Este trabalho refere-se à implementação e avaliação de desempenho de arquiteturas de redes neurais não supervisionadas, utilizadas como controladores em tarefas de interceptação de alvos estacionários no espaço 3D. Em termos gerais, o problema de interceptação visual consiste no controle de atitude do sistema de visão objetivando que o alvo imageado seja deslocado para a posição central dos planos-imagem das câmeras. Um modelo simulado de sistema de visão binocular é utilizado na realização do processo de imageamento. Esse modelo simulado foi baseado em um sistema de visão real e procura representar as características principais de um sistema físico deste tipo. O trabalho apresenta um estudo básico sobre Aprendizado Competitivo em uma RNA, e estuda em maiores detalhes uma teoria de redes neurais não-supervisionadas conhecida como Teoria de Ressonância Adaptativa (ART - Adaptive Resonance Theory), onde são discutidas as arquiteturas neurais ART1 e Fuzzy-ART. Uma importante característica das redes neurais ART é a capacidade de distinguir e aprender novas informações sem prejuízo de informações aprendidas no passado. A solução do problema de interceptação visual foi baseada em duas arquiteturas neurais: SOIM (Self-Organizing Invertible Mapping) e KBVS (Kohonen-Based Visual Servoing). A primeira arquitetura é constituída por duas subredes Fuzzy-ART e uma "camada de representação interna", sendo usada como controlador open-loop (em malha aberta). A segunda, constitui-se de uma Rede de Rohonen bidimensional e de uma camada associativa de saída, sendo usada como controlador neural closed-loop (em malha fechada). A partir da arquitetura SOIM, foi desenvolvida uma terceira arquitetura, designada de MeBIM (Memory-Based Invertible Mapping), com tempo de treinamento significativamente menor. Diversos testes de interceptação visual de um alvo 3D estacionário, empregando as três arquiteturas neurais em estudo, são apresentados e comparados, sendo mostrado que os melhores resultados são obtidos quando o controlador SOIM ou MeBIM é combinado com o controlador KBVS.

Este trabalho apresenta a concepção, desenvolvimento e integração de um sistema de integração binocular para rastreamento binocular auxiliado por uma estratégia de atenção que permite selecionar regiões específicas da imagem para rastreamento. Múltiplas regiões são segmentadas sem o conhecimento do conteúdo da cena mediante detecção monocular de movimento no plano de imagem. Pontos detectados são agrupados em alvos cujo interesse para fins de rastreamento é avaliado por função de atenção. Observou-se que o emprego de imagens foveadas reduz consideravelmente a carga computacional requerida pelo processo de segmentação. Atributos de cada alvo são extraídos para emprego na função de atenção, que determina o valor de interesse dos alvos. A função de atenção proposta é a base da estratégia de atenção e resulta na seleção do alvo com maior valor de interesse. Os atributos empregados são a disparidade binocular, o número de pixels do alvo, sua densidade e velocidade no plano de imagem e a duração de sua ocorrência ao longo das imagens. Incertezas nos atributos são desconsideradas pela função de atenção. Os movimentos da cabeça de visão onde o sistema foi implementado consistem em movimentos balísticos, sacádicos e de perseguição suave nos eixos de elevação, e vergências assimétricas. A ativação destes movimentos é definida levando-se em conta características de desempenho do aparato visual antropomórfico. Avaliou-se o desempenho do sistema tanto no rastreamento de diversos alvos rígidos movendo-se em translação de forma controlada contra um fundo estático de textura não homogênea quanto no de uma pessoa deslocand-se e originando múltiplos alvos não rígidos que violam a restrição de translação pura. Os resultados para o primeiro caso demonstraram a manutenção dos alvos rígidos dentro do campo visual de ambas as câmeras. Já os resultados para o segundo caso demonstraram menor robustez a distorções nos padrões de cinza causadas pelo movimento de rotação e de mudança de escala, o que provoca chaveamento excessivo da atenção do sistema. Isto reflete as limitações do poder computacional empregado, uma vez que há grande dificuldade em limitar o movimento entre quadros da pessoa sendo rastreada.

Este trabalho descreve a construção automática de Mosaico de Imagens a partir de imagens aéreas referenciadas em relação aos dados aferidos por sensores de mensuração inercial, de altitude e de velocidade de um VANT com o objetivo gerar imagens panorâmicas de áreas do solo. Para etapa de aquisição de dados foi desenvolvida uma interface em LabVIEW com objetivo de receber os dados medidos pelos sensores em conjunto com as imagens aéreas, enviados respectivamente, por um link de transmissão de dados e um link de transmissão de imagens para a Estação de Controle em Solo (ECS). Em seguida, as imagens passam pela correção geométrica, na qual é utilizado o método de fotogrametria que emprega os ângulos de rolagem, arfagem e guinada como entradas para a correção das imagens, além de fazer a compensação da altitude, igualando as resoluções espaciais das imagens. Nessa etapa se fez necessário também a correção das intensidades das imagens utilizando o método de interpolação bilinear. Por fim foi feita a geração de mosaico em linguagem C, utilizando as bibliotecas do OpenCV. Para detecção de características nas imagens, foi desenvolvido um algoritmo baseado em um método já consolidado na literatura, o SIFT (Scale-InvariantFeatureTransform), e para encontrar correspondências nas imagens, utilizaram-se os medidores de similaridade NSSD (Normalized Sum ofSquaredDifferences) e NCC (Normalized Cross Correlation). Neste trabalho são apresentados dois resultados, sendo o primeiro construído a partir de um grupo de 22 imagens, e o segundo, a partir de um grupo de 25 imagens. Nos dois casos a geração automática de mosaico se deu de forma satisfatória, o que era o objetivo do trabalho.

