Visão por Computador

Código:

EIC0104

Sigla:

VCOM

Áreas Científicas
Classificação	Área Científica
OFICIAL	Interação e Multimédia

Ocorrência: 2020/2021 - 2S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado Integrado em Engenharia Informática e Computação

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MIEIC	66	Plano de estudos a partir de 2009/10	4	-	6	42	162

Língua de trabalho

Português

Objetivos

A visão por computador é uma área da ciência da computação focada na extracção de "informação útil" de imagens e vídeos. O objectivo da visão por computador é "descobrir a partir de imagens o que está presente no mundo, onde estão localizadas as coisas, que acções estão a ser executadas" (Marr,1982). Exemplos de "informação útil" incluem, por exemplo, o cálculo da geometria 3D de um objecto presente numa imagem, a detecção e identificação de faces ou de gestos humanos, o seguimento de pessoas ou de veículos numa sequência de vídeo. Os algoritmos da visão por computador têm imensas aplicações em muitas áreas, desde a industrial, militar ou médica até à sempre crescente área do entretenimento.

Este curso é uma introdução aos conceitos e métodos da visão por computador, adaptada aos estudantes do MIEIC que pretendam prosseguir investigação nesta área. Os principais tópicos a tratar incluem: o processo de formação de imagens, métodos básicos de processamento e análise de imagem, bem como métodos mais avançados de reconstrução 3D de uma cena, análise de movimento, aprendizagem automática / deep learning e reconhecimento de objectos. 

Resultados de aprendizagem e competências

Os estudantes que concluírem este curso com sucesso deverão:

• compreender e ser capazes de explicar os conceitos da visão por computador e os algoritmos fundamentais de manipulação de imagens e sequências de vídeo;

 

• conhecer e ser capazes de aplicar esses algoritmos em situações práticas;

 

• adquirir conhecimentos que lhes permitam usar uma biblioteca, como a OpenCV, que implementa alguns dos algoritmos estudados, e implementar novos algoritmos descritos na literatura;

 

• ser capazes de analisar e compreender artigos científicos seleccionados nas áreas de processamento e análise de imagem e de visão por computador.

 

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Recomenda-se a frequência com aproveitamento de Programação, Algoritmos e Estruturas de Dados, e Álgebra.

Programa

Introdução à visão por computador

Aquisição de imagens digitais

• imagens de intensidade (2D) e de distância/posição (3D)
• modelo geométrico e radiométrico de uma câmara

Processamento e análise de imagens de intensidade

• filtragem
• extracção de características
• segmentação

Calibração geométrica de uma câmara e estereoscopia

• métodos de calibração
• geometria epipolar
• correspondência de pontos

Reconhecimento de objetos

• selecção de características
• descrição baseada em características locais invariantes
• estabelecimento de correspondência

Aprendizagem automática

• clustering
• classificação
• generalização de modelos

Deep Learning

• redes neuronais
• convolutional neural networks (CNNs)
• deteçao e segmentação (modelos R-CNN e YOLO)
• visualização de CNNs
• geração de imagens (modelos GAN)

Movimento

• estimação de movimento

Estudo de casos

Bibliografia Obrigatória

Richard Szeliski; Computer vision, 2011. ISBN: 978-1848829350
Adrian Kaehler, Gary Bradski; Learning OpenCV 3: Computer Vision in C++ with the OpenCV Library, O'Reilly Media, 2017. ISBN: 978-1491937990

Bibliografia Complementar

David A. Forsyth, Jean Ponce; Computer vision. ISBN: 0-13-085198-1
Robert M. Haralick, Linda G. Shapiro; Computer and Robot Vision. ISBN: 0 201 10877 1(vol.1)
Mubarak Shah; Fundamentals of computer vision
ULL; Introductory techniques for 3 D computer vision

Métodos de ensino e atividades de aprendizagem

• Aulas Teórico-Práticas: Exposição e discussão das matérias do programa, acompanhada pela resolução de exercícios.

• Trabalhos práticos: Desenvolvimento de projectos de aplicação das técnicas de visão por computador estudadas.

Software

OpenCV

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Trabalho laboratorial	50,00
Teste	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Estudo autónomo	70,00
Frequência das aulas	42,00
Trabalho laboratorial	50,00
Total:	162,00

Obtenção de frequência

Condições para obtenção de frequência: Não exceder o limite de faltas estabelecido pelas Normas e obter uma classificação mínima de 40% na avaliação distribuída.

Fórmula de cálculo da classificação final

Avaliação distribuída, incluindo projetos (PR) e minitestes (MT)

PR - Durante o semestre, são apresentados 2 projectos que os estudantes desenvolverão tanto nas aulas teórico-práticas, como fora das aulas. Para o último projecto, cada grupo apresentará um pequeno relatório, em formato de artigo, e o projecto será apresentado oralmente. PR = PR1 * 0.5 + PR2 * 0.5

MT - Serão realizados 2 minitestes escritos, que abordam a parte teórica da matéria abordada nas aulas. MT = MT1 * 0.5 + MT2 * 0.5

PR e MT são especificadas numa escala de 0 a 20 valores.

Classificação = PR * 0.5 + MT * 0.5

Prova oral: sempre que a equipa docente achar necessário, o estudante poderá ser submetido a uma prova oral. Nesta situação, a classificação final será dada pela média aritmética da classificação calculada pela fórmula anterior e da classificação da prova oral

Exame de recurso: o exame de recurso substitui apenas a nota da componente MT.

Observações: 1- É condição de aprovação a obtenção de uma classificação mínima de 40% na componente MT. 2- Se, por decisão dos docentes, não ocorrer algum dos projectos, a cotação correspondente será redistribuída pelos restantes elementos de avaliação.

Provas e trabalhos especiais

Ver PR, em Componentes de avaliação.

Avaliação especial (TE, DA, ...)

Os alunos com estatuto especial, embora possam estar dispensados da frequência das aulas práticas, estão sujeitos às mesmas condições de avaliação dos alunos regulares, isto é, devem realizar e submeter os trabalhos práticos nos períodos e datas estabelecidos para os restantes alunos.

Melhoria de classificação

A classificação de frequência pode ser melhorada na ocorrência seguinte desta unidade curricular. A classificação de minitestes escritos pode ser melhorada nas épocas legalmente previstas.

Observações

Devido às limitações do contexto atual provocado pela COVID-19, se não for possível realizar os minitestes, estes serão substituídos por um exame final. A fórmula de cálculo da classificação manter-se-á igual:



Classificação = PR * 0.5 + Exame * 0.5