Disciplina de Robôs Móveis Autônomos SSC-5888fosorio/SSC5888/Aula04-RMA-PG.pdf · SSC 5888 (RMA)...
Transcript of Disciplina de Robôs Móveis Autônomos SSC-5888fosorio/SSC5888/Aula04-RMA-PG.pdf · SSC 5888 (RMA)...
1
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
1
Prof. Fernando Santos OsórioProf. Fernando Santos Osório
Email: fosorio [at] { icmc. usp. br , gmail. com }Email: fosorio [at] { icmc. usp. br , gmail. com }
Web: http://www.icmc.usp.br/~fosorio/Web: http://www.icmc.usp.br/~fosorio/
Aula Aula 0404
USP - ICMC - SSC – Pós-Grad. CCMCSSC 5888 (RMA) - 1o. Semestre 2009
Disciplina de
Robôs Móveis Autônomos
SSC-5888
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
2
Aula 04: Visão Computacional
Agenda:
Visão Computacional e Robótica Móvel:
1. Introdução ao Processamento de Imagens
Mapa de Pixels, Amostragem, Quantização, Iluminação,
Histograma, Espaço de Cores, Ferramentas de P.I.
2. Segmentação de Imagens por Cor
Detecção de Cores e Segmentação por Cor
;avegação baseada em Marcas Visuais: Aplicações
3. Classificação de Imagens
Reconhecimento de Gestos, Reconhecimento de Objetos
4. Registro de Imagens
Baseado em Correlação de Pixels (;CC)
Baseado em Atributos e Pontos de Referência (SIFT)
2
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
3
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Mapa de Pixels = Bitmap
Amostragem:
Resolução X-Y
Quantização:
Bits por Pixel
B&W = 1 bit/pixel
Gray Scale (níveis de cinza)= 8 bits/pixel
Palette (falsas cores) = 8 bits/pixel
TrueColor RGB = 24 bits/pixel
RGB + Alfa (Transparência) = 32 bits/pixel
Multi-espectral = Canais de cor
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
4
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Imagens em Tons de Cinza
Lena.bmp
- Histograma
- Brilho
- Contraste
- Formato das Imagens:
BMP, GIF, JPG,
PBM, PGM, PPM,
P;G, ...
Compactação:
- LossLess
- Lossy
3
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
5
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Imagens Coloridas: Falsas Cores (Palette)
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
6
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Imagens Coloridas: Espaço de Cores – RGB, YCM, HSV, ...
4
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
7
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Imagens Coloridas: Espaço de Cores – RGB, YCM, HSV, ...
Brightness, ContrastGamma Correction, SaturationFilters, Convolution, Equalization, ...
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
8
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Imagens Coloridas: Espaço de Cores – RGB
5
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
9
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Imagens Coloridas: Espaço de Cores – HSV
H = HUE = MATIZS = SATURATIONV = VALUE
RGB = Red, Green, Blue
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
10
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Imagens Coloridas: Espaço de Cores – HSV, HSL, Lab, ...
http://jqframework.com/jqcp/
HSV
L a*b*
6
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
11
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Imagens Coloridas: Calibrando as Cores
What you see is not always what you really want to see!
GRETAG MACBETH PATTERN => US$ 90,- !!!
CALIBRAGEM DE CORES...
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
12
Visão Computacional e Robótica Móvel
1. Processamento de Imagens
Ferramentas para o processamentos de Imagens:
Apenas alguns exemplos...
* IrfanView: Simples, rápido, limitado [Windows, Free]
* Gimp: Completo, Inúmeras Opções [Linux, Windows, Open Source]
* MatLab: Ferramenta Profissional [Linux, Windows, Proprietary]
* OpenCV: Ferramenta Profissional [Linux, Windows, Open Source]
7
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
13
Visão Computacional e Robótica Móvel
2. Segmentação de Imagens por Cor
Identificando uma cor alvo em uma imagem...
