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

More documents

Recommendations

Info

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
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.ϕ ( n)= a ⋅ tanh( b ⋅ v ( n))(11)jjCom estes coeficientes gerados pela rede pode-seentão realizar o processo final do algoritmo proposto poreste trabalho, que é, depois que a presença de carro foidetectada pelo passo 7 descrito na seção 3, pegar aimagem gerada pelo passo 6, descrita nesta mesma seção eaplicar ela a entrada da rede proposta, tendo como seuscoeficientes os valores encontrados no seu processo detreinamento.taxa de acerto. Este teste tem a finalidade de avaliar oquão eficiente é o algoritmo aqui proposto na detecção deautomóveis na faixa. Na figura 3 e 4 é possível ver oprocessamento deste teste.5. ResultadosPara os testes e desenvolvimento deste algoritmo foramrealizadas três filmagens, sendo que cada uma delas foramfeitas em diferentes horários do dia e em três faixasdiferentes. Usou-se também um intervalo de 20 framesentre um instante e outro do filme. Partindo então destasfilmagens foram gerados os seguintes resultados.Tabela 1. Resultado do treinamento da rede.Nome da faixa N° de amostras N° de iteraçõesFaixa 1 60 300Faixa 2 110 440Faixa 3 72 370A tabela 1 mostra a quantidade de amostras, que nestecaso, são as imagens utilizadas para realizar o treinamentoda rede e o numero de iterações que rede precisou paraconvergir ao erro mínimo desejado. Na figura 2 pode-sever o processo de convergência da rede utilizada na faixa3. O erro mostrado neste gráfico não está em modulo, porisso pode-se ver valores negativos e positivos.Figure 3 – Imagem da faixa segmentada pelométodo proposto seção 3.Figure 4 – Imagem produzida pelo algoritmode detecção de veículos.Tabela 3. Resultados da detecção de infração.Nome da faixa N° de amostras Taxa de acertoFaixa 1 142 96.75%Faixa 2 292 90.00%Faixa 3 277 96.75%neural.Figura 2 – Gráfico do erro de saída da redeTabela 2. Resultado do teste de detecção de carro.Nome da faixa N° de amostras Taxa de acertoFaixa 1 189 94.70%Faixa 2 292 97.26%Faixa 3 271 95.20%A tabela 3 mostra a quantidade de amostras utilizadasem cada faixa para o teste de detecção de infração e a taxade acerto do algoritmo para cada uma delas. Na figura 5se pode ver a imagem que é entre a rede para oprocessamento final.A tabela 2 mostra a quantidade de amostras utilizadapara cada faixa no teste de detecção de veiculo e a sua178
Page 1 and 2:
III Workshop de VisãoComputacional
Page 3 and 4:
Instituto de Biociências, Letras e
Page 5 and 6:
WVC 2007 - III Workshop de Visão C
Page 7 and 8:
ApresentaçãoA área de Visão Com
Page 10 and 11:
Automatic Pattern Recognition of Bi
Page 12 and 13:
WVC'2007 - III Workshop de Visão C
Page 14 and 15:
Page 16:
Page 19:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138: WVC'2007 - III Workshop de Visão C
Page 187: WVC'2007 - III Workshop de Visão C
Page 239 and 240:
Page 241 and 242:
Page 243 and 244:
Page 245 and 246:
Page 247 and 248:
Page 249 and 250:
Page 251 and 252:
Page 253 and 254:
Page 255 and 256:
Page 257 and 258:
Page 259 and 260:
Page 261 and 262:
Page 263 and 264:
Page 265 and 266:
Page 267 and 268:
Page 269 and 270:
Page 271 and 272:
Page 273 and 274:
Page 275 and 276:
Page 277 and 278:
Page 279 and 280:
Page 281 and 282:
Page 283 and 284:
Page 285 and 286:
Page 287 and 288:
Page 289 and 290:
Page 291 and 292:
Page 293 and 294:
Page 295 and 296:
Page 297 and 298:
Page 299 and 300:
Page 301 and 302:
Page 303 and 304:
Page 305 and 306:
Page 307 and 308:
Page 309 and 310:
Page 311 and 312:
Page 313 and 314:
Page 315 and 316:
Page 317 and 318:
Page 319 and 320:
Page 321 and 322:
Page 323 and 324:
Page 325 and 326:
Page 327 and 328:
Page 329 and 330:
Page 331 and 332:
Page 333 and 334:
Page 335 and 336:
Page 337 and 338:
Page 339 and 340:
Page 341 and 342:
Page 343 and 344:
Page 345 and 346:
Page 347 and 348:
Page 349 and 350:
Page 351 and 352:
Page 353 and 354:
Page 355 and 356:
Page 357 and 358:
Page 359 and 360:
Page 361 and 362:
Page 363:
show all

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

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?