Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário da Fei, São Bernardo do Campo, 2014

Submitted by GUILHERME BRANDÃO MARTINS null (guilherme-bm@outlook.com) on 2016-06-09T18:22:45Z No. of bitstreams: 1 Dissertacao_Guilherme_Brandão_Martins.pdf: 11362535 bytes, checksum: c1da2ab3e80ead0846eae49d9a1bc40e (MD5) / Approved for entry into archive by Ana Paula Grisoto (grisotoana@reitoria.unesp.br) on 2016-06-13T17:06:19Z (GMT) No. of bitstreams: 1 martins_gb_me_sjrp.pdf: 11362535 bytes, checksum: c1da2ab3e80ead0846eae49d9a1bc40e (MD5) / Made available in DSpace on 2016-06-13T17:06:19Z (GMT). No. of bitstreams: 1 martins_gb_me_sjrp.pdf: 11362535 bytes, checksum: c1da2ab3e80ead0846eae49d9a1bc40e (MD5) Previous issue date: 2016-05-20 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Com os avanços relacionados às tecnologias de redes computacionais e armazenamento de dados observa-se que, atualmente, uma grande quantidade de conteúdo digital está sendo disponibilizada via internet, em especial por meio de redes sociais. A fim de explorar esse contexto, abordagens relacionadas ao processamento e apredizado de padrões em vídeos têm recebido crescente atenção nos últimos anos. Sistemas de recomendação de filmes, amplamente empregados em lojas virtuais, são umas das principais aplicações no que se refere aos avanços de pesquisa na área de processamento de vídeos. Com o objetivo de acelerar o processo de recomendação e redução de armazenamento, técnicas para classificação e sumarização de vídeos por meio de aprendizado de máquina têm sido utilizadas com o intuito de explorar conteúdo informativo e também redundante. Por meio de técnicas de agrupamento e descrição de dados, é possível identificar quadros-chave de um conjunto de amostras a fim de que, posteriormente, estes sejam usados para sumarização do vídeo. Além disso, por meio de bases de vídeos rotuladas, podemos classificar amostras de modo a organizá-las por gêneros de vídeo. O presente trabalho objetiva utilizar o classificador Floresta de Caminhos Ótimos para sumarização automática e classificação de vídeos por gênero, bem como o estudo de sua viabilidade nestes contextos. Os resultados obtidos mostram que o referido classificador obteve desempenhos bastante promissores e próximos à algumas das técnicas de sumarização automática e classificação de vídeos que, atualmente, representam o estado-da-arte no atual contexto. / Currently, a number of improvements related to computational networks and data storage technologies have allowed a considerable amount of digital content to be provided on the internet, mainly through social networks. In order to exploit this context, video processing and pattern recognition approaches have received a considerable attention in the last years. Movie recommendation systems are widely employed in virtual stores, thus being one of the main applications regarding to research advances in the video processing field. Aiming to boost the content recommendation and storage cutback, different video categorization and video summarization techniques have been applied to handle with more informative and redundant content. By availing clustering and data description techniques, it is possible to identify keyframes from a given sample collection in order to consider them as part of the video summarization process. Furthermore, through labeled video data collections it is possible to classify samples in order to arrange them by video genres. The main goal of this work is to employ the Optimum-Path Forest classifier in both video summarization and video genre classification processes as well as to conduct a viability study of such classifier in the aforementioned contexts. The results have shown this classifier can achieve promising performances, being very close in terms of summary quality and consistent recognition rates to some state-of-the-art video summarization and classification approaches.

Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-09T14:33:01Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) DISSERTAÇÃO Guilherme Magalhães.pdf: 2926974 bytes, checksum: 42b9985915490009da1e1c5dc2c21028 (MD5) / Made available in DSpace on 2015-03-09T14:33:01Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) DISSERTAÇÃO Guilherme Magalhães.pdf: 2926974 bytes, checksum: 42b9985915490009da1e1c5dc2c21028 (MD5) Previous issue date: 2014-08-26 / Com a grande proliferação de vídeos compartilhados na internet e o crescimento na sua utilização, cada vez mais torna-se indispensável a utilização de métodos automatizados para agrupar, analisar, indexar e buscar esses vídeos. Um dos tipos de análise de grande interesse atualmente é a análise semântica de vídeos de esportes devido as grandes possibilidades de aplicação comercial. Devido a grande diferença entre as regras e dinâmica de jogo, a abordagem mais comumente utilizada é primeiro realizar a identificação do gênero esportivo do vídeo para só então realizar uma análise semântica. Este processo é conhecido como categorização ou classificação de vídeos de esportes. A maior parte dos bancos de vídeos de esportes disponíveis para análise são compostos apenas por vídeos produzidos e transmitidos pela televisão. Neste trabalho, analisamos diversas técnicas para a classificação de vídeos de esportes e propomos uma combinação de características de cor (Autocorrelogramas) e de textura (Local Binary Patterns - LBP) para realizar a classificação do gênero esportivo em frames extraídos das sequências de vídeos. Nossa base de vídeos gerada para testes é composta por vídeos de três diferentes esportes, obtidos de fontes de diferente natureza: Vídeos capturados com equipamento profissional e transmitidos pela TV e sequências de vídeos geradas por usuários comuns através de smartphones. Esse tipo de tarefa representa um desafio porque vídeos amadores não são editados, as câmeras quase sempre se movem de maneira não-controlada e o ponto de visualização raramente é ideal. Nossa abordagem mostra uma taxa de classificação comparável com as técnicas do estado da arte quando as características são utilizadas separadas e um aprimoramento significativo quando são utilizadas de forma conjunta.