Face Detection Techniques based on K-means clustering and filtering

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Face Detection Techniques based on K-means clustering and filtering"

Transcript

1 1 Face Detection Techniques based on K-means clustering and filtering Roberto Aloi Università degli Studi di Catania Corso di Laurea Specialistica in Ingegneria Informatica Abstract Un problema comune nell ambito dell analisi delle immagini digitali è quello relativo alla localizzazione ed al riconoscimento di oggetti di forma nota all interno di una immagine data. In particolare, notevoli sforzi sono stati dedicati al tentativo di sviluppare degli algoritmi efficaci in grado di individuare volti umani all interno di immagini digitali e di identificarli, magari sfruttando un database di volti noti. Nel corso di questo articolo, analizzeremo e studieremo un algoritmo originale in grado, per l appunto, di identificare volti umani all interno di immagini digitali sfruttando le tecniche del K-means Clustering e di una successione appropriata di filtraggi applicati all immagine di partenza. E in corso un tentativo di integrazione dell algoritmo sopracitato con il ben noto pacchetto software ASM (Active Shape Models) sviluppato da Ghassam Hamarneh presso l Image Analysis Group del Department of Signals and Systems at Chalmers University of Technology ed in grado di individuare boundaries di oggetti all interno di immagini digitali sfruttando informazioni a priori ed un certo grado di conoscenza base relativo alla forma dell oggetto da individuare. Index Terms Face Detection, Face Recognition, Computer Vision, K-means Clustering, Image Filtering, Active Shape Models, Skin Color. I. INTRODUZIONE La necessità di tecnologie alternative nell ambito dell interazione uomo-macchina è ormai un dato di fatto ed è normale aspettarsi un interesse sempre crescente da parte delle comunità ed industrie informatiche in questo settore, nel corso dei prossimi anni. Svariati sono i campi in cui ci si sta muovendo per rendere maggiormente liberi gli utenti da una interazione di tipo manuale, basandosi, invece, su interfacce user friendly, semplici, efficaci e, soprattutto, intuitive. Gesture recognition, multimedialità e multimodalità, face detection e face recognition, videoconferencing, hand detection, speech recognition sono soltanto alcuni dei possibili campi di sviluppo in questo senso. Nella seguente tabella, sintesi di un noto lavoro di W.Zhao et al.[16], vengono raccolte alcune delle principali applicazioni basate proprio sulle operazioni di face detection e face recognition, suddivise per area d interesse. TABLE I APPLICAZIONI TIPICHE RELATIVE A face detection/recognition Area d interesse Biometria Sicurezza delle informazioni Sorveglianza Smart Cards Controllo degli accessi Applicazioni Patenti di guida controllo delle immigrazioni passaporti registrazione dei votanti Desktop logon file encryption Intranet security Internet access Video sorveglianza avanzata portal control suspect tracking and investigation Stored Value security user authentication Facility access vehicular access In quest articolo ci soffermeremo sullo studio delle operazioni di face detection e di face recognition, due punti critici per una lunga serie di applicazioni, che svariano dal campo della bioingegneria a quello della sicurezza informatica, passando per applicativi come il desktop logon basato su riconoscimento facciale ed il controllo automatizzato delle immigrazioni.

