Programa de Ps-Graduao em Engenharia Eltrica

Pr-projeto de Pesquisa

TTULO:
<descrever o ttulo>
PROPONENTE:
<nome completo do proponente>

1. Introduo (mximo de 2 pginas no alterar a formatao)

Descrever objetivamente, com o apoio da literatura, as motivaes para o desenvolvimento do projeto, sua relevncia no contexto cientfico e
tecnolgico do tema a ser pesquisado e sua importncia especfica a comunidade cientifica. Descrever a infraestrutura necessria para a
execuo do projeto. Use o texto de exemplo para seguir a formatao.

Reconhecimento de Padres uma rea de grande abrangncia, sendo potencialmente aplicvel em

diversos campos de pesquisa, como medicina, economia, processamento de sinais e imagens. Dentre suas
aplicaes de grande relevncia podemos citar: sistemas de deteco e reconhecimento de faces humanas
[1]; detectores de objetos [2] e detectores de quinas [3-5]. Embora diversas abordagens robustas e
eficientes tenham sido desenvolvidas nos ltimos anos, verificamos que a deteco e o reconhecimento
de padres um problema em aberto.
Recentemente, vem crescendo o interesse da comunidade cientfica na deteco e/ou reconhecimento de
padres atravs de filtragem. Os mtodos desenvolvidos, os quais deram origem subrea de
Reconhecimento de Padres por Correlao (CPR), utilizam como medida de similaridade a correlao
entre o padro o qual desejamos detectar e/ou reconhecer e um padro candidato.

2. Objetivos (mximo de 1 pgina no alterar a formatao)

Indicar as metas quantificveis por objetivo do projeto, com prazo total de execuo e atividades que as viabilizaro. Apresentar
indicadores quantitativos para o acompanhamento das metas. Use o texto de exemplo para seguir a formatao.

O principal objetivo deste projeto investigar dois desdobramentos do mtodo por Detectores por
Produto Interno. Primeiramente, pretendemos realizar um alinhamento adaptativo dos padres utilizados
no projeto dos detectores que emprega os picos de correlao dos padres. Nesta etapa, o principal
objetivo projetar detectores com melhor desempenho, ou seja, detectores que possam proporcionar
picos de correlao mais acentuados em relao aos seus antecessores. A seguir, pretendemos investigar o
desempenho dos classificadores desenvolvidos em plataformas de hardware. Nesta etapa, o principal
objetivo incrementar a velocidade de deteco dos classificadores. Por fim, os classificadores
desenvolvidos nas plataformas de hardware sero integrados em uma TV e em um Celular utilizando-se
SDKs que permitem o desenvolvimento de programas para Smart TVs e programas baseados no sistema
operacional mvel Android.
Especificamente, os objetivos especficos e metas deste projeto de pesquisa so:
Tabela 1: Objetivos especficos do pr-projeto (metas)
#
1
2
3
4

Objetivo especfico
Implementar o mtodo por Detectores por Produto Interno.
Implementar o mtodo por Detectores por Produto Interno utilizando
Anlise de Componentes Principais.
Implementar o mtodo por Detectores por Produto Interno utilizando
Anlise de Componentes Principais com Alinhamento Adaptativo.
Realizar comparaes com mtodos similares.

3. Metodologia (mximo de 1 pgina no alterar a formatao)

Primeiramente descrever os materiais e mtodos envolvidos no projeto de pesquisa. Descrever os mtodos, indicando direta e claramente
como os objetivos sero alcanados. Use o texto de exemplo para seguir a formatao.

O projeto de pesquisa apresentado nesta proposta tem como objetivo principal investigar dois
desdobramentos do mtodo de reconhecimento de padres denominado Detectores por Produto Interno.
Tal objetivo geral ser atingido atravs de nove objetivos especficos. A metodologia empregada para
alcanarmos todos os objetivos especficos ser feita da seguinte forma:
Uma reviso bibliogrfica sobre o estado da arte em mtodos por Filtros de Correlao ser realizada.
Esta reviso servir de base para alcanarmos os objetivos especficos (1) e (2). A seguir, os detectores
por produto interno projetados com alinhamento adaptativo sero desenvolvidos e o desempenho deste
mtodo poder ser comparado com os resultados apresentados no trabalho [18,13]. Isto contempla o
objetivo especfico (3).
Para o objetivo especifico (4) pretendemos comparar o desempenho do mtodo por Detectores por
Produto Interno com Alinhamento Adaptativo com os desempenhos dos mtodos apresentados em [13].
possvel que outros mtodos possam ser implementados para comparaes. Todas as comparaes sero
realizadas utilizando-se um extenso conjunto de imagens e o desempenho dos classificadores ser
realizado utilizando-se validao cruzada.

4. Cronograma por meta (12 meses) (mximo de 1 pgina no alterar a formatao)

Apresentar o cronograma mensal de desenvolvimento de cada atividade por meta. Use o texto de exemplo para seguir a formatao.

Meta
Reviso bibliogrfica geral
Reviso bibliogrfica
especfica
Implementao do mtodo
por Detectores por Produto
Interno (IPD)
Implementao do mtodo
IPD com Anlise de
Componentes Principais
(PCA)

Atividade
1
Reviso bibliogrfica dos Filtros
X
de Correlao
Reviso bibliogrfica da Teoria
dos Detectores por Produto
Interno
Implementao do IPD utilizando
a biblioteca OpenCV
Implementao do IPD-PCA
utilizando a biblioteca OpenCV

Comparao com mtodos

Comparaes de desempenho
existentes (SVM linear e no
com resultados existentes
linear)
Implementao do mtodo
Implementao do IPD-PCA com
por IPD-PCA com
alinhamento adaptativo
Alinhamento Adaptativo
utilizando a biblioteca OpenCV
Realizar comparaes de
desempenho com mtodos
Realizar comparaes de
similares; Avaliar se o
desempenho com mtodos
alinhamento adaptativo
similares
proporcionou ganho de
desempenho
Reviso bibliogrfica das
Reviso
bibliogrfica
para
plataformas utilizadas
utilizao das plataformas
Preparao de framework para
Preparao de framework
utilizar as plataformas de
hardware
Sntese dos resultados para
Submisso de Artigo
publicao de artigos

10

11

12

X
X

5. Referncias Bibliogrficas (no alterar a formatao)

Relacionar as obras da literatura citadas, de acordo com as normas da ABNT.

