever e medir terrenos e edif cios a palavra geometria deriva do Grego e significava earth measuring Por m nos tempos modernos a descri o de formas tornou se um dos maiores campos de estudo em disciplinas como vis o computadorizada rob tica an lise e reconhecimento de padr es computa o gr fica processamento de imagem design e manufactura assistida por computador Mat rias como modela o geom trica geometria computacional e modela o de s lidos todas est o relacionadas com descri o
42. os de recta Tendo em vista a minimiza o do n mero de pontos constituintes da curva une se o 1 com o ltimo ponto Mede se ent o a dist ncia entre cada um dos pontos nova recta Neste caso a dist ncia m xima da recta ao ponto c Une se ent o o 1 ponto ao ponto c e esse mesmo ponto ao ltimo ponto Volta se a medir as dist ncias seguindo o mesmo m todo Todos os pontos que se encontrarem a uma dist ncia inferior a um valor imposto podem se excluir da curva dando origem curva em 4 em que todos os pontos se encontram dentro da dita dist ncia E e por consequ ncia a curva caracterizada por um n mero inferior de pontos O resultado deste algoritmo aclamado pela literatura como sendo o que mais respeita as caracter sticas ou como no t tulo do artigo de Douglas e Peucker a caricatura da linha cartogr fica 11 13 Assim este algoritmo veio a ser a escolha dos programadores de software comercial na implementa o de fun es de simplifica o de linhas para processamento p s digitaliza o 9 ou seja para limpeza de v rtices desnecess rios O uso do algoritmo Douglas Peucker no entanto comprometido pelo seu comportamento em situa es de generaliza o mais radical 12 ou seja com toler ncias maiores Conforme a situa o o algoritmo pode ser levado a escolher v rtices que terminam por deixar a linha com uma apar ncia pouco natural com tend ncia a apresentar picos com
43. parte x A chamada de antecedente e a parte y B de 22 consequente Sendo o valor de x representado por um numero qualquer o antecedente a Interpreta o que retorna um valor entre O e 1 Sendo B representado como um conjunto fuzzy o consequente ent o uma atribui o que atribui B vari vel de sa da y Em geral a entrada de uma regra if then o valor da vari vel x sendo a sa da composta pelo conjunto fuzzy A Interpreta o de uma regra if then constitu da por duas partes Primeiro avaliar os antecedentes que envolve fuzzificar a entrada e aplicar as opera es necess rias A segunda parte consiste em aplicar o resultado ao consequente O antecedente de uma regra pode conter m ltiplas partes que ter o que ser calculadas em simult neo e resolvidas entre si de modo a produzirem um nico valor E necess rio normalmente o uso de duas ou mais regras que ter o para cada uma uma sa da correspondente a um conjunto fuzzy Esses conjuntos fuzzy s o depois agregados para produzirem apenas uma sa da Para agregar as regras usado um sistema de infer ncia fuzzy ou FIS Um sistema de infer ncia fuzzy um sistema que agrega as entradas e calcula a sa da usando os conceitos da teoria dos conjuntos fuzzy regras 1 then e o racioc nio fuzzy Essa sa da depois a base das decis es a serem tomadas Em geral um FIS implementa um sistema n o linear entre as entradas e as sa das E
44. pen source desenvolvidas pela Intel o OpenCV Open Source Computer Vision que cont m in meros algoritmos e fun es 1 1 Instala o existente No laborat rio de rob tica do IST existe um laborat rio de automa o contendo entre outros equipamentos um tapete rolante equipado com uma webcam da LabTec aut matos e um conjunto de luzes e cilindros que podem ser actuados por este ver Fig 1 Existem tamb m v rias vers es de softwares diversos algoritmo para contagem de pintas em pe as de domin reconhecimento de voz detec o de cor usando outros espa os de cor detec o de movimento entre outros Contudo todos os programas foram desenvolvidos por alunos que estavam a aprender programa o muitas vezes com algoritmos desenvolvidos por eles mesmos n o tendo em aten o a minimiza o de recursos computacionais resultado numa programa o complicada de entender com dificuldades na adi o de novos m dulos e muitas vezes com falta de robustez resultante tamb m do pouco conhecimento das ferramentas mais avan adas de programa o a b Fig 1 a Bancada da instala o b Exemplo de uma imagem captada pela webcam 1 2 Objectivos Nesta tese o objectivo foi unificar todas as aplica es num s programa tendo sempre em aten o a rapidez de processamento e a integra o de futuros projectos Ou seja privilegiar n o s a Interface com o utilizador mas tamb m tornar o programa o mais limpo poss
