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.pessoa.Assim o algoritmo completo para a detecção de carro écomo mostrado abaixo.1. Inicia a leitura do arquivo2. Captura o frame3. Converte de RGB para tons de cinza4. Faz a suavização da imagem com umamascara de dimensão 3x3, gerada através deuma função gaussiana de desvio padrão 1.5. Faz a detecção das edges com uma mascaraobtida através da derivada da funçãogaussiana.6. Aplica-se o método de detecção de borda pormedia.7. Aplica-se o método de detecção de circulo.4. Detecção de pessoasComo justificado na seção 2, a utilização de redesneurais para o reconhecimento de pessoas na faixa depedestre se mostrou a melhor solução para esta tarefa.A idéia básica consiste em utilizar uma rede simples eque resolva o problema de detecção com uma alta taxa deacerto. Para isso resolveu-se inicialmente utilizar umarede de múltiplas camadas alimentada adiante, tendo umacamada de entrada, uma camada oculta composta dequatro neurônios e um neurônio de saída. A utilização deapenas um neurônio se dá pelo fato de que a rede sóprecisa dar uma resposta positiva ou negativa, indicandoassim a presença de pessoa(s) ou não.Para realizar o treinamento da rede foi escolhido oalgoritmo de retropropagação de erro, por este já ter sidoaplicado com grande sucesso para resolver diversosproblemas de grande dificuldade em conjunto com a redede múltiplas camadas alimentada adiante [4]. A descriçãodeste algoritmo, no contexto da busca dos coeficientespara a rede neural aqui proposta, pode ser vista logoabaixo.1. Um lote contendo m imagens em formato JPGde 480x640 pixels é apresentado à rede,juntamente com a sua indicação de terpresença ou não de pessoa.2. Cada uma das m imagens é convertida em umvetor linha x[n] e é plicada a camada deentrada.3. Calcula-se o campo local induzido para osneurônios da camada 1, que é a camadaoculta, usando a equação 6.4. Passa-se a resposta de saída de cada neurônioda camada oculta para a entrada do neurônioda camada de saída.5. Calcula-se a resposta do neurônio da camadade saída através da equação 6 e calcula-se osinal de erro através da equação 7.6. Calcula-se o gradiente do neurônio da camadade saída através da equação 8 e faz-se acorreção dos seus pesos sinapticos através daequação 9.7. Calcula-se o gradiente de cada neurônio dacamada oculta através da equação 10 e faz-sea correção de seus pesos sinapticos através daequação 9.8. Repete-se os passos de dois a sete ate que arede chegue ao valor de erro quadráticosatisfatório.O valor satisfatório neste caso foi 0.01 porcento doerro Maximo possível, que é 2,7159. Este valor de errodeu-se devido à utilização de uma função de ativação antisimétricamostrada na equação 11. Onde os valores ótimospara a e b são 1,7159 e 2/3 consecutivamente [5].vljM∑i=0l−1il( n)= w ji ( n)y(6)Na equação 6 l é a camada, M a quantidade de sinais queestão conectado ao neurônio j , i o neurônio ou sinal deentrada se a camada i for a camada de entrada, y o sinalde saída do neurônio i ou sinal de entrada se a camada forde entrada e w o valor da peso sinaptico que conecta oneurônio i ao j .Le j ( n)= d ( n)− yLj ( n)(7)jNa equação 7 L indica o a ultima camada e aprofundidade da rede também e d j(n)o valor esperadopara a saída do neurônio j .L'δ j ( n)= eLj ( n)⋅ϕ j ( vLj ( n))(8)'Na equação 8 ϕ j é a derivada da função de ativação.llll−1w ji ( n + 1) = w ji ( n)+ η ⋅δj ( n)⋅ y i ( n)(9)Na equação 9 η é o parâmetro de taxa de aprendizagem.∑l' ll+1l+1δ j ( n ) = ϕ j ( v j ( n))⋅ δ k ( n)⋅ w kj ( n)(10)Na equação 10 k é o numero de neurônios da camadaa frente conectados ao neurônio da camada anterior j .k177