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.Este trabalho recebeu apoio financeiro da UniversidadeCatólica Dom Bosco, UCDB, da Agência Financiadora deEstudos e Projetos, FINEP e da Fundação de Apoio ao Desenvolvimentodo Ensino, Ciência e Tecnologia do Estadode Mato Grosso do Sul, FUNDECT. Os autores tambémcontaram com bolsas do Conselho Nacional de DesenvolvimentoCientífico e Tecnológico, CNPQ, nas modalidadesPIBIC e Produtividade em Desenvolvimento Tecnológico eExtensão Inovadora.ReferênciasFigura 6. Número de Iterações XClassificação Correta.Figura 7. Número de Estados X ClassificaçãoCorreta para dois tipos de inicialização.por K-Means obtém melhores resultados no geral. Enquantoque, as variações no número de iterações obtêm resultadossimilares dentro de uma faixa de 100 a 1000. O tempo deexecução dos HMMs com relação ao número de estados éuma curva polinomial, sendo o número de estados adequadopara este problema experimentalmente alcançado.A principal contribuição desse trabalho está nacomparação entre os parâmetros dos HMMs e de doistipos diferente de inicialização. Para trabalhos futuros, seriainteressante acrescentar informações sobre o contornodas serpentes e avaliar outros tipos de HMMs, comoos contínuos (pois a natureza dos atributos dos momentosde imagem é contínua e teoricamente, nesse modelo,não há grandes perdas de informação pois não énecessário o passo de discretização). É também importanteexpandir os testes para uma quantidade maior deimagens, com diferentes tipos de animais.8. Agradecimentos[1] K. Aas, E. Line, and A. Tove. Text recognition from greylevel images using hidden Markov models. Lecture Notes inComputer Science, 970:503–508, 1995.[2] C. J. C. Burges. A tutorial on support vector machines forpattern recognition. Data Mining and Knowledge Discovery,2(2):121–167, 1998.[3] A. Feldman and T. Balch. Automatic identification of beemovement. Technical report, Georgia Institute of Technology,Atlanta, Georgia 30332, USA, 2003.[4] W. Freeman, K. Tanaka, and J. Ohta. Computer vision forcomputer games. In Int’l Workshop on Automatic Face- andGesture-Recognition, Killington, Vermont, USA, 1996.[5] J. Hornegger, H. Niemann, D. Paulus, and G. Schlottke. Objectrecognition using Hidden Markov Models. In E. S.Gelsema and L. N. Kanal, editors, Pattern Recognition inPractice IV: Multiple Paradigms, Comparative Studies andHybrid Systems, volume 16, pages 37–44, Amsterdam, 1994.Elsevier.[6] J. Hu, M. K. Brown, and W. Turin. Hmm based on-line handwritingrecognition. IEEE Trans. Pattern Anal. Mach. Intell.,18(10):1039–1045, 1996.[7] M. Leo, T. D’Orazio, and P. Spagnolo. Human ActivityRecognition for Automatic Visual Surveillance of Wide Areas.Academic Press, 1 edition, 1999.[8] D. Malyszko and S. T. Wierzchon. Standard and genetic k-means clustering techniques in image segmentation. cisim,0:299–304, 2007.[9] A. V. Nefian and M. H. Hayes. Face detection and recognitionusing hidden markov models. In ICIP (1), pages 141–145, 1998.[10] L. R. Rabiner. A tutorial on hidden markov models and selectedapplications in speech recognition. Proceedings of theIEEE, 77:257–286, 1990.[11] J. A. Rivas and G. M. Burghardt. Snake mating systems, behavior,and evolution: The revisionary implications of recentfindings. Journal of Comparative Psychology, 119(4):447–454, 2005.[12] F. Shen and O. Hasegawa. An adaptive incremental lbg forvector quantization. Neural Netw., 19(5):694–704, 2006.[13] A. J. Spink, R. A. J. Tegelenbosch, M. O. S. Buma, and L. P.J. J. Noldus. The ethovision video tracking system-a tool forbehavioral phenotyping of transgenic mice. Physiology andBehavior, 73(5):731–744, August 2001.[14] T. Starner and A. Pentland. Visual recognition of americansign language using hidden markov models. Technical ReportMaster’s Thesis, MIT, Program in Media Arts & Sciences,Massachusetts Institute of Technology, Cambridge,USA, Feb 1995.329