45. putacional Aquisi o de imagem uma imagem digital produzida por um ou v rios sensores Dependendo do tipo do sensor o resultado pode variar entre uma imagem bidimensional uma cena tridimensional ou ainda uma sequ ncia de imagens Os valores dos pix is geralmente indicam a Intensidade da luz em uma ou v rias faixas de cor o que forma imagens em tom de cinza ou coloridas mas tamb m podem indicar valores f sicos como profundidade e absor o ou reflex o das ondas electromagn ticas Pr processamento antes de um m todo de vis o computacional ser aplicado numa imagem para extrair informa o geralmente necess rio processar a imagem para se assegurar que ela satisfaz as condi es do m todo Exemplos incluem remapeamento para assegurar o sistema de coordenadas redu o de ru dos para assegurar que as informa es s o verdadeiras e aumento de contraste para assegurar que as informa es relevantes ser o detectadas Extrac o de caracter sticas caracter sticas matem ticas da imagem em v rios n veis de complexidade s o extra das Exemplos b sicos incluem detec o de bordas cantos ou pontos Exemplo sofisticados incluem detec o de textura formato e movimento Detec o e segmenta o em algum ponto do processo uma decis o feita sobre a relev ncia de regi es da imagem para processamento posterior Exemplos incluem a selec o de regi es de interesse espec ficos e segmenta o de
46. rama o do aut mato Tabela 29 Valor das flags e dos registos para programa o do aut mato Tipo Valor Significado Flag 600 Detec o de pe a Registo 1000 Forma Registo 1001 Cor 43
47. s ries temporais optimiza o etc Refiram se algumas das reas em que s o aplicadas a F sica de alta energia b Processos industriais rob tica ind stria de defesa ind stria aeroespacial ind stria de telecomunica es ind stria electr nica ind stria autom vel ind stria de transportes ind stria de prospec o petrol fera c Medicina e biomedicina d Reconhecimento de texto imagem e voz e Economia e gest o an lise financeira e banca 1 Seguros g Entretenimento 19 O c rtex cerebral constitu do por unidades celulares independentes designadas por neur nios que podem comunicar entre si atrav s das chamadas liga es sin pticas ou sinapses O primeiro modelo l gico matem tico de um neur nio foi desenvolvido por McCulloch e Pitts em 1943 15 tendo sido designado por TLU Thresh Logic Unit Consiste numa unidade computacional que opera com sinais bin rios 0 1 Fig 8 Exemplo de um neur nio artificial No entanto a pretens o de modelar uma unidade computacional verdadeiramente elementar aconselha a escolha de uma fun o g mais simples campo escalar que traduza uma aplica o linear Os n s e as arestas designam se respectivamente neur nios ou unidades computacionais e sinapses Neur nios de entrada s o aqueles que n o t m sinapses dirigidas para os mesmos Neur nios de sa da s o aqueles que n o possuem sinapses de sa da As redes neuronais p
48. s pe as o valor da exactid o extremamente satisfat rio A precis o inferior uma vez que est o nela contabilizados os casos de classifica es incorrectas A classe 4 a que apresenta piores resultados a n vel de verdadeiros positivos sendo a nica que fica abaixo dos 80 sendo isto explicado pelo facto de as sombras criadas devido a forma da pe a serem complicadas de eliminar De facto estas sombras d o um aspecto arredondado a forma eliminando os ngulos mais fechados e como ja foi referido o algoritmo ignora as formas curvas resultando numa incorrecta detec o de cantos e consequentemente uma incorrecta classifica o Por m a nica pe a que apresenta uma taxa de falsos positivos nula resultando na maior precis o de entre todas as classes Observa se que a classe 5 tem o maior n mero de falsos positivos Isto deve se ao facto de a maioria dos casos de falsos positivos ocorrer associado a uma incorrecta detec o dos cantos Normalmente com um valor inferior a 4 cantos Como a nica pe a que tem quatro cantos a 5 isto leva a que a triangula o seja mais aproximada desta classe Isto faz com que seja esta pe a a que apresenta piores resultados na precis o apesar de ter sido de todas as vezes correctamente identificada Este factor revelado pela taxa de verdadeiros positivos TP que tem o valor de 1 7 5 5 Influ ncia da velocidade na classifica o das pe as quanto sua cor Tabela 24
