Spelling suggestions: "subject:"aprendizagem em tempo real"" "subject:"aprendizagem em tempo deal""
1 |
Rastreamento de vídeo com aprendizagem em tempo realPrata, Thiago Lessa 14 February 2014 (has links)
Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-10T19:18:52Z
No. of bitstreams: 2
DISSERTAÇÃO Thiago Lessa Prata.pdf: 10140720 bytes, checksum: 87a2cd6d796dcf0da7561f1225b82303 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Approved for entry into archive by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-10T19:42:35Z (GMT) No. of bitstreams: 2
DISSERTAÇÃO Thiago Lessa Prata.pdf: 10140720 bytes, checksum: 87a2cd6d796dcf0da7561f1225b82303 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-10T19:42:35Z (GMT). No. of bitstreams: 2
DISSERTAÇÃO Thiago Lessa Prata.pdf: 10140720 bytes, checksum: 87a2cd6d796dcf0da7561f1225b82303 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2014-02-14 / Em visão computacional, a área de rastreamento de objetos tem crescido enormemente. O
aumento do poder computacional na última década tem permitido que aplicações em tempo real
sejam agora possíveis. Em particular, o ramo de rastreamento de objetos tem se beneficiado
com essa evolução e agora é utilizado em diversas aplicações desde a área de segurança até a
de entretenimento. As primeiras técnicas se baseiam principalmente no vetor de movimento
de sub-regiões da imagem e comparação entre as sub-regiões de um quadro do vídeo com o
seguinte. Com isso, uma pontuação é computada para cada posição no quadro seguinte no qual
o objeto alvo tem maior probabilidade de estar e a posição com maior valor é escolhida como
a sua nova posição. Esses rastreadores normalmente são chamados de rastreadores de curto
prazo, isso porque uma vez que o objeto é perdido de vista não é possível que ele volte a ser
rastreado. Em contrapartida, visando continuar o rastreamento mesmo quando ele é perdido
por algum tempo, nos últimos anos uma nova classe de rastreadores foi criada: os rastreadores
por detecção. Nestes métodos, uma fase de rastreamento define a posição do objeto em um
quadro a partir da sua posição no quadro anterior. Além da fase de rastreamento, uma fase de
detecção visa encontrar o objeto sem que haja qualquer dependência com o seu histórico de
posicionamento. A resposta de cada uma das duas técnicas é combinada de forma que a nova
posição seja determinada. Quando o rastreamento é perdido por causa de alguma condição de
ruído (como oclusão ou algum movimento rápido), a detecção é utilizada para reinicializar o
rastreamento, o que possibilita a criação de um rastreador de longo prazo. Visando construir tal
tipo de rastreador, o presente trabalho elabora um método de rastreamento por detecção. Mais
especificamente, o principal objetivo da técnica elaborada é rastrear um objeto em um cenário
complexo onde existam outros objetos semelhantes com problemas de difícil tratamento como
oclusão, mudança de escala e mudança de pose. Para que isso seja possível, foi utilizado um
esquema baseado em detecção, rastreamento e aprendizagem. Na fase de rastreamento, um
rastreador de curto prazo comum e consolidado é utilizado. A fase de aprendizagem tem a
função de selecionar amostras para o treinamento do módulo de detecção. A fase de detecção
é constituída por quatro classificadores em cascata. Dentre eles, o classificador online cascade
boosted classifier (OCBC) é utilizado, uma das principais contribuições deste trabalho. O
OCBC é um detector do tipo cascata que possui um treinamento em tempo de execução. O
método criado foi testado utilizando várias bases de rastreamento de faces com diversos níveis
de dificuldade e os resultados mostraram um avanço em relação ao estado da arte.
|
Page generated in 0.0885 seconds