O presente trabalho apresenta a aplicação de técnicas de visão computacional na identificação de alvos (i.e. marcações) na superfície de cargas em campanhas de ensaios de separação de cargas externas. A identificação dos alvos na superfície da carga alijada é o primeiro passo para o seu rastreamento e consequentemente, para a análise de sua trajetografia. Foram utilizados os atributos Haar-like e MB-LBP para composição dos classificadores que realizaram a identificação dos alvos nas imagens capturadas em alta resolução (i.e. 720p ou mais) e em alta velocidade (i.e. 200 quadros por segundo ou mais). Em ambos os casos, foi necessária realização de duas etapas, a saber: treinamento dos classificadores e identificação dos alvos na imagem. Como premissa básica, todas as ferramentas utilizadas foram de livre acesso e, portanto, não possuem restrições de uso. As bibliotecas do OpenCV foram utilizadas para a manipulação das imagens e para a aplicação das técnicas escolhidas. Para a validação da ferramenta desenvolvida, foram analisadas sequências de imagens de um voo de ensaio de separação de carga capturadas em uma campanha de desenvolvimento de uma bomba guiada a laser e de ensaios de separação em solo realizadas no IPEV. O tempo de execução do processo de identificação dos alvos em um computador portátil foi comparado ao tempo de execução do mesmo processo em um dispositivo que pode ser embarcado na aeronave, com a finalidade de se verificar o desempenho da ferramenta. Os resultados obtidos nos experimentos se mostraram satisfatórios e puderam comprovar a aplicação das técnicas na identificação dos alvos em ensaios de separação de carga.

Este trabalho propõe e implementa uma solução para o problema de mapeamento 2D de ambientes internos usando um robô móvel (projetado e construído especificamente para essa pesquisa) equipado com o sensor Kinect da Microsoft. Esse sensor é classificado como uma câmera RGB-D ou câmera de profundidade, pois gera uma nuvem densa de pontos com informação de posição 3D associada a cada ponto. Para tal, um conjunto de pontos de luz infravermelha é projetado no ambiente usando um padrão pseudoaleatório pré-determinado e uma câmera infravermelha interna no Kinect detecta e calcula a localização dos pontos de luz que estão no seu campo de visão. Inicialmente a nuvem de pontos gerada pelo Kinect é processada pelo algoritmo RANSAC (RANdom SAmple Consensus) para extração das características (localização) dos objetos do ambiente no sistema de coordenadas com origem no robô móvel (mapa local). As imagens de duas câmeras RGB do tipo webcam sem fio no teto do laboratório são usadas para determinar a pose do robô (localização e orientação) no mapa global. Com essa informação, as coordenadas dos objetos detectados são transformadas do mapa local para o mapa global. O robô deve então ser reposicionado no ambiente para que uma nova nuvem de pontos seja gerada e capturada pelo Kinect embarcado. Neste trabalho, uma lente do tipo zoom foi usada para reduzir o alcance mínimo do Kinect de 80 cm (valor padrão) para aproximadamente 30 cm. Visando reduzir os erros de localização, são propostos e implementados modelos de calibração para a câmera IR do Kinect e para o algoritmo de localização do robô a partir das imagens das câmeras do teto. Os resultados de testes experimentais no laboratório em um ambiente real com tamanho 1,60 m x 2,70 m comprovam que a solução proposta é satisfatória.

Os motores instalados nos foguetes desenvolvidos atualmente no Brasil utilizam o propelente sólido como o principal componente gerador de empuxo. Durante a fase de fabricação desses motores é utilizado um revestimento interno de material isolante térmico, a fim de proteger o invólucro do motor das altas temperaturas produzidas pelos gases gerados na combustão. A adesão entre o bloco de propelente sólido e o isolante térmico é realizada por uma fina camada aderente, denominada por "liner". Essa adesão deve assegurar que todo o conjunto se mantenha adequadamente unido durante as etapas de estocagem, transporte, montagem e lançamento. A utilização de motor com irregularidades de continuidade nessa adesão pode provocar a geração descontrolada de gases, sendo que essa situação tem potencial para causar a explosão do motor-foguete. No processo adotado pelo Instituto de Aeronáutica e Espaço, após a aplicação da aludida camada, um especialista realiza a tarefa de inspeção visual minuciosa em busca de áreas irregulares, na superfície da camada aderente, capazes de comprometer a adesão do propelente. Decorrente da natureza da mencionada tarefa, a adoção da visão computacional como recurso para auxiliar a inspeção de superfícies de camada aderente se mostrou favorável como contribuição para esse processo. Nesse contexto, este trabalho propõe a utilização de algoritmo baseado em visão computacional para auxiliar o especialista na detecção de áreas com superfícies irregulares. Estão previstos, basicamente, nesse algoritmo recursos para parametrização, tratamento de reflexos, e análises de intensidade de cor. A validação dos recursos do algoritmo foi obtida por meio de testes práticos executados em protótipo dedicado para esse fim. Os resultados positivos obtidos nos testes sugerem que o algoritmo, quando for integrado em arquitetura física afim, será capaz de auxiliar a tarefa de identificar áreas irregulares, na superfície da camada aderente, capazes de comprometer a adesão do propelente.

Este trabalho considera um sistema aéreo autônomo não propulsado, lançado de aeronave, controlado por canards, utilizando guiamento terminal com realimentação visual, cujo objetivo é chegar a um determinado alvo em solo com o menor desvio possível. É desenvolvido o modelo não-linear com seis graus de liberdade do artefato. O sistema de controle é projetado em uma determinada condição de voo e os ganhos obtidos são extrapolados para todo o envelope utilizando técnicas de otimização numérica, dados os requisitos de desempenho desejados. É desenvolvido um simulador de voo baseado em imagens de satélite capaz de gerar imagens de uma câmera embarcada no artefato. É implementado um método de análise das imagens geradas pelo simulador, baseado no método SIFT, capaz de registrar as imagens oblíquas da câmera com imagens ortogonais de satélite de referência. O resultado da análise das imagens permite a obtenção dos erros em azimute e elevação, realimentando o sistema de controle e permitindo o guiamento preciso do artefato até o alvo. O sistema completo é simulado na presença de vento e turbulência com a utilização de quatro configurações de sensores, consistindo de combinações de sistemas de navegação inercial, sistema de posicionamento global por satélites, e câmera de vídeo. O método de análise de imagens proposto e a acurácia das diferentes configurações de sensores são avaliados através de simulação Monte Carlo, quantificando as vantagens e desvantagens do guiamento visual.

Video Object Tracking plays a crucial role on several Computer Vision applications, such as Video Surveillance, Intelligent Transportation System (ITS), Human Machine Interface (HMI), Video Indexing and Shopping Behavior Analysis. Nevertheless, the processing power demanded by object tracking techniques still consists in a bottleneck to their wider adoption. To reduce this computational power demand, some techniques that extract object motion information from compressed video domain, instead of the raw video, have been developed. This work addresses the problem of efficiently tracking objects from compressed video. The focus is on algorithms that track objects using motion estimation informationfrom MPEG-2 and MPEG-4 family of video compressors. Two complementary solutions are presented. At first, a novel Spatiotemporal Motion-Vector Consistency Filter is proposed and evaluated. The filter is applied on the initial stage of tracking algorithm and significantly reduces the noisy motion vectors which do not represent a real object movement. Then, a Kalman Filter is used to provide improved estimations of objects position and size. A novel model for Kalman Filter application on the context of motion-vector based object tracking is proposed and evaluated, with determination of measures and noise patterns. Qualitative and quantitative experiments, with standard metrics, are performed displaying that the proposed Spatiotemporal Filter outperforms the currently widely used Vector Median Filter. The results obtained with the Spatiotemporal Filter make it suitable as a first step of any system that aims to detect and track objects from compressed video using its motion vectors. Both filters are jointly used in a complete object tracker system denominated moveTRAKS - motion-vector based object Tracker with Kalman filter and Spatiotemporal filter. The moveTRAKS is also qualitative and quantitative tested, demonstrating its efficiency and limitations for compressed video object tracking.

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.

A série de satélites CBERS é o resultado da cooperação entre o Brasil e China. As imagens CBERS são distribuídas gratuitamente mas para que seja possível utilizá-las, é necessário aplicar um método de correção geométrica de forma manual ou assistida. Somente após a correção existe correspondência entre as posições de pontos das imagens e as posições dos respectivos objetos na superfície da Terra. A partir de um método automático de correção, que usa como referência amostras de imagens previamente corrigidas, é proposta uma forma de aperfeiçoamento pela seleção automática das amostras de referência. São usadas técnicas de classificação e diferentes conjuntos de atributos radiométricos extraídos das imagens. Pelo estudo do comportamento de diferentes modelos de classificação foi possível definir qual o modelo que seleciona de forma ótima as melhores amostras. Para demonstrar a eficácia e o ganho de desempenho o método de correção proposto é aplicado em um conjunto de imagens CBERS usando as amostras de imagens selecionadas automaticamente.