49. ste sistema conseguido atrav s de regras if then que descrevem o seu comportamento para uma determinada situa o 5 3 M todo do vizinho mais pr ximo um sistema de classifica o mais simples que os outros referidos redes neuronais ou redes fuzzy Neste m todo a classifica o de uma observa o x consiste em fazer uma busca exaustiva para todos os padr es de treino como vista a determinar o padr o cuja dist ncia a x menor A classe desse padr o a classe em que x classificado A figura 9 ilustra a utiliza o do m todo do vizinho mais pr ximo na classifica o de um padr o x S o identificadas na figura algumas das dist ncias que necess rio calcular assim como o padr o da observa o x O padr o x e classificado na classe 1 Fig 9 Exemplo do m todo do vizinho mais pr ximo 23 6 Explicacao do programa 6 1 CONSTRU O DA TABELA DE REFER NCIA O treino do programa n o mais que a constru o de uma base de dados com os valores de treino ou os histogramas de cada uma das classes necess rio cri la para a cor e para a forma 6 1 1 COR Usando as imagens da Hg 10 calculado e armazenado o valor de h para cada cor vermelho azul amarelo e verde Isto foi feito offline e gravado num ficheiro txt que lido cada vez que se inicia o programa a b c d Fig 10 Exemplo de pe as usadas na caracteriza o por cor a vermelho b amarelo c verde d
50. te posto em movimento cabendo ao utilizador aliment la com a pe a pretendida para an lise Na janela aberta aquando da selec o da aplica o surge a binariza o da imagem sendo o tapete a branco e a pe a a preto A an lise d se de forma autom tica sendo indicado na box Resultado da an lise a classe correspondente decis o assim como o envio para o aut mato do registo 42 10 2 ENSINO O ensino das cores base vermelho azul verde e amarelo assim como das classes base classe 1 2 3 4 e 5 feito de forma autom tica Caso o operador deseje incluir mais cores ou formas pode proceder da seguinte maneira 10 2 1 ENSINO VIA FOTOGRAFIA Surge uma caixa de di logo onde o operador tem que seleccionar uma fotografia contendo a nova cor ou a nova forma note se que para ambos os casos a fotografia tem que conter apenas a pe a em an lise em fundo branco O n mero de pe as ensinadas actualizado sendo tamb m adicionado ao txt ja existente o par metro de h para a nova cor ou o histograma da nova forma Caso se pretenda eliminar alguma cor ou forma deve se ir ao ficheiro txt em quest o apagar o valor de h ou as entradas do histograma da pe a em quest o actualizando manualmente o n mero de pe as ensinadas 10 3 Liga es ao Aut mato Este programa foi desenvolvido com o intuito de haver uma liga o ao aut mato Para isso foram reservadas flags e registos como outputs permitindo uma prog
51. uma ou mais regi es que cont m um objecto de Interesse Processamento de alto n vel neste ponto a entrada geralmente um conjunto pequeno de dados O processo posterior inclui a verifica o da satisfa o dos dados a estimativa de par metros sobre a imagem e a classifica o dos objectos detectados em diferentes categorias Neste trabalho focam se dois pontos essenciais na caracteriza o de uma pe a a sua cor e a sua forma Estes dois permitem uma correcta e inequ voca caracteriza o da pe a em an lise Contudo a maioria da literatura aponta para m todos exigentes pesados e complexos P r os computadores a ver n o tarefa complicada Existem no mercado um sem n mero de c maras de maior ou menor resolu o mais ou menos elaboradas O problema reside na correcta interpreta o desses dados Um c rebro portanto neste ponto que se tem que 3 minimizar os custos de processamento para assegurar uma tomada de decis o r pida e eficaz Com uma imagem de baixa resolu o com muita sombra pouco controlo do ambiente requerido um m todo altamente fi vel e robusto Quando se trata processamento em tempo real ent o os problemas aumentam substancialmente Nomeadamente na programa o dos m todos correctos para lidar com estes problemas assegurar uma minimiza o dos recursos computacionais utilizados e tempos de resposta compat veis com uma an lise fi vel Foi introduzido um conjunto de bibliotecas o
