Spelling suggestions: "subject:"degradação dde fumagem"" "subject:"degradação dde aimagem""
1 |
Classificação de pedestres em imagens degradadasCosta, André Fonseca 25 November 2013 (has links)
Submitted by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-09T14:45:09Z
No. of bitstreams: 2
dissertacao Andre Costa.pdf: 10722387 bytes, checksum: bff242b1a21e34e27f228538f8f5d6b1 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) / Made available in DSpace on 2015-03-09T14:45:10Z (GMT). No. of bitstreams: 2
dissertacao Andre Costa.pdf: 10722387 bytes, checksum: bff242b1a21e34e27f228538f8f5d6b1 (MD5)
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
Previous issue date: 2013-11-25 / Capes / Um detector de pedestres básico geralmente possui dois componentes principais: um que
seleciona regiões da imagem que possivelmente contêm um pedestre (gerador de candidatos)
e outro que classifica estas regiões em grupos de pedestres e não-pedestres (classificador).
Estes classificadores normalmente baseiam-se em extratores de características, que são
transformações que alteram a intensidade ou cor original dos pixels de uma imagem em uma
nova representação, para ressaltar algum tipo de conhecimento sobre o conteúdo da imagem.
Quando o ambiente é não-controlado, fatores externos podem influenciar negativamente no
desempenho do classificador. Baixa resolução, ruído, desfoque e oclusão são alguns efeitos
que podem ser gerados por estes fatores, degradando a qualidade das imagens obtidas e,
consequentemente, das características extraídas. Esta dissertação propõe-se a avaliar como
extratores de características comportam-se nesse tipo de ambiente. Estes cinco tipos de
degradação foram simulados nas bases de imagem usadas nos experimentos: INRIA Person e
Caltech Pedestrian. Como estamos interessados apenas na etapa de classificação, as imagens
foram transformadas em janelas de tamanho fixo na etapa de pré-processamento. Os
experimentos usam uma combinação de extratores de características (HOG, LBP, CSS, LGIP
e LTP) e modelos de aprendizagem (AdaBoost e SVM linear) para formar classificadores. Os
classificadores foram treinados com as imagens intactas e testados com imagens em diversos
níveis de degradação. O HOG (42%) e LTP (54%) foram superiores aos demais em
aproximadamente metade dos pontos de teste na INRIA Person e Caltech Pedestrian,
respectivamente. Foi confirmada a queda de desempenho do LBP quando exposto a ruído,
mostrando que o LGIP e o LTP amenizam isso. Também observou-se que o CSS é robusto a
ruído, mas gera características fracas no geral. Por fim, notou-se que classificadores que
combinam mais de um extrator de características foram superiores aos individuais em boa
parte dos pontos de teste. Combinando-se todos os extratores, tem-se um classificador
superior em 95,8% das situações ao criado somente com o melhor extrator no geral (HOG, na
base da INRIA, e LTP, na base da Caltech).
|
Page generated in 0.0408 seconds