Dentre outras atividades, visão computacional ocupa-se com a extração de informação 3D a partir de imagens. Dois métodos usados para a extração de informação 3D são estereoscopia e estimação de fluxo óptico. Para obter-se informação de profundidade usando estes métodos, geralmente é necessário fazer-se a correspondência entre imagens, ou casamento de imagens. A abordagem usada no presente trabalho para resolver o problema de casamento de imagem pertence à categoria baseada em características locais salientes. As características escolhidas para o casamento de imagens são pontos de alto contraste. Os algoritmos de visão computacional costumam ter vários parâmetros a serem ajustados. Infelizmente, os valores dos parâmetros ajustados para um conjunto de imagens nem sempre resultam bom desempenho para outro. Esta tese enfoca a sensibilidade do algoritmo de visão computacional a variações paramétricas feitas por um operador. Robustez a estas variações paramétricas torna possível o uso de tal algoritmo sob várias circunstâncias, sem a necessidade do ajuste manual de tais parâmetros. Inicialmente este trabalho focaliza a avaliação de um algoritmo de rotulação relaxada para casamento de imagens. Informação de movimento da câmera é usada pra reduzir a complexidade, ambigüidade e o custo computacional do casamento de imagens. Imagens reais foram usadas para a avaliação de sensibilidade. A recuperação de profundidade a partir das equações de fluxo óptico é feita utilizando-se os resultados do algoritmo de casamento de imagens. Um banco de dados de imagens calibrado obtidos por um helicóptero durante vôo rasante é empregado para analisar o impacto de incertezas nos parâmetros de movimento na recuperação de profundidade.

Sistemas de Detecção e Reconhecimento Automático de Alvos (ATD/R) são de extrema importância para instituições militares e de defesa. Esses sistemas de vigilância são bastante complexos e se baseiam em dados e informações provenientes de diversos tipos de sensores para localizar, identificar e rastrear alvos inimigos. O objetivo principal desses sistemas ée auxiliar e atée mesmo substituir em parte o papel do homem na tarefa de detecção e reconhecimento de alvos utilizando um sistema confiável e eficiente capaz de realizar esta tarefa. Sistemas ATD/R baseados em imagens de Radar de Abertura Sintética (SAR) são bastante sensíveis às variações de posição, tamanho e orientação dos alvos e portanto constituem um grande desafio para seu desenvolvimento. Essa dissertação apresenta um estudo e uma implementação de um sistema de Detecção Automática de Alvos (ATD) utilizando uma abordagem de reconhecimento de padrões conhecida como Casamento de Padrões baseada em Correlação Cruzada Normalizada que busca encontrar similaridades entre as regiões da imagem analisada com um modelo fornecido de um alvo.

Unmanned aerial vehicles, known as UAVs, have evolved over the past two decades to sophisticated aircraft robots able to carry out surveillance, recognition, remote sensing and even attack missions. But there are not many alternatives of autonomous navigation systems for most of these aircraft which still require human intervention to navigate. Devices such as Global Positioning System (GPS) and inertial systems help calculate routes and locate the vehicle on a map among other possibilities, but do not offer solutions to unknown or uncertain circumstances. On the other hand, computer vision techniques have provided many possible applications for intelligent systems such as object recognition, robot localization and reconstruction of 3D maps. This paper explores the use of computer vision and pattern recognition techniques for UAV navigation, and proposes a set of visual features based on color and gradients orientation for image classification. To validate the proposed approach, a system was developed to evaluate the classification and matching of aerial images. The results achieve more than 95% of accuracy and confirm the viability of the selected algorithms and methods for the problem.