52. variantes Existem outros baseados por exemplo em an lise gr fica como a linha m dia ou o Reeb graph que captam informa o geom trica ou topol gica e simplificam a representa o mas n o podem ser facilmente analisadas como os que descrevem uma forma como um vector de n meros Outro tipo de descritores muito usados s o os chamados descritores geom tricos Por m s o rudimentares muitas vezes variantes com escala rota o ou transla o e n o permitem uma inequ voca distin o entre formas distintas Como exemplo destes 12 Di metro efectivo Di metro de um c rculo com a mesma rea do objecto Circularidade Raz o entre a rea de sobreposi o do objecto ao c rculo equivalente e a rea total do objecto Irregularidade complemento de um da raz o entre os per metros do c rculo equivalente e do objecto Compacticidade Raz o entre o quadrado do per metro e a rea do objecto Como se pode ver existem v rias abordagens a este problema Deve se analisar o pretendido o tipo de complexidade da forma as ferramentas que se pretende usar para se conseguir extrair os descritores que permitam uma boa caracteriza o E apresentado de seguida as ferramentas que permitiram usar como caracter stica de uma forma os seus cantos 4 2 Simplifica o de Linhas Poligonais Muitas entidades do mundo real podem ser modeladas como linhas ou mais genericamente pol gonos Essas entidades s o frequentes e
53. vel para o programador futuro Um dos grandes problemas que condicionam a robustez e a efic cia dos programas em desenvolvimento tem a ver com a escassez dos recursos ao dispor nomeadamente a fraca qualidade das c maras usadas e uma ilumina o deficiente Face a estes factores era necess rio encontrar solu es robustas mas r pidas Com esta instala o pretende se simular um ambiente fabril com todas as suas limita es e problemas j descritos mas assegurando a efici ncia e a fiabilidade das an lises feitas recorrendo s fun es existentes no OpenCV Desenvolver ent o uma aplica o para detec o de cor que permita uma correcta identifica o desta em tempo real e uma aplica o para detec o de forma dentro de cinco tipos de pe as sendo robusta a varia es de rota o transla o escala e ru do Note se que para este trabalho apenas foram usadas formas poligonais ou seja objectos com arestas rectas Todos os m todos descritos s podem ser usados nestas condi es uma vez que foi considerado como descritor de forma os cantos desses objectos 1 3 ESTRUTURA DA TESE No cap tulo 2 apresentada brevemente a biblioteca de fun es OpenCV com alguns exemplos de aplica es que se podem desenvolver As fun es usadas s o explicadas no Anexo 2 No cap tulo 3 feita uma introdu o aos espa os de cor com especial enfoque para o usado neste programa o LCH lightness crohma and hue
54. y De seguida faz se um levantamento aos ngulos criados pelo m todo arrumando os em bins de 10 Obt m se ent o um histograma de gamas de ngulos Isto permite eliminar os tais erros de posicionamento dos cantos uma vez que a diferen a dos ngulos criada absorvida pelo histograma Surge ent o a necessidade de comparar esse histograma criado com os presentes na base de dados O m todo usado chama se a dist ncia Qui Quadrado Sejam dois histogramas S e M e n o n mero de bins no histograma A dist ncia Qui Quadrado ent o definida por 21 y7 4 2 60 9 S o Ou seja pass mos de n pontos de contorno para o n mero de cantos da pe a estabelecemos uma triangula o e reduzimo la primeiramente a um histograma e posteriormente a um valor Sendo S o histograma da pe a a analisar e M o n mero de histogramas de ensinamento 17 estamos em condi es de usar o m todo do vizinho mais pr ximo para classifica o de pe as um m todo computacionalmente mais leve que qualquer dos sistemas de classifica o mencionados no cap tulo 5 4 5 Import ncia destas aplica es na ind stria Durante d cadas o olho humano foi usado para monitorizar a sa da de sistemas de montagem cont nuos Os seres humanos s o sistemas de inspec o flex veis robustos e f ceis de treinar mas n o s o r pidos nem exactos A tecnologia da vis o assistida por computador foi introduzida nos anos 80 para superar as lim
Download Pdf Manuals
Related Search