DC-UFRPE/Bacharelado em Ciência da Computação/Visão Computacional

Nome:	VISÃO COMPUTACIONAL
Código:	14704
Departamento	Departamento de Computação (DC)
Área	Inteligência Artificial, Álgebra Linear, Processamento de Imagens
Carga-horária total	60h (30h CH Teórica / 30 CH Prática)
Créditos	4
Pré-requisitos	06418 - ÁLGEBRA VETORIAL E LINEAR PARA COMPUTAÇÃO 14117 - INTRODUÇÃO À PROGRAMAÇÃO I

Ementa

• Visão geral, história e introdução à visão computacional.
• Pirâmide e aplicações.
• Detecção de bordas e cantos.
• Segmentação.
• Descrição de objetos.
• Reconhecimento de objetos.
• Ajuste de modelos.
• Câmeras, coordenadas e calibração.
• Visão estéreo.
• Múltiplas visões.
• Rastreamento.

Objetivos

Abordar conceitos básicos e algoritmos relacionados à área de Visão Computacional, permitindo que os alunos experimentem na prática os conhecimentos obtidos.

Conteúdo Programático

• Apresentação da disciplina
• Fundamentos de imagem
• OpenCV
• Processamento de imagens operadores de ponto e vizinhança
• Processamento de imagens formas, pirâmides, wavelets, transformações geométricas
• Extração de características
• Casamento de características
• Calibração de câmera e estimação de pose
• Reconstrução 3D
• Análise de movimento e rastreamento de objetos
• Detecção de objetos
• Criação de projeto

Bibliografia

Básica

1. DAVIES, E. Computer and machine vision: theory, algorithms, practicalities. 4. ed. Academic Press, 2012. 912 p

2. KLETTE, R. Concise computer vision: an introduction into theory and algorithms. Springer, 2014. 429 p.

3. SZELISKI, R. Computer vision: algorithms and applications. 1. ed. Springer, 2010. 812 p.

Complementar

BÁSICA 1. DAVIES, E. Computer and machine vision theory, algorithms, practicalities. 4. ed. Academic Press, 2012. 912 p. 2. KLETTE, R. Concise computer vision an introduction into theory and algorithms. Springer, 2014. 429 p. 3. SZELISKI, R. Computer vision algorithms and applications. 1. ed. Springer, 2010. 812 p. COMPLEMENTAR 1. NIXON, M.; AGUADO, A. Feature extraction image processing for computer vision. 3. ed. Academic Press, 2012. 632 p. 2. SONKA, M.; HLAVAC, V.; BOYLE, R. Image processing, analysis, and machine vision. 4. ed. Cengage Learning, 2014. 912 p. 3. PRINCE, S. Computer vision models, learning, and inference. 1. ed. Cambridge University Press, 2012. 598 p. 4. FACELI, K.; LORENA, A.; GAMA, J.; CARVALHO, A. Inteligência artificial uma abordagem de aprendizado de máquina. 1. ed. LTC, 2011. 394 p. 5. PARKER, J. Algorithms for image processing and computer vision. 2. ed. Wiley, 2010. 504 p.