[1] MOGHADDAM, B., WAHID, W., PENTLAND, A., Beyond Eigenfaces: Probabilistic Matching
for Face Recognition. Proceedings of the International Conference on Automatic Face
and Gesture Recognition, Grenoble, France, March 1998.
[2] CHEUNG, W., HAMARNEH, G., N-SIFT: N-Dimensional Scale Invariant Feature Transform
for Matching Medical Images. In: Proceedings of the International Symposium on
Biomedical Imaging: From Nano to Macro, pp. 720-723, Washington, DC, USA, April
2007.
[3] NANDY, D., BEN-ARIE, J., EXM Eigen Templates for Detecting and Classifying Arbitrary
Junctions. In: Proceedings of the International Conference on Image Processing, pp.
211-215, Kobe, Japan, October 1998.
[4] BEN-ARIE, J.; RAO, K. R., A Novel Approach for Template Matching by Nonorthogonal
Image Expansion, IEEE Transactions on Circuits and Systems for Video Technology, v. 3,
n. 1, pp. 71-84, February 1993.
[5] ZHIQIAN WANG; RAO, K. R.; BEN-ARIE, J., Optimal Ramp Edge Detection using
Expansion Matching, IEEE Transactions on Pattern Analysis and Machine Intelligence, v.
18, n. 11, pp. 1092-1097, November 1996.
[6] XIE, C., SAVVIDES, M., VIJAYA KUMAR, B. V. K., Correlation Pattern Recognition for Face
Recognition, Proceedings of the IEEE, v. 94, n. 11, pp. 1963-1976, 2006.
[7] XIE, C., SAVVIDES, M., VIJAYA KUMAR, B. V. K., Redundant Class-Dependence Feature
Analysis Based on Correlation Filters Using FRGC2.0 Data. In: Proceedings of the
Conference on Computer Vision and Pattern Recognition, p. 153, San Diego, CA, USA,
June 2005.
[8] MAHALANOBIS, A., VIJAYA KUMAR, B. V. K., CASASENT, D., Minimum Average
Correlation Energy Filters, Applied Optics, v. 26, pp. 3633-3640, 1987.
[9] SAMAD, S. A., RAMLI, D. A., HUSSAIN, A., Region Selection for Robust Face Verification
Using UMACE Filters, In: Proceedings of the International Conference on Electrical
Engineering and Informatics, p. 67, Indonesia, June 2007.
[10] THORNTON, J., SAVVIDES, M., VIJAYA KUMAR, B. V. K., A Bayesian Approach to
Deformed Pattern Matching of Iris Images, IEEE Transactions on Pattern Analysis and
Machine Intelligence, v. 29, pp. 596-606, 2007.
[11] LIU, T., ZHU, G., ZHANG, C., et al., Fingerprint indexing based on singular point
correlation. In: Proceedings of the IEEE International Conference on Image Processing,
pp. 293-6, Genoa, Italy, September 2005.

[12] YEOMANS, H., VIJAYA KUMAR, B. V. K., Palm print Classification using Pattern-specific
Segmentation and Optimal Correlation Filters, IEEE Transactions on Information
Forensics and Security, v. 2, pp. 613-622, 2007.
[13] JNIOR, W. S. S., Reconhecimento de Padres Utilizando Filtros de Correlao com
Anlise de Componentes Principais, Tese de D.Sc., COPPE/UFRJ, Rio de Janeiro, RJ, Brasil,
Agosto de 2010.
[14] SHI, J., SAMAL, A., MARX, D., How effective are landmarks and their geometry for
face recognition?, Computer Vision and Image Understanding, v. 102, n. 2, pp. 117133, 2006.
[15] SIVIC, J., EVERINGHAM, M., ZISSERMAN, A., Who Are You? - Learning Person Specific
Classifiers from Video. In: Proceedings of the International Conference on Computer
Vision and Pattern Recognition, pp. 1145-1152, Florida, US, June 2009.
[16] LI TIAN, Y., KANADE, T., COHN, J. F., Recognizing Action Units for Facial Expression
Analysis, IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 23, pp. 97115, 2001.
[17] ZHAO, S., GAO, Y., Automated Face Pose Estimation Using Elastic Energy Models, In:
Proceedings of the International Conference on Pattern Recognition, pp. 618-621,
Washington, DC, USA, 2006.
[18] ARAUJO, G. M., JNIOR, W. S. S., SILVA, E. A. B., et al., Facial Landmarks Detection
Based on Correlation Filters. In: Proceedings of the IEEE International
Telecommunication Symposium, Manaus, Brazil, October 2010.
[19]
Disponvel em: http://www.bioid.com/support/downloads/software/bioid-facedatabase.html. Acesso em: Agosto de 2011.
[20]

Disponvel em: http://face.nist.gov/colorferet/. Acesso em: Agosto de 2011.

[21]
PHILLIPS, P. J., WECHSLER, H., HUANG, J. RAUSS, P., The FERET database and
evaluation procedure for face recognition algorithms, Journal of Image and Vision
Computing, v. 16, n. 5, pp. 295-306, 1998.