Terminal de consulta web

Resumo: Existe uma grande demanda de sistemas de captura de movimentos robustos e confiáveis, sejam eles para aplicações comerciais, para o cumprimento da lei ou monitoramento de territórios. A obtenção e instalação de câmaras de vídeo são hoje muito baratas; os maiores custos estão relacionados às pessoas que vêem as imagens, as interpretam e tiram conclusões. Pessoas são também inerentemente passíveis a falhas: não conseguem manter a atenção por longos períodos de tempo, e muitos menos lidar com grandes quantidades de informações. A detecção de objetos em uma seqüência de vídeo é etapa primordial em grande parte destes sistemas. Exercendo um papel fundamental, os algoritmos de subtração de fundo já demonstraram um enorme potencial para essa tarefa. No entanto, muitos problemas ainda estão em aberto e são alvos de discussões e pesquisa. A compreensão do alcance e limitações destes algoritmos é muito importante para que, na construção de um sistema de visão computacional, possamos selecionar aquele que melhor atenda os requisitos. O objetivo deste trabalho é demonstrar qual é o estado da arte destes algoritmos e selecionar os mais relevantes para uma comparação sob diferentes situações reais, fornecendo subsídios para o seu correto entendimento

Resumo: O correto estabelecimento de correspondências entre imagens tomadas de diferentes pontos de vista é um problema fundamental na área de visão computacional, sendo base para diversas tarefas de alto nível, tais como reconstrução 3D e análise de movimento. A grande maioria dos algoritmos de rastreamento de características não possui uma incerteza associada a posição estimada das características sendo rastreadas, informação esta de extrema importância, considerando sua vasta aplicabilidade. Exatamente este o foco principal deste trabalho, onde introduzimos um framework genérico que expande algoritmos de rastreamento de tal forma que eles possam propagar também informações de incerteza. Neste trabalho, por questão de simplicidade, utilizamos o algoritmo de rastreamento de características Kanade-Lucas-Tomasi (KLT) para demonstrar as vantagens do nosso método, denominado Unscented Feature Tracking (UFT). A abordagem consiste na introdução de Variáveis Aleatórias Gaussianas (GRVs) para a representação da localização dos pontos característicos, e utiliza a Transformada Unscented com Escala (SUT) para propagar e combinar GRVs. Mostramos uma aplicação do UFT em um procedimento de bundle adjustment, onde a função custo leva em conta a informação das GRVs, fornecendo melhores estimativas. O método é robusto, considerando que identifica e descarta anomalias, que podem comprometer de maneira expressiva o resultado de tarefas que utilizam as correspondências. Experimentos com seqüências de imagens reais e sintéticas comprovam os benefícios do método proposto

Resumo: Neste trabalho, nós descrevemos uma nova metodologia para detectar a presença de conteúdo digital escondido nos bits menos significativos (LSBs) de imagens. Nós introduzimos a técnica de Randomização Progressiva (PR), que captura os artefatos estatísticos inseridos durante um processo de mascaramento com aleatoriedade espacial. Nossa metodologia consiste na progressiva aplicação de transformações de mascaramento nos LSBs de uma imagem. Ao receber uma imagem I como entrada, o método cria n imagens, que apenas se diferenciam da imagem original no canal LSB. Cada estágio da Randomização Progressiva representa possíveis processos de mascaramento com mensagens de tamanhos diferentes e crescente entropia no canal LSB. Analisando esses estágios, nosso arcabouço de detecção faz a inferência sobre a presença ou não de uma mensagem escondida na imagem I. Nós validamos nossa metodologia em um banco de dados com 20.000 imagens reais. Nosso método utiliza apenas descritores estatísticos dos LSBs e já apresenta melhor qualidade de classificação que os métodos comparáveis descritos na literatura

Resumo: Nesta dissertação, tratamos o problema de rastrear modelos hierárquicos através de visão computacional no contexto de interfaces gestuais. Gestos formam uma modalidade importante de comunicação humana, e ainda assim, existem poucas, e limitadas, aplicações computacionais com base em gestos. Nosso trabalho é mais uma iniciativa para reverter este quadro. Começamos justificando e discutindo aplicações para a interface visual de gestos da m¿ao. Descrevemos os componentes de um sistema de reconhecimento capaz de tornar esta interface possível. Revisamos a teoria Bayesiana da probabilidade, discutimos suas vantagens, os motivos que adiaram sua adoção em larga escala e derivamos, a partir dela, o filtro de partículas. O filtro de partículas pode ser visto como uma solução aproximada para o problema de estimativa de parâmetros. 'E usado, por exemplo, para determinar os ângulos das juntas de um modelo tridimensional da m¿ao que melhor caracterizem a pose e posição de uma mão real, gravada em uma seqüência de vídeo. Entretanto, a performance do filtro degrada à medida que aumentamos o número de dimensões do espaço de parâmetros. Nestes casos, um número exponencialmente maior de partículas é necessário para que o filtro convirja, inviabilizando aplicações interativas. A nossa principal contribuição é o Filtro de Partículas com Hierarquia de Subespaços. A partir da estrutura presente em modelos hierárquicos, propomos uma forma de dividir o espaço de parâmetros em subespaços que são atribuídos a filtros de partículas diferentes, organizados na forma de um grafo acíclico orientado. Esta construção apresenta melhor convergência que o filtro de partículas original, possibilitando a recuperação dos parâmetros do modelo da m¿ao com um número sensivelmente menor de partículas. Usamos uma luva com seis marcadores idênticos para facilitar a extra¸c¿ao de dados da imagem e então poder focar o trabalho na recuperação dos parâmetros do modelo. Dado o número restrito de marcadores, o modelo que usamos possui 15 graus de liberdade, nove a menos que um modelo da m¿ao completo. Implementamos um sistema de reconhecimento, com base neste filtro, que roda a 30 quadros por segundo em um computador pessoal topo de linha e o validamos através de seqüências de vídeo reais e sintetizadas