2 2 II. STATO DELL ARTE Numerosi sforzi sono stati compiuti negli ultimi anni relativamente al problema della object recognition ed a quello, ad esso direttamente collegato, della object detection[6][7]. Una branca particolare di questi studi ha poi concentrato l attenzione sul rilevamento e sul riconoscimento di volti umani all interno di immagini o video[16]. A causa della natura intrinseca del problema, non soltanto i ricercatori informatici, ma anche psicologi e neurologi si sono interessati in questo senso. L opinione generale è, infatti, che ricerche avanzate nel campo della computer vision possano contribuire alla ricerca sul modo di funzionare del cervello umano e viceversa. Entrando nel merito degli studi relativi alle cosiddette operazioni di face detection, partiamo subito con una definizione chiarificatoria. Il problema della Face Detection può essere sintetizzato come segue: Dati un immagine o uno stream video, verificare la presenza di uno o più volti umani al loro interno. Svariati sono i modi utilizzabili per il rilevamento di un volto all interno di una scena, differenti per complessità ed efficacia. Una prima distinzione va fatta proprio sul tipo della scena analizzata. L operazione di face detecting, infatti, potrà essere effettuata sia su un immagine di tipo statico (un semplice file.jpg o.bmp, tanto per intenderci), sia su filmati di varia lunghezza (file.mov,.mpg,.avi, etc.). Chiaramente, sarà sempre possibile trovarsi in un caso intermedio, nel quale si potrà analizzare un fotogramma (immagine statica) estrapolata da un video di partenza. Cominciamo con l affermare che, a differenza di come si potrebbe facilmente ritenere, non è detto che un operazione di face detecting sia più facile da effettuare su un immagine statica, piuttosto che su un intero video. Molto dipende, infatti, dalle caratteristiche stesse del video o dell immagine e dalle tecniche utilizzate e, a discapito delle apparenze, in alcuni casi potrebbe risultare molto più semplice ed efficace analizzare uno stream video piuttosto che una semplice immagine o fotogramma. Una ulteriore considerazione va fatta sul tipo di sfondo dell immagine/video analizzato. Mentre alcune immagini, infatti, sono caratterizzate da sfondi perfettamente uniformi, in alcuni casi potrebbe rivelarsi necessario lavorare con sfondi altamente complessi ed eterogenei. Allo stesso modo, particolare attenzione dovrà essere prestata a caratteristiche quali la presenza o l assenza di colori nell immagine campione o la risoluzione; caratteristiche che, com vedremo tra breve, influiranno pesantemente sul tipo di tecnica utilizzabile per le operazioni di face detecting. Il caso più semplice che si possa presentare è, chiaramente, costituito da immagini statiche caratterizzate da uno sfondo controllato (monocromatico). Nel caso di immagini a colori, l applicazione di banali filtri cromatici sarà, con ogni probabilità, in grado di evidenziare i confini del volto ricercato. Nel caso di immagini in toni di grigio, sarà, poi, possibile agire direttamente su contrasti e sulla eliminazione di alcune tonalità della scala di grigio, per separare il volto dal resto dell immagine. In entrambi i casi, numerose varianti saranno possibili per un ottimizzazione dei risultati ottenuti. Nel caso di sfondi particolarmente complessi, poi, i metodi più diffusi per il rilevamento di un volto all interno di una immagine si basano su processi di segmentazione dell immagine, in grado di scindere il volto dal resto dell immagine. Uno dei primi metodi di segmentazione dell immagine è stato presentato nel 1998 da Terillon[10]. Innumerevoli sono, oggi, le varianti e le ottimizzazioni di tale meccanismo. Ad esempio, sarà possibile rintracciare i segmenti di interesse all interno dell immagine di partenza sfruttando informazioni relative al typical skin color, ovvero al colore tipico dei volti umani[11] o su classificazioni dei singoli pixels[14]. Purtroppo, approcci di questo tipo hanno i difetti di non poter funzionare su tutti i tipi di colore della pelle e di rivelarsi poco robusti in condizioni particolari di luminosità variabile. A questo proposito, Stoerring et al.[5] hanno sviluppato alcuni sistemi con lo scopo di superare proprio tali limiti. Nel caso dell analisi di stream video per il rilevamento di volti, le tecniche adottate differiscono notevolmente da quelle sopra citate.