CONTROLE SERVO - VISUAL
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
14
Visão Computacional e Robótica Móvel
2. Segmentação de Imagens por Cor
Identificando uma cor alvo em uma imagem...
Pico:210Faixa200 - 217
Pico:225Faixa213 - 235
Como identificar uma cor?Pelo valor RGB do Pixel?
CALIBRAR OU ;ÃO CALIBRAR EIS A QUESTÃO!
8
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
15
Visão Computacional e Robótica Móvel
2. Segmentação de Imagens por Cor
Identificando uma cor alvo em uma imagem...CALIBRAR: Modelos Estatísticos
Modelo VRMLDo Espaço de Cores RGBDe um Padrão (Bitmap)
Cada ponto representa acor de um determinado pixel no espaço RGB(agrupados em 5 clusters)
[Bender, Túlio 2003]
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
16
Visão Computacional e Robótica Móvel
2. Segmentação de Imagens por Cor
Identificando uma cor alvo em uma imagem...
OPE;CV
Segmentação no Espaço RGB:Preto => VermelhoBranco => Azul
9
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
17
Visão Computacional e Robótica Móvel
2. Segmentação de Imagens por Cor
Identificando uma cor alvo em uma imagem...
Aplicações:
� Auto-Localização
� Visual Servoing
� Follow-me (Comboio)
� Lane Follow (Seguir marcação)
� Target Tracking
� Robot Soccer
� HCI (Interação Humano-Maq.)
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
18
Visão Computacional e Robótica Móvel
3. Classificação de Imagens
Reconhecimento de Elementos na Imagem
- Reconhecimento de Padrões (Sinalização)
- Reconhecimento de Gestos (Interface)
- Reconhecimento e Tratamento de Imagens
Uso de Técnicas de Reconhecimento de Padrões
- Técnicas estatísticas
- Redes ;eurais ArtificiaisSegmentação de Imagens, Classificação de Padrões
- Placas de Carro- Objetos (cor: assinatura)- Detecção de cor-de-pele- Imagens de Satélite...
10
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
19
3. Classificação de Imagens - Redes ;eurais Artificiais:
Reconhecimento de Padrões
Dissertação de Mestrado: Fernando Santos Osório - UFRGS - PPGCC [1990]Título: "Um Estudo sobre Reconhecimento Visual de Caracteres através de Redes Neurais"
Visão Computacional e Robótica Móvel
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
20
Aplicações de Redes ;eurais Artificiais:
Reconhecimento de Padrões / Classificação / Aproximação Fçs
Original Filtro Convencional Filtro ;eural
Visão Computacional e Robótica Móvel
11
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
21
Aplicações de Redes ;eurais Artificiais:
Reconhecimento de Padrões / Classificação / Aproximação Fçs
Visão Computacional e Robótica Móvel
DETECÇÃO DE TONS DE PELE
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
22
Aplicações de Redes ;eurais Artificiais:
Reconhecimento de Padrões
Bender/Osório 2003, Bittencourt/Osório 2002Ponfac Sistemas de Visão
Visão Computacional e Robótica Móvel
12
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
23
Reconhecimento em Tempo Real: Imagens – Postura das Mãos
Visão Computacional e Robótica Móvel
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
24
Reconhecimento em Tempo Real: Imagens – Postura das Mãos
MatlabAquisição,procesamento e medidas
TreinamentoRNA
[SNNS/C++]
ClassificadorRNA[C++]
Aplicaçãode multidõesde humanosvirtuais [C++]
= Sockets e Memória
Compartilhada
Integração: Aquisição das Imagens, Classificação, Ações
Animando Humanos Virtuais em Tempo-Real usando Visão Computacional e Redes ;eurais elson F. Souza Jr. et al. – IX Symposium on Virtual and Augmented Reality SVR’2007
Visão Computacional e Robótica Móvel
13
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
25
Reconhecimento em Tempo Real: Imagens – Postura das Mãos
1 Reconhecimento de Posturas
2 Extração de Atributos
3 Aprendizado e Classificação ;eural (A;;)
