Académique Documents
Professionnel Documents
Culture Documents
Móveis.
Christien Lana Rachid1, Ana Amélia de Souza Pereira2
1,2
Ciência da Computação – Universidade Presidente Antônio Carlos (UNIPAC)
36.500-000 – Ubá – MG – Brasil
christienrachid@gmail.com, aamelia.mg@gmail.com
__________________________
1
http://www.anatel.gov.br
2
http://www.gartner.com/it/page.jsp?id=498310
3
http://research.microsoft.com/en-us/
4
http://www.technologyreview.com/Infotech/18368/
O servidor, então roda um algoritmo chamado SIFT(Scale-Invariant Feature
Transform) ou SURF(Speeded Up Robust Features) que encontra informações
relevantes e envias de volta ao celular. Estes algoritmos utilizam milhares de pontos de
referencia, capazes de analisar características físicas e retornar resultados precisos.
O uso de um servidor central é importante porque é difícil armazenar um banco
de dados muito grande em um celular, além de ser difícil também propor um software
genérico para qualquer marca e modelo, explicou Krystian Mikolajczyk5, da
Universidade de Surrey, na Inglaterra.
O objetivo deste artigo é fazer uma comparação entre técnicas de detecção de
imagens, como por exemplo, comparar métodos dos algoritmos SIFT e SURF e verificar
a eficiência destes, analisando a complexidade computacional com relação ao tempo de
execução que eles gastarão. Com o aumento da velocidade dos computadores, torna-se
cada vez mais importante desenvolver algoritmos mais eficientes, devido ao aumento
constante do tamanho dos problemas a serem resolvidos. Na seção dois é tratado um
pouco sobre as duas tecnologias. Já na seção três e demonstrado a diferença entre os
métodos utilizados pelas duas linguagens em seus diferentes algoritmos. Finalizando o
artigo na seção quatro e mostrado as conclusões e trabalhos futuros.
2.1. SIFT
Proposta por [DAVID, 2004], a técnica SIFT, é um algoritmo que analisa a imagem e
cria uma assinatura que descreve a figura sucintamente, utilizando uma pequena
quantidade de dados. Ela informa a posição relativa dos pixels e a intensidade de uma
determinada característica na imagem. Em uma foto de um rosto, por exemplo, são
agrupadas as características dos olhos, boca e nariz.
Originalmente proposta para o reconhecimento de objetos, atualmente possui
diversas aplicações como a navegação de robôs, a modelagem 3D, o reconhecimento de
gestos e a detecção de imagens e vídeos parecidos. O SIFT transforma uma imagem
numa larga coleção de vetores de características, cada uma invariante a translação,
escala, rotação, razoavelmente invariáveis a mudanças de iluminação, ruído de imagem
e pequenas mudanças de perspectivas.
Esses vetores de características são chamados de descritores, que são utilizadas
para comparar regiões em imagens diferentes. Utilizando esta técnica, pode se encontrar
correspondências ponto a ponto entre duas imagens.
_____________________
5
http://info.ee.surrey.ac.uk/Personal/K.Mikolajczyk/
A técnica de SIFT gera um grande numero de descritores que conseguem cobrir
densamente uma imagem quanto à escala localização[ DREWS JR, 2007].
A Obtenção de descritores SIFT é feita através das seguintes etapas:
• Detecção de Extremos;
• Localização de pontos chaves;
• Definição de Orientação;
• Descritor dos pontos chave.
2.2. SURF
Proposto recentemente por [HERBERT, 2006] o algoritmo SURF. É um sólido detector
de pontos de interesse em imagens, inspirado parcialmente no SIFT, visando um menor
custo computacional com bom desempenho. O algoritmo é composto por três etapas:
• Criação da Integral da Imagem;
• Determinação de Pontos de Interesse através da Fast- Hessian;
• Criação do Descritor de Cada Ponto-chave.
O SURF usa, uma abordagem semelhante ao SIFT, considerando a distância
euclidiana e a razão com a segunda menor distância.
Aproxima-se ou mesmo supera propostas anteriores no que diz respeito à
repetibilidade, à clareza, e a robustez. Construído sobre os pontos fortes dos líderes
atuais em detectores. Os autores propõem 3 versões do descritor do ponto, porém o
método de extração é o mesmo para todos.
4. Considerações Finais
Este artigo propõe a comparação dos métodos descritores dos algoritmos SIFT e SURF e
verifica a eficiência destes, analisando a complexidade computacional com relação ao
seu tempo de execução.
A utilização do cálculo da distância euclidiana entre vetores que representam
descritores de pontos gerados pelo SIFT mostrou-se bastante eficiente, porém bem mais
lento. O SURF apresentou ótimo desempenho e precisão
Trabalhos futuros concentram-se em pesquisas de algoritmos precisos e com
baixo custo computacional, em implementações otimizadas utilizadas em dispositivos
moveis.
5. Referências
DAVID. G. Lowe. Distinctive image features from scale-invariant keypoints. Int. J.
Comput. Vision, 2004.
DREWS JR, P. L. J. ; BOTELHO, S. S. C. ; MEDEIROS, M. M. ; CENTENO, T. M. .
Using SIFT Algorithm for visual-based Localization in Multi-AUVs Fleet. In: Simpósio
Brasileiro de Automação Inteligente, 2007, Florianópolis. Anais do SBAI 2007.
DREWS JR, P. L. J. ; BOTELHO, S. S. C. . Uma Abordagem Baseada em Visão
Computacional para Localização e Mapeamento Simultâneos de Robôs Subaquáticos.
REIC. Revista Eletrônica de Iniciação Científica, v. VIII, p. 6, 2008.
ERIC CHU, Erin Hsu, Sandy Yu, Image-guided tours: fast-approximated Sift with U-
Surf Features, Stanford University, 2008.
HERBERT BAY, Tinne Tuytelaars, and Luc Van Gool. Surf: Speeded up robust
features. In Ninth European Conference on Computer Vision, 2006.
HAMID AGHVAMI, Alex Brand, editor. ... guide: Fast and robust recognition of
museum objects. First International Conference on Mobile Vision, 2006.
K. MIKOLAJCZYK and C. Schmid. A performance evaluation of local descriptors.
IEEE Transactions on Pattern Analysis e Machine Intelligence, 2005.
RUF BORIS; Kokiopoulou,Effrosyni; Detyniecki, Marcin; Mobile museum guide based
on fast SIFT recognition, 6th International Workshop on Adaptive Multimedia
Retrieval, Berlin, Germany, 2008.