O registro de imagens tem um papel importante em várias aplicações, tais como reconstrução de objetos 3D, reconhecimento de padrões, imagens microscópicas, entre outras. Este registro é composto por três passos principais: (1) seleção de pontos de interesse; (2) extração de características dos pontos de interesse; (3) correspondência entre os pontos de interesse de uma imagem para a outra. Para os passos 1 e 2, algoritmos como SIFT e SURF têm apresentado resultados satisfatórios. Entretanto, para o passo 3 ocorre a presença de outliers, ou seja, pontos de interesse que foram incorretamente correspondidos. Uma única correspondência incorreta leva a um resultado final indesejável. Os algoritmos para remoção de outliers (consenso) possuem um alto custo computacional, que cresce à medida que a quantidade de outliers aumenta. Com o objetivo de reduzir o tempo de processamento necessário por esses algoritmos, o algoritmo FOMP(do inglês, Filtering out Outliers from Matched Points), foi proposto e desenvolvido neste trabalho para realizar a filtragem de outliers no conjunto de pontos inicialmente correspondidos. O método FOMP considera cada conjunto de pontos como um grafo completo, no qual os pesos são as distâncias entre os pontos. Por meio da soma de diferenças entre os pesos das arestas, o vértice que apresentar maior valor é removido. Para validar o método FOMP, foram realizados experimentos utilizando quatro bases de imagens. Cada base apresenta características intrínsecas: (a) diferenças de rotação zoom da câmera; (b) padrões repetitivos, os quais geram duplicidade nos vetores de características; (c) objetos de formados, tais como plásticos, papéis ou tecido; (d) transformações afins (diferentes pontos de vista). Os experimentos realizados mostraram que o filtro FOMP remove mais de 65% dos outliers, enquanto mantém cerca de 98%dos inliers. A abordagem proposta mantém a precisão dos métodos de consenso, enquanto reduz o tempo de processamento pela metade para os métodos baseados em grafos. / Image matching plays a major role in many applications, such as pattern recognition and microscopic imaging. It encompasses three steps: 1) interest point selection; 2) feature extraction from each point; 3) feature point matching. For steps 1 and 2, traditional interest point detectors/ extractors have worked well. However, for step 3 even a few points incorrectly matched (outliers), might lead to an undesirable result. State-of-the-art consensus algorithms present a high time cost as the number of outlier increases. Aiming at overcoming this problem, we present FOMP, a preprocessing approach, that reduces the number of outliers in the initial set of matched points. FOMP filters out the vertices that present a higher difference among their edges in a complete graph representation of the points. To validate the proposed method, experiments were performed with four image database: (a) variations of rotation or camera zoom; (b) repetitive patterns, which leads to duplicity of features vectors; (c) deformable objects, such as plastics, clothes or papers; (d) affine transformations (different viewpoint). The experimental results showed that FOMP removes more than 65% of the outliers, while keeping over 98% of the inliers. Moreover, the precision of traditional methods is kept, while reducing the processing time of graph based approaches by half.

O registro de imagens tem um papel importante em várias aplicações, tais como reconstrução de objetos 3D, reconhecimento de padrões, imagens microscópicas, entre outras. Este registro é composto por três passos principais: (1) seleção de pontos de interesse; (2) extração de características dos pontos de interesse; (3) correspondência entre os pontos de interesse de uma imagem para a outra. Para os passos 1 e 2, algoritmos como SIFT e SURF têm apresentado resultados satisfatórios. Entretanto, para o passo 3 ocorre a presença de outliers, ou seja, pontos de interesse que foram incorretamente correspondidos. Uma única correspondência incorreta leva a um resultado final indesejável. Os algoritmos para remoção de outliers (consenso) possuem um alto custo computacional, que cresce à medida que a quantidade de outliers aumenta. Com o objetivo de reduzir o tempo de processamento necessário por esses algoritmos, o algoritmo FOMP(do inglês, Filtering out Outliers from Matched Points), foi proposto e desenvolvido neste trabalho para realizar a filtragem de outliers no conjunto de pontos inicialmente correspondidos. O método FOMP considera cada conjunto de pontos como um grafo completo, no qual os pesos são as distâncias entre os pontos. Por meio da soma de diferenças entre os pesos das arestas, o vértice que apresentar maior valor é removido. Para validar o método FOMP, foram realizados experimentos utilizando quatro bases de imagens. Cada base apresenta características intrínsecas: (a) diferenças de rotação zoom da câmera; (b) padrões repetitivos, os quais geram duplicidade nos vetores de características; (c) objetos de formados, tais como plásticos, papéis ou tecido; (d) transformações afins (diferentes pontos de vista). Os experimentos realizados mostraram que o filtro FOMP remove mais de 65% dos outliers, enquanto mantém cerca de 98%dos inliers. A abordagem proposta mantém a precisão dos métodos de consenso, enquanto reduz o tempo de processamento pela metade para os métodos baseados em grafos. / Image matching plays a major role in many applications, such as pattern recognition and microscopic imaging. It encompasses three steps: 1) interest point selection; 2) feature extraction from each point; 3) feature point matching. For steps 1 and 2, traditional interest point detectors/ extractors have worked well. However, for step 3 even a few points incorrectly matched (outliers), might lead to an undesirable result. State-of-the-art consensus algorithms present a high time cost as the number of outlier increases. Aiming at overcoming this problem, we present FOMP, a preprocessing approach, that reduces the number of outliers in the initial set of matched points. FOMP filters out the vertices that present a higher difference among their edges in a complete graph representation of the points. To validate the proposed method, experiments were performed with four image database: (a) variations of rotation or camera zoom; (b) repetitive patterns, which leads to duplicity of features vectors; (c) deformable objects, such as plastics, clothes or papers; (d) affine transformations (different viewpoint). The experimental results showed that FOMP removes more than 65% of the outliers, while keeping over 98% of the inliers. Moreover, the precision of traditional methods is kept, while reducing the processing time of graph based approaches by half.