Visão por Computador

Código:

MECD09

Sigla:

VC

Áreas Científicas
Classificação	Área Científica
CNAEF	Ciências informáticas

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Eletrotécnica e de Computadores
Curso/CE Responsável:	Mestrado em Engenharia e Ciência de Dados

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
MECD	21	Plano de estudos Oficial	2	-	6	42	162

Língua de trabalho

Português - Suitable for English-speaking students

Objetivos

A visão por computador aborda a extração de informação útil de imagens e vídeos. Exemplos incluem, por exemplo, a deteção 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 e médica. Esta UC é uma introdução aos conceitos e métodos da visão por computador. Os estudantes que concluírem esta UC com sucesso deverão:

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

-conhecer e serem 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 selecionados nas áreas de visão por computador.

Resultados de aprendizagem e competências

As metodologias de ensino e de aprendizagem visam o desenvolvimento integrado nos estudantes dos conhecimentos referidos nos conteúdos programáticos e a concretização dos objetivos e competências estabelecidos. A diversidade de metodologias propostas tem por objetivo potenciar as capacidades e competências estabelecidas, procurando evidenciar diferentes níveis de análise, fomentando a integração de saberes. Os métodos e estratégias propostos pretendem desenvolver nos estudantes conhecimentos, compreensão e competências ao nível das técnicas de visão computacional.

As competências genéricas de trabalho em equipa, organização, etc. irão ser trabalhadas no projeto em grupo.

De igual forma, as capacidades de desenvolver sistemas de visão computacional de acordo com as necessidades existentes e aplicar as ferramentas tecnológicas mais apropriadas, conhecer, aplicar e avaliar modelos avançados de visão computacional irão ser trabalhadas nos exercícios semanais e projeto de grupo.

As competências específicas em técnicas de visão computacional irão sendo trabalhadas durante o semestre, nas aulas teórico-práticas.

Modo de trabalho

Presencial

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

Prática de programação.

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

    filtragem no domínio dos tempos

    filtragem no domínio das frequências

    extração de características

    segmentação

Reconhecimento de objetos

    Análise de objetos

    Medição de características

    Representação de objetos

    seleção de características

    descrição baseada em características locais invariantes

    sistemas de aprendizagem

    representação aprendidas a partir dos dados

Geometria multipla imagem

Movimento e seguimento

    estimação de movimento

    seguimento baseado em modelos lineares

Estudo de casos

Bibliografia Obrigatória

Richard Szeliski; Computer vision. ISBN: 978-1-84882-935-0 (https://catalogo.up.pt:443/F/?func=direct&doc_number=000556119&local_base=UPB01)
David A. Forsyth; Computer vision. ISBN: 0-13-085198-1

Observações Bibliográficas

Prince, S. J. (2012). Computer vision: models, learning, and inference. Cambridge University Press.

 Forsyth, D. A., & Ponce, J. (2003). A modern approach. Computer vision: a modern approach, 88-101.

Haralick, R. M., & Shapiro, L. G. (1992). Computer and robot vision. Addison-wesley.

 (vol.1)

Shah, M. (1997). Fundamentals of computer vision. University of Central Florida.

Szeliski, R. (2010). Computer vision: algorithms and applications. Springer Science & Business Media.

Bradski, G., & Kaehler, A. (2008). Learning OpenCV: Computer vision with the OpenCV library. " O'Reilly Media, Inc.".

Artigos recentes das conferências e revista de referência na área: CVPR, ICCV, ECCV, IEEE TIP, PR, PRL, International Journal of 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 projetos de aplicação das técnicas de visão por computador estudadas.

Durante o semestre, são apresentados 2 projetos que os estudantes desenvolverão tanto nas aulas teórico-práticas, como fora das aulas. Para o último projeto, cada grupo apresentará um pequeno relatório, em formato de artigo, e o projeto será apresentado oralmente.

O exame final vale 50% da classificação final. Os projetos valem os restantes 50%.

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Participação presencial	10,00
Apresentação/discussão de um trabalho científico	40,00
Teste	50,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Apresentação/discussão de um trabalho científico	2,00
Elaboração de projeto	45,00
Estudo autónomo	35,00
Frequência das aulas	42,00
Total:	124,00

Obtenção de frequência

-- Regulamentos da UP
-- Realização e apresentação do trabalho pratico.
-- Nota mínima de 8.00 (oito) valores

Fórmula de cálculo da classificação final

CF (100%) = 40%Project_1 + 50% Project_2 + 10% Professor Opinion

IF (TP>=8.00) THEN
       CF =TP
ELSE
       CF=RFC /* reprovado por falta de componente */
END_IF


Final grade = 50% CF + 50% Test

Provas e trabalhos especiais

Os alunos que não tenham realizado a componente prática durante o período letivo, terão que realizar um trabalho equivalente.

Avaliação especial (TE, DA, ...)

Regulamentos da UP.

Melhoria de classificação

A classificação da parte prática não é susceptível de melhoria no mesmo ano letivo