3 3 In questi casi, infatti, risulta più agevole ragionare per movimento, piuttosto che per colore. Un volto, nella realtà, è praticamente sempre in movimento. Ciò che, idealmente, andrebbe fatto, sarebbe rintracciare più o meno esattamente la zona relativa al volto a seconda dei movimenti rilevati. Chiaramente, problemi possono sorgere nel caso di oggetti presenti sulla scena che compiono movimenti simili a quelli di un volto umano. Un approccio originale è stato adottato da P. Reignier[12], che ha tentato di rilevare i volti all interno di video basandosi sul fatto che gli occhi dell uomo si aprono e si chiudono contemporaneamente e, di conseguenza, sulla costruzione di un blink detector. Ovviamente, saranno sempre possibili alcune vie di mezzo tra un approccio basato sul colore ed uno basato sul movimento. Darrell et al.[15] hanno sviluppato un sistema di rilevazione facciale basato su stereo, color and pattern detection, in cui le informazioni stereo servono ad isolare gli utenti dagli altri oggetti, delle analisi sul colore della pelle consentono di identificare le singole parti del corpo e la faccia viene rilevata mediante un processo di tracking basato su pattern noti. Ancora, algoritmi basati su reti neurali o su algoritmi genetici sono stati utilizzati per il rilevamento dei volti umani all interno di immagini o video digitali. Un alternativa potrebbe, poi, essere quella di inserire, all interno del programma di face detection/recognition una adeguata fase di training. Un interessante implementazione di questa tecnica è stata realizzata da D.DeCarlo e D.Metaxas[13]. Un ultimo importante problema relativo agli algoritmi di face detection è, infine, legato ai tempi impiegati per portare a termine il task richiesto. Essi risultano spesso, infatti, assai elevati per la maggior parte degli algoritmi attualmente esistenti e, soprattutto, non predicibili, precludendo, dunque, la possibilità di una loro adozione in sistemi con caratteristiche di tipo real-time. P.Viola e M.J.Jones[9], tuttavia, sembrano aver trovato la strada giusta verso un sistema di face detection robusto e, sopreattutto, predicibile. III. L ALGORITMO Lo scopo primario dell algoritmo che proponiamo consiste nell individuare, all interno di un immagine iniziale, una zona calda, ovvero una zona all interno della quale ricada, con il maggior grado di probabilità possibile, il volto dell individuo da riconoscere. L algoritmo può essere essenzialmente visto come preliminare rispetto ad una serie di pacchetti software oggi disponibili (primo fra tutti il già citato pacchetto ASM), in grado di identificare un volto umano all interno di una immagine data. Il problema fondamentale di tale tipologia di software consiste, infatti, nella difficoltà a ricavare in maniera del tutto automatica dei parametri iniziali in maniera tale da rendere la ricerca del volto all interno dell immagine rapida ed efficace. Tali limiti possono essere facilmente superati grazie all utilizzo del nostro software, in grado di focalizzare la ricerca in una ben determinata area dell immagine di partenza, di superficie notevolmente inferiore rispetto a quella dell immagine di partenza stessa. L approccio utilizzato dall algoritmo per l identificazione della zona calda all interno dell immagine di partenza può essere concettualmente suddiviso in tre sezioni: Suddivisione dell immagine di partenza in clusters. Selezione di un segmento winner. Filtraggio del segmento winner. Ma analizziamo le tre fasi nel dettaglio. A. La suddivisione in clusters I fondamenti teorici su cui si basa la prima fase del nostro algoritmo di face detecting sono profondamente legati ai concetti di color space, color model ed a quello di percezione del colore da parte dell uomo[1][2]. Studi sulla percezione del colore hanno, infatti, dimostrato che l occhio umano ha recettori in grado di catturare onde corte (short o S ), medie (middle o M ) e lunghe (long o L ), anche noti come recettori di blu, verde e rosso (il famigerato RGB). In altre parole, la sensazione del colore, nell uomo, è data da un opportuno utilizzo di questi tre parametri. Tutto ciò è stato tradotto in termini informatici, per la prima volta, dall International Commission on

4 4 Illumination (o CIE) che, nel 1931, aveva definito matematicamente il primo color space: il CIE XYZ color space. Una delle infinite varianti del CIE XYZ color space è costitita dal cosiddetto CIELAB (o più precisamente CIE L*a*b*) color space, attualmente considerato il più completo color model per la descrizione del intera gamma di colori visibili all occhio umano. Proprio sull utilizzo del CIELAB color space si basa la suddivisione in clusters della nostra immagine di partenza. Ma vediamo di capire meglio la struttura di questo color space e le ragioni che ci hanno spinto ad un suo utilizzo nel campo della face detection. A differenza del color space standard (e sicuramente ben più noto) RGB, nel CIELAB i tre parametri del modello rappresentano, nell ordine: Luminosità Posizione nell asse rosso-verde Posizione nell asse giallo-blu Nel dettaglio, la luminosità è compresa tra 0 e 100 (L=0 corrisponde al nero, L=100 al bianco). Inoltre, valori negativi per il parametro a indicano uno spostamento sull asse verso il verde, mentre valori positivi di a si traducono in uno spostamento verso il rosso. Lo stesso discorso vale per il parametro b, dove, però, ci si muove sull asse blugiallo. Per maggiore chiarezza si faccia riferimento alla figure 1 e 2, nelle quali sono stati riportati i grafici relativi al LAB color space relativi a due differenti livelli di luminosità. Fig. 2. LAB color space per una luminosità del 50%. La risposta è insita nella natura stessa del modello LAB. A differenza, infatti, di altri color space come l RGB o il CMYK, il CIELAB color space è un color space assoluto. Esso è stato costruito dal CIE proprio per fungere da riferimento per gli altri color space, per essere caratterizzato dalla più totale device indipendence, a discapito, ovviamente, di un buon grado di accuratezza nella rappresentazione del colore. Il punto fondamentale su cui focalizzare l attenzione è il fatto che il CIELAB color space non può essere direttamente accostato ad un color space relativo come l RGB, con il quale non ha alcuna precisa relazione. Una conversione diretta da RGB a LAB sarà possibile solo a patto di associare all RGB un color space assoluto, come, ad esempio, l srgb o l Adobe RGB. Per comprendere meglio quanto appena detto, si osservi attentamente la figura successiva. Fig. 1. LAB color space per una luminosità del 25%. Fig. 3. Quanti colori sono presenti in questa immagine? Ma perché utilizzare per la segmentazione della nostra immagine di partenza un algoritmo basato su questo color space? Se ci venisse chiesto il numero di colori contenuti all interno dell immagine precedente, prescindendo

5 5 dall informazione luminosità, ognuno di noi sarebbe in grado (banalmente!) di rispondere che sono 3 i colori facilmente distinguibili nella foto: il rosa, il blu ed il bianco. Concettualmente, il CIELAB, ha proprio la potenzialità di scindere proprio l informazione colore da quella luminosità, riducendo i parametri dedicati al colore da tre a due. Un passo in avanti non indifferente... Si osservi, adesso, la figura seguente, nel quale è contenuto il volto di una ragazza. Nel nostro caso, per la valutazione delle suddette distanze, abbiamo deciso di adottare una metrica di tipo euclideo. Ritornando per un momento alla prima immagine (quella con le macchie, tanto per intenderci) avevamo già stabilito la presenza di tre colori predominanti all interno dell immagine. Ciò ci induce a pensare che, per una corretta identificazione dei colori contenuti nell immagine, la scelta più adatta per il numero totale di clusters sia proprio 3. Si osservino, ora, le tre figure seguenti. Fig. 4. La nostra immagine di partenza. Anche in questo caso, è per noi assai semplice riuscire a distinguere i colori principali (prescindendo i dettagli) contenuti nell immagine. Nel caso specifico, siamo in grado di individuare i tre colori rosa (il volto della ragazza), giallo (i suoi capelli) e grigio (lo sfondo). Per il nostro calcolatore questa azione, così naturale per noi, risulta appena più complicata, ma nulla di impossibile. Si tratta semplicemente di individuare un metodo che ci consenta di distinguere i colori. In altre parole, di valutarne la distanza. Abbiamo già visto come siamo riusciti a passare da tre parametri per la descrizione del colore a due soltanto. Tutto ciò si è rivelato molto utile nel momento in cui abbiamo deciso di adottare, per la nostra classificazione dei colori, l algoritmo kmeans. Esso, infatti, è in grado di partizionare i punti appartenenti ad una matrice di ingresso (la nostra immagine di partenza) in un numero di cluster definito dal programmatore. L algoritmo che sta alla base di kmeans è un algoritmo iterativo a due fasi, che si occupa di minimizzare la somma (su tutti i clusters) delle distanze punto - centro di massa all interno di ogni cluster. Fig. 5. La figura 3 suddivisa in 2 clusters. Fig. 6. La figura 3 suddivisa in 3 clusters. Fig. 7. La figura 3 suddivisa in 4 clusters. Esse illustrano l utilizzo dell algoritmo kmeans