4 Resultados: Rede ;eural
Posturas escolhidas para utilização no experimento
• 5 dedos (mão aberta)
• 0 dedos (mão fechada)
• 1 dedo (indicador)
• 1 dedo (polegar)
• 2 dedos (v – vitória)
• 1 dedo (mínimo)
Aquisição das imagens:
- Aquisição das imagens a partir da Webcam
- Pré-processamento das imagens no MATLAB
-A limiarização e segmentação das imagens
- Extração das referência (métricas/atributos)
Visão Computacional e Robótica Móvel
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
26
Reconhecimento em Tempo Real: Imagens – Postura das Mãos
1 Reconhecimento de Posturas
2 Extração de Atributos
3 Aprendizado e Classificação ;eural (A;;)
4 Resultados: Rede ;eural
Visão Computacional e Robótica Móvel
14
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
27
Reconhecimento em Tempo Real: Imagens – Postura das Mãos
1 Reconhecimento de Posturas
2 Extração de Atributos
3 Aprendizado e Classificação ;eural (A;;)
4 Resultados: Rede ;eural
Extração de Atributos (feições): Procedimentos que, aplicados a uma imagem retornam um valor numérico capaz de diferenciar os tipos de imagens- Histograma Vertical - Histograma Horizontal- Densidade de P/B- Alternância de P/B- Bounding Box
Aquisição das imagens:
- Aquisição das imagens a partir da Webcam
- Pré-processamento das imagens no MATLAB
-A limiarização e segmentação das imagens
- Extração das referência (métricas/atributos)
Visão Computacional e Robótica Móvel
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
28
Reconhecimento em Tempo Real: Postura das Mãos
1 Reconhecimento de Posturas
2 Extração de Atributos
3 Aprendizado e Classificação ;eural (A;;)
4 Resultados: Rede ;eural
Extração de Atributos (feições): Procedimentos que, aplicados a uma imagem retornam um valor numérico capaz de diferenciar os tipos de imagens- Histograma Vertical - Histograma Horizontal- Densidade de P/B- Alternância de P/B- Bounding Box
Aquisição das imagens:
- Aquisição das imagens a partir da Webcam
- Pré-processamento das imagens no MATLAB
-A limiarização e segmentação das imagens
- Extração das referência (métricas/atributos)
Histograma Horizontal
Visão Computacional e Robótica Móvel
15
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Extração de Atributos (feições): Procedimentos que, aplicados a uma imagem retornam um valor numérico capaz de diferenciar os tipos de imagens- Histograma Vertical - Histograma Horizontal- Densidade de P/B- Alternância de P/B- Bounding Box
Aquisição das imagens:
- Aquisição das imagens a partir da Webcam
- Pré-processamento das imagens no MATLAB
-A limiarização e segmentação das imagens
- Extração das referência (métricas/atributos)
Abr. 2009
29
Reconhecimento em Tempo Real: Postura das Mãos
1 Reconhecimento de Posturas
2 Extração de Atributos
3 Aprendizado e Classificação ;eural (A;;)
4 Resultados: Rede ;euralHistograma Vertical
Visão Computacional e Robótica Móvel
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
30
Reconhecimento em Tempo Real: Imagens – Postura das Mãos
1 Reconhecimento de Posturas
2 Extração de Atributos
3 Aprendizado e Classificação eural (A )
4 Resultados: Rede ;eural
Entradas adotadas: Atributos das imagensAtributos das imagens10 projeções verticais10 projeções horizontais Dimensões da largura e altura do bounding box
Base de treinamento e teste/validação do classificador:22 entradas e 1 saída (a sua respectiva classe (1 dentre as 6 posturas)600 exemplos (imagens) - 420 de treino (70%) e 180 de validação (30%)70 exemplos de cada classe = 70 x 6 = 420 exemplos na base de treino
Rede Neural: 22-22-6 (22 Input, 22 Hidden, 6 Output)Aprendizado: RProp (Resilent Propagation ~ BackProp acelerado)
Visão Computacional e Robótica Móvel
16
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
31
