Defesa de Mestrado de Karla Rodriguez; dia 06/09/2013, as 10:00, Sala de Seminários.
Defesa de Mestrado de Karla Rodriguez; dia 06/09/2013, as 10:00, Sala de Seminários.
Banca: Prof. Dr. Guillermo Cámara-Chávez; Prof. Dr. David Menotti Gomes; Prof. Dr. Frederico Gadelha Guimarães; Prof. Dr. William Robson Schwartz.
Título: Reconhecimento de Sinais Estaticos a partir de Informação RGB-D usando um Descritor Kernel
Resumo: Durante os ultimos anos, têm sido desenvolvidas diversas abordagens para o reconhecimento de sinais. Muitas delas baseadas somente em informação de intensidade, o que
tornava o pre-processamento mais complexo. Devido ao avance da tecnologia, têm sido
desenvolvidos novos dispositivos para a obtenção de informação mais complexa, alem
da informação de intensidade tambem e fornecida informação de profundidade e localização. O sensor Kinect e um deles e foi criado no ano 2010. Com esse dispositivo, epossvel obter três tipos de informações: intensidade, profundidade e as posições das partes do corpo. Isso signi ca uma vantagem quando se quer desenvolver um modelo para reconhecimento de sinais. Como ja foi dito, usar somente informação de intensidade, que e o mais usual, implica ter processos mais complexos e algumas vezes imprecisos. Para solucionar isso, e possvel usar informação de profundidade que, alem de conter informação da mão, facilita o pre-processamento. Nesta dissertação apresentamos um modelo para o reconhecimento de sinais estaticos, usando informação de intensidade e profundidade (RGB-D) de cada sinal. As imagens de intensidade brindam informação
visual do sinal. Enquanto, as imagens de profundidade permitem obter informação da forma da mão com a qual e executada o sinal. Alem disso, usando este ultimo tipo de imagem, o processo de segmentação e facilitado. Uma avaliação entre o descritor local SIFT e o descritor kernel gradiente foi realizado na etapa de extração de caractersticas. A partir das caractersticas obtidas, foi extrada informação semântica usando a tecnica BoW (Bag-of-Words). Para nalmente classi car os sinais usando SVM (Support Vector Machine). Os resultados reportados nesta dissertação se mostraram superiores a outros modelos da literatura, logrando um incremento na acuracia de 20%. Sendo o melhor resultado de 95.63% de acuracia media. Demonstrando que o modelo proposto e promissor
no reconhecimento de sinais.
