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.Os AGs possuem uma analogia direta com a teorianaturalista e fisiologista do inglês Darwin, pai da teoria daevolução das espécies, segundo a qual quanto melhor umindivíduo se adaptar ao seu meio ambiente, maior será suachance de sobreviver e gerar descendentes [6].A idéia básica de funcionamento dos algoritmosgenéticos é a de tratar as possíveis soluções do problemacomo "indivíduos" de uma "população", que irá "evoluir"a cada iteração ou "geração". Para isso é necessárioconstruir um modelo de evolução onde os indivíduossejam soluções de um problema [7].3.1 Definições em AG• Cromossomo: cada indivíduo que representa umapossível solução é representado, de forma codificada, poruma seqüência de códigos agrupados.• População: conjunto de cromossomos ou soluçõesdo problema.• Avaliação de aptidão: também conhecida comofunção de avaliação, tem o objetivo de proporcionar umamedida do grau de aptidão (fitness) de um indivíduo, aqual pode ser vista como uma nota dada a cada indivíduopara medir a qualidade quanto à solução ótima doproblema.• Seleção: o principal objetivo do operador de seleçãoé copiar boas soluções, eliminar soluções de baixaaptidão, quando o tamanho da população for constante[8].Vários métodos podem ser aplicados para a seleçãodos indivíduos que participarão da fase de reprodução.Entre os mais comuns estão o Elitismo, o Método daRoleta e o Método do Torneio.• Operadores Genéticos: o princípio básico dosoperadores genéticos é transformar a população através desucessivas gerações, de forma a obter um resultadosatisfatório no final do processo. Deste modo eles sãoextremamente necessários para que a população sediversifique e mantenha as características de adaptaçãoadquiridas pelas gerações anteriores [9]. Os operadoresgenéticos mais utilizados são Cruzamento (Crossover) eMutação.• Critérios de parada: quando bem implementado, oprocesso geral de aplicação dos AGs tem comoconseqüência a evolução dos indivíduos de suapopulação, passando para sucessivas gerações, fato queindica solução ótima ou, dependendo do problema,solução satisfatória.• Parâmetros de controle dos AGs: são consideradostamanho da população (que pode afetar o desempenhoglobal e a eficiência do AG), taxa de cruzamento(probabilidade de um indivíduo ser recombinado com ooutro), taxa de mutação (probabilidade de um ou maisgenes do cromossomo serem alterados) e número degerações (número de ciclos de evolução de um AG).Na Figura 2 é demonstrada a estrutura básica de umAlgoritmo Genético:Não4. O Algoritmo PropostoVários são os exemplos de problemas complexos, dedifícil solução computacional por técnicas tradicionais,que facilmente são resolvidos pela natureza. Com essaidéia, a Computação Evolutiva, neste caso particular oAlgoritmo Genético, busca modelar e simularcomputacionalmente alguns conceitos e fundamentosutilizados pela natureza para a resolução de problemas. Ametodologia proposta utiliza Algoritmo Genético aplicadoem Razões Áureas, para a solução do problema dedeterminar proporções em faces humanas, visando o seureconhecimento.A Figura 3 mostra todas as etapas seguidas para arealização do trabalho.Imagem daFacePré-ProcessamentoPopulaçãoAvaliação de AptidãoSeleçãoCruzamentoMutaçãoCritério deParada?SimRetornar melhorindivíduoFigura 2: Estrutura básica de um AG [7]Cálculo dosSegmentosÁureosFigura 3: Etapas do algoritmoOperadoresGenéticosReconhecimentoIdentificaçãoAlgoritmoGenéticoA partir da imagem de entrada é realizado um préprocessamentobuscando a diminuição de ruídos edetecção de bordas. A imagem é binarizada e são medidos13