Reconhecimento em Tempo Real: Imagens – Postura das Mãos
1 Reconhecimento de Posturas
2 Extração de Atributos
3 Aprendizado e Classificação ;eural (A;;)
4 Resultados: Rede eural
Taxa média de acertos - aprendizado : 99,95% Taxa média de erro - abaixo de 0,05%. Taxa de acertos (treino/teste):muito próxima a 100%
Visão Computacional e Robótica Móvel
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
32
Reconhecimento em Tempo Real: Imagens – Postura das Mãos
1 Reconhecimento de Posturas
2 Extração de Atributos
3 Aprendizado e Classificação ;eural (A;;)
4 Resultados: Rede eural
Taxa média de acertos - aprendizado : 99,95% Taxa média de erro - abaixo de 0,05%. Taxa de acertos (treino/teste):muito próxima a 100%
Visão Computacional e Robótica Móvel
17
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
33
Proc. Imagens / Visualização 3D
Visão Computacional e Robótica Móvel
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Abr. 2009
34
ARToolKit:
Reconhecimento de Padrões – Marcas Fiduciais
Visão Computacional e Robótica Móvel
http://www.hitl.washington.edu/artoolkit/
18
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
35
Visão Computacional e Robótica Móvel
3. Classificação de Imagens
Reconhecimento de Imagem / CBIR
Bases de Dados
> COIL - Columbia Object Image Library
> ALOI - Amsterdam Library of Object Images
http://www.cs.cmu.edu/~cil/v-images.html
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
36
Visão Computacional e Robótica Móvel
4. Registro de Imagens
Comparação Pixel-a-Pixel
Correlação de Imagens
> ;CC: ;ormalized Cross-Correlation => MATLAB
Extração de Atributos (Features)
> SIFT Features: Scale Invariant Feature Transform
19
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Navegação Visual Autônoma (Visual Navigation)
ImagemAtual
Próxima Imagem
Base de Imagens: Seqüência de Deslocamentos
Imagemcapturadapelo robô
NCC(match)
ImagemAtual
Próxima Imagem
Base de Imagens: Seqüência de Deslocamentos
Imagemcapturadapelo robô
NCC(match)
Navegação baseada em Imagens Monocromáticas [Jones et al. 1997]
Algoritmo: NCC – Normalized Cross-Correlation
Visão Computacional e Robótica Móvel
Maio 2009
37
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
[Righes 2004, 2005]
ICR:Imagem CapturadaPelo Robô
Navegação Visual: NCC – Normalized Cross-Correlation
[Matsumoto et al. 1996]
Matlab Code
IR:Imagem de Referência
Visão Computacional e Robótica Móvel
Maio 2009
38
20
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
[Righes 04]
Visão Computacional e Robótica Móvel
Maio 2009
39
Navegação Visual: NCC – Normalized Cross-Correlation
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Using Omnidirectional Cameras
Visão Computacional e Robótica Móvel
Navegação Visual: NCC – Normalized Cross-Correlation
Maio 2009
40
21
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Visão Computacional e Robótica Móvel
Navegação Visual: SIFT – Scale Invariant Feature Transform
SIFT : http://www.cs.ubc.ca/~lowe/keypoints/
Matthew Brown http://www.cs.ubc.ca/~mbrown/
AutoStitch: http://www.cs.ubc.ca/~mbrown/autostitch/autostitch.html
Panoramas: http://osorio.wait4.org/oldsite/vr/panorama/list.html
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Mobile Robot Localization and Mapping with Uncertainty using Scale-Invariant Visual Landmarks
Stephen Se, David Lowe, Jim Little (UBC, CA)
Algoritmo:SIFT
ReferenceInt. Journal of Robotics ResearchVol. 21, ;o. 8, August 2002, pp. 735-758,
OpenCVOpenCV
Visão Computacional e Robótica Móvel
Navegação Visual: SIFT – Scale Invariant Feature Transform
22
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Sistema de Visão para Veículos Aéreos Não Tripulados
Correlação entreimagem de satélitee imagem aérea (helicóptero)
Resultados não foram bons !
Mas...
Visão Computacional e Robótica Móvel
Navegação Visual: SIFT – Scale Invariant Feature Transform
Maio 2009
43
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Referencial
Correlação entre imagensdo helicóptero(cruzamento da rota)
Sistema de Visão para Veículos Aéreos Não Tripulados
Visão Computacional e Robótica Móvel
Navegação Visual: SIFT
Maio 2009
44
23
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Referêncial e Deslocamento
Correlação entre imagens do helicóptero (cruzamento da rota)
Sistema de Visão para Veículos Aéreos Não Tripulados
Visão Computacional e Robótica Móvel
Navegação Visual: SIFT
Maio 2009
45
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Referêncial e Deslocamento
Correlação entre imagensdo helicóptero(cruzamento da rota)
Sistema de Visão para Veículos Aéreos Não Tripulados
Visão Computacional e Robótica Móvel
Navegação Visual: SIFT
Maio 2009
46
24
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Visão Computacional e Robótica Móvel
SIFT: Qual é o truque?
Abordagem Multi-Escala
Descritor Local = Assinatura do pixel!
Maio 2009
47
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Visão Computacional e Robótica Móvel
Maio 2009
48
5. Processamento de Imagens: Aplicação em Robótica
- Segmentação por Cor
- Reconhecimento e Classificação de Padrões
- Registro de Imagens:
> Correlação
> Pontos de Interesse
25
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
49
Referências: Planejamento e ;avegação
Referências – Processamento de Imagens:
>> Ferramentas* OpenCV* MATLAB* ARToolKit
>> Algoritmos * Segmentação por Cor* Reconhecimento de Padrões: RNA* NCC* SIFT
>> Bases de Imagens* COIL* ALOI
USP – ICMC – SSC5888 - Turma 2009/1Robôs Móveis Autônomos (PG_CCMC)Prof. Fernando Osório
Maio 2009
50
I;FORMAÇÕES SOBRE A DISCIPLI;A
USP USP -- Universidade de São Paulo Universidade de São Paulo -- São Carlos, SPSão Carlos, SPICMC ICMC -- Instituto de Ciências Matemáticas e de Computação Instituto de Ciências Matemáticas e de Computação
SSC SSC -- Departamento de Sistemas de ComputaçãoDepartamento de Sistemas de Computação
Prof. Fernando Santos OSÓRIOProf. Fernando Santos OSÓRIO
Web institucional: Http://www.icmc.usp.br/ssc/Web institucional: Http://www.icmc.usp.br/ssc/
Página pessoal: Http://www.icmc.usp.br/~fosorio/Página pessoal: Http://www.icmc.usp.br/~fosorio/
EE--mailmail: : fosoriofosorio [[atat] ] icmcicmc. . uspusp. . brbr ou ou fosoriofosorio [[atat] ] gmailgmail. com. com
Disciplina de Robôs Móveis AutônomosDisciplina de Robôs Móveis Autônomos
Web Disciplinas: Http://www.icmc.usp.br/~fosorio/Web Disciplinas: Http://www.icmc.usp.br/~fosorio/
Web Web CoTeiaCoTeia: Http://coteia.icmc.usp.br/mostra.: Http://coteia.icmc.usp.br/mostra.phpphp??identident=575=575
> Programa, Material de Aulas, Critérios de Avaliação,> Programa, Material de Aulas, Critérios de Avaliação,
> Material de Apoio, Trabalhos Práticos> Material de Apoio, Trabalhos Práticos