6 6 per la segmentazione dell immagine 3, rispettivamente in due, tre e quattro clusters. Analizzando le tre immagini in questione, in cui i clusters sono visibili per mezzo dell utilizzo di diversi toni di grigio, risulta immediatamente chiaro come la seconda risulti l immagine più adatta alle nostre esigenze. Mentre, infatti, nella prima si è verificata un importante perdita di informazioni (due dei tre colori sono stati raggruppati), la terza è caratterizzata da ridondanza dei dati e semplici differenze di luminosità per colori esattamente uguali sono state tradotte in un numero maggiore di colori. Torniamo, adesso, alla foto (ben più interessante!) del volto della ragazza. In questo caso, la segmentazione in due, tre e quattro clusters ci conduce alle tre immagini riportate di seguito. Fig. 8. Fig. 9. La figura 4 suddivisa in 2 clusters. La figura 4 suddivisa in 3 clusters. Anche in questo caso la scelta di un numero di clusters pari a 3 si è rivelata la scelta più felice. Mentre, infatti, nella prima delle tre immagini (numero di clusters = 2) siamo riusciti a scindere il volto della ragazza dallo sfondo ma non dai capelli e dal resto del corpo, nella seconda siamo riusciti ad associare un solo ed unico cluster al 90% del volto, al collo ed alle spalle (inevitabile ciò, Fig. 10. La figura 4 suddivisa in 4 clusters. avendo le varie parti del corpo della ragazza colore pressoché identico). Un risultato, quest ultimo da non trascurare. E possibile notare come anche l ultima immagine (numero di clusters = 4) risulti inadatta alle nostre esigenze (che, ricordiamolo ancora una volta, coincidono con il desiderio di individuare un volto all interno di una immagine). In quest ultimo caso, infatti, ci ritroviamo un volto diviso tra due clusters diversi (circa il 60% di esso appartiene al cluster bianco, mentre un buon 40% appartiene a quello grigio). E facilmente intuibile come una analisi di questo tipo (ed i risultati da questa derivati) risulti fortemente dipendente dall immagine iniziale. In nessun caso è possibile conoscere a priori l esatto numero di colori predominanti contenuto in un immagine (ovvero uno dei parametri essenziali da fornire in ingresso alla funzione kmeans), se non vedendo anticipatamente l immagine. Potremmo pensare di utilizzare un cluster per ogni colore possibile o, comunque, un numero molto elevato di clusters, ma questa scelta si rivelerebbe presto inadeguata, sia per la complessità computazionale dell algoritmo (che richiede tempi davvero elevati - ma sempre nell ordine di secondi - già per un piccolo numero di clusters), sia per il fatto che, adottando un simile approccio, otterremmo un numero talmente elevato di clusters da rivelarsi presto totalmente inutile ai fini applicativi (lo stesso volto risulterebbe scomposto in più clusters e si presenterebbe il problema di un merging dei clusters di interesse). L unica alternativa sarà, dunque, quella di effettuare alcune approssimazioni, cercando un numero di colori magico, in grado di separare il nostro volto dal resto dell immagine (ovvero di inserirlo

7 7 in un unico cluster) 1. Chiaramente, un approccio di questo tipo non potrà in alcun modo risultare sempre efficace (e questo costituisce probabilmente il problema più consistente della nostra applicazione). Tuttavia, i numerosi test effettuati in questo senso hanno mostrato dei risultati ben più che soddisfacenti. In particolare, il nostro numero magico è risultato essere il 3 per volti in cui lo sfondo è uniforme e 4 nel caso più generale di sfondi eterogenei. Le figure 11 e 12 illustrano alcuni dei risultati ottenuti, utilizzando immagini caratterizzate da sfondi uniformi, per diversi valori del nostro magic number. Come è possibile notare, nel caso di sfondi omogenei, la scelta più efficace relativa al magic number è proprio: magic number = 3 (terza colonna). Le figure 13 e 14 illustrano, poi, alcuni dei risultati ottenuti, utilizzando immagini caratterizzate da sfondi non omogenei, sempre per diversi valori del nostro magic number. Come è possibile notare, nel caso di sfondi non omogenei, la scelta più efficace relativa al magic number è, questa volta: magic number = 4 (ultima colonna). Questo tipo di ragionamento può essere generalizzato. Si è, infatti, notato che più lo sfondo è frastagliato, più alto deve essere il magic number, ovvero più grande è il numero di livelli in cui scomporre l immagine, affinché l algoritmo risulti efficace. A questo punto si è rivelato necessario un compromesso tra questi due dati ottenuti. Dopo una lunga serie di test, la scelta è ricaduta sul secondo valore trovato per il magic number, ovvero 4, vuoi perchè nella maggior parte di applicazioni relative alla face detection (o recognition) non è sempre possibile ipotizzare sfondi omogenei (si pensi all individuazione di una persona all interno di una foto scattata in esterna o ad una porta di un palazzo che garantisce l accesso solo alle persone autorizzate, basandosi proprio su riconoscimento facciale), vuoi perché, comunque, tale valore non costituisce alcun problema per le foto scattate con sfondi omogenei (mentre non vale il viceversa!). 1 Un approccio alternativo verrà considerato nel paragrafo V L immagine 15 illustra, per una serie di immagini campione, la suddivisione in quattro clusters. A questo punto si tratta semplicemente (o quasi!) di individuare il cluster (o segmento) winner, ovvero quello contenente il nostro volto. Di questo ci occuperemo nel paragrafo successivo. Prima di passare alle tecniche di selezione del segmento winner, tuttavia, è da rimarcare l incredibile potenza del nostro algoritmo. La stragrande maggioranza dei test effettuati ha avuto esito positivo, anche in casi particolarmente complessi. Per avere soltanto un idea di tutto ciò, si osservi la figura 17, in cui siamo stati in grado di isolare, addirittura, tutti i volti dei personaggi contenuti nell immagine (per semplicità, viene mostrato soltanto l unico segmento di interesse). Fig. 16. La scomposizione in clusters per un gruppo di persone. B. Il segmento winner La prima cosa che risalta agli occhi dalla figura 15 è che il segmento di nostro interesse non si trova sempre nella stessa posizione (nelle prime due righe occupa il secondo posto, nella terza l ultimo, nelle ultime due il primo). Esecuzioni ripetute dello stesso algoritmo di separazione sulla stessa immagine possono fornire in uscita risultati diversi, ovvero segmenti ordinati in maniera sempre differente. Ciò è una diretta conseguenza del calcolo degli starting points (vedi il paragrafo precedente), svolto in maniera pressocché random da parte della funzione kmeans.

8 8 Fig. 11. Uno spaccato dei test effettuati per la valutazione del Magic Number per immagini con sfondo uniforme. Sarà, dunque, necessario individuare il segmento contenente la zona calda, ovvero il volto della persona raffigurata, in maniera tale da escludere gli altri segmenti e da fornire al filtro finale (vedi il paragrafo successivo) una immagine di partenza semplificata. Studieremo ora un meccanismo in grado di effettuare tutto ciò ed al segmento fornito in uscita da tale meccanismo daremo proprio il nome di segmento winner. Premettiamo che questa sezione dell algoritmo finale per la face detection costituisce, con ogni probabilità, la fase più critica. I criteri su cui basare la scelta del segmento winner possono essere svariati e quello presentato costituisce soltanto una delle innumerevoli possibilità a nostra disposizione. Sviluppi futuri dell applicazione potranno concentrarsi sulla scelta di adeguati affinamenti per tale meccanismo, in maniera tale da incrementare la percentuale di successo attuale. Il meccanismo attualmente utilizzato per la deter-

9 9 Fig. 12. Uno spaccato dei test effettuati per la valutazione del Magic Number per immagini con sfondo uniforme. minazione del cosiddetto segmento winner si basa sul calcolo dei centroidi di massa dei singoli cluster. Ricordiamo, a questo proposito, che il centroide di un cluster è definito come il punto appartenente al cluster stesso rispetto al quale la somma di tutte le distanze dagli altri punti del cluster risulta minimizzata. Sperimentalmente, si è notato come il volto ricada con maggiore probabilità nel cluster con il valore più alto associato al parametro cluster center, calcolato dalla funzione kmeans e contenente i valori medi di a* e b* per ogni singolo cluster. Nello specifico, i test effettuati su 40 immagini campione (20 con sfondo uniforme, 20 con sfondo non uniforme) hanno dimostrato un efficacia di questo tipo di selezione pari al 95% (in particolare, il processo di selezione si è rivelato efficace nel 90% dei casi per quanto riguarda foto con sfondo frastagliato e nel 100% dei casi nel caso di immagini dallo sfondo uniforme).

10 10 Fig. 13. Uno spaccato dei test effettuati per la valutazione del Magic Number per immagini con sfondo non uniforme. C. Il filtraggio Una volta individuato il segmento winner, non resta altro da fare che individuare l esatta locazione del volto all interno di tale segmento. Prima di poter effettuare ciò con successo, si è tuttavia rivelata necessaria l applicazione di una serie di filtri allo stesso segmento winner. In particolare, nella versione attuale del nostro software vengono utilizzati due tipi fondamentali di filtri, nell ordine: Color Filter Cleaning Filter Si tratta di filtri molto semplici ed ancora in versione beta, sottoposti a continui aggiustamenti ed ottimizzazioni, rivelatisi tuttavia molto efficaci nel facilitare il processo di esatta localizzazione di un volto all interno dell immagine di interesse. Il primo filtro, battezzato color filter, non fa altro che scandire l intero insieme dei pixels componenti il segmento winner in formato RGB, scurendo quelli non compresi in una predeterminata fascia d interesse. Proprio l individuazione di una opportuna fascia di interesse si è rivelato essere il problema fondamentale nel processo di costruzione del filtro. Nella sua versione attuale, essa corrisponde all intervallo [130,250] per il canale R ed all intervallo [195,210] per i canali G e B. Il secondo ed ultimo filtro, infine, denominato Cleaning Filter ed appena più complesso del pri-

11 11 Fig. 14. Uno spaccato dei test effettuati per la valutazione del Magic Number per immagini con sfondo non uniforme. mo, è dedicato ad un processo di semplificazione dell immagine. Infatti, grazie ad una serie di elaborazioni dell immagine di partenza, tale filtro è in grado di scartare alcune aree dell immagine non appartenenti al volto stesso della persona da ricercare ma non ancora esclusi dal color filter. In particolare, l applicazione del cleaning filter al segmento winner (già sottoposto al color filter) coincide con l utilizzo a cascata delle seguenti funzioni di elaborazione dell immagine: rgb2gray imfill strel medfilt2 imdilate imopen bwlabel Ma vediamole nel dettaglio. La prima operazione effettuata dal filtro è una banale conversione dell immagine di partenza dal formato RGB in una immagine in scala di grigi (rgb2gray). Segue una cascata di imfill all immagine stessa (due nello specifico, con riferimento alla versione attuale del software). Ricordiamo che la funzione imfill serve a colmare i buchi holes in una immagine di intensità (nello specifico, regioni scure completamente circondate da regioni chiare). A questo punto, una volta creata una struttura

12 12 Fig. 15. Alcune immagini campione scomposte in quattro clusters. ausiliaria (un morphological structuring element) mediante una strel, vengono applicate delle cascate (anche qui due) di medfilt2, imdilate ed imopen all immagine ottenuta. In particolare, la medfilt2 esegue l applicazione di un filtro mediano bidimensionale, la imdilate serve a dilatare la scala di grigio e la imopen esegue un apertura morfologica sull immagine di input in scala di grigio. Sia la imdilate che la imopen sfruttano l elemento ausiliario prodotto dalla strel, mentre il filtro mediano ne è, ovviamente, indipendente. L immagine 16 illustra l applicazione dei due filtri ad alcune immagini campione. Nel dettaglio, la prima colonna rappresenta il segmento winner da filtrare, mentre le due colonne successive mostrano lo stesso segmento sottoposto all azione, rispettivamente, del color filter e del cleaning filter. D. La localizzazione del volto Una volta applicati opportunamente i filtri analizzati nel paragrafo precedente, ci si ritrova di fronte ad una immagine in Black & White in cui le zone chiare costituiscono i possibili candidati per il tanto bramato volto umano all interno dell immagine di partenza. L ultimo passo consiste nell individuare la white zone realmente corrispondente al nostro volto, scartando gli altri possibili candidati. La funzione Matlab regionprops consente di analizzare con estrema semplicità le proprietà delle regioni costituenti la nostra immagine. In particolare, le proprietà di interesse si son rivelate essere fondamentalmente tre: Area BoundingBox Eccentricity L Area ci informa della dimensione della regio-

13 13 Fig. 17. L applicazione del color filter e del cleaning filter ad alcuni segmenti winner campione. ne stessa; la BoundingBox può essere considerata come la più piccola zona di forma rettangolare comprendente la regione di interesse; l Eccentricity fornisce importanti indicazioni sulle caratteristiche della forma della regione stessa. Nel dettaglio, la sezione dell algoritmo dedicata al processo di localizzazione del volto all interno dell immagine prende in considerazione tutte le white zones ritornate come possibili candidati dal color filter e