III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.muito acentuado, os valores de saída tenderão aos extremos.Dessa forma, a função sigmóide pode ser usadapara distinguir entre o que é relevante (mapeado paravalores próximos de 1) e o que não é relevante (mapeadopara valores próximos de 0). Assumindo que a distribuiçãodos componentes seja aproximadamente normal,para realçar os valores mais à direita da curvade distribuição de freqüência dos componentes, isto é,aqueles que se alinham mais fortemente com um dos eixosdo espaço de componentes, aplicamos a função detransferência da Equação (1).f(x) =1x−µ(1)1+e−5(( σ )−1)em que µ e σ correspondem respectivamente à médiaeaodesviopadrão da distribuição do componente x.Ocoeficiente−5 (ganho) foi ajustado arbitrariamentepara produzir uma rampa de subida mais acentuada e,portanto, maximizar a separabilidade dos padrões desaída (Figura 4).0 2 4 6 8(a) Componente 1−1 0 1 2 3 4(b) Componente 2−4−20 2(d) Componente 4−3−1 1 3(c) Componente 3Figura 3. Distribuição de padrões por valores doscomponentesAtransformação do componente x para escores normalizadose posterior subtração de 1, em (1), faz comque todos os padrões que estão até um desvio-padrãoacima damédia (cerca de 84%) sejam mapeados para0. A saída da função de transferência, portanto, quandopróxima deum, reflete um forte alinhamento entre opadrão e o eixo projetivo correspondente. Como oseixosdo espaço de saída são ortogonais, presume-se queo alinhamento do padrão com algum eixo seja mutuamenteexclusivo, e a saída produzida seja aproximadapor um vetor cuja lei de formação é dada pela Equação(2).AmostrasComponentesFigura 4. Vetores de treinamento da figura 2 apósaplicação da função de transferência representadoscomoumaimagem em nível de cinzay =< y ı ∈ IR > ∧ ∑ {1 se ∃yı =1y ı =0 cc(2)Isto é, o vetor y possui todos os componentes nulos,ou apenas um diferente de zero, cujo valor é igualaum. Naturalmente esses padrões são mais facéis deserem reconhecidos, desde que a quantidade de vetoresde treinamento que possuem componentes não nulosnão seja tão pequena de modoqueopadrão sejaconsiderado um elemento expúrio (outlier).Os vetores de atributos resultantes desse processode extração de características não são rotulados, istoé, embora estejam diretamente associados a uma característicaparticular, como a presença de uma borda,atexturatípica do asfalto, a superfície lisa da latariaou o farol, essa associação não é explicitada. Emrazão de não existir um rótulo associado, ou a notade um supervisor, os dados são submetidos a um treinamentonão supervisionado. O algoritmo detreinamentoaprende a reconhecer os dados separando-os emgrupos. A finalidade desse processo ésegmentar as diferentesregiões na imagem, inclusiveaquecontém aplaca, associando-as a grupos conhecidos. O método deagrupamento aplicado foi o k−means.3. Experimentos e DiscussõesOs experimentos foram realizados sobre umabasedeimagens de veículos infratores capturadas por câmerasde monitoramento de tráfego. Essa base contém umagrande variedade de imagens, obtidas em diferentescondições atmosféricas e em diferentes horas do dia.Todasasimagens, entretanto, possuem em comum amesma dimensão (480 × 640 pixels), profundidade (8bits) e canais de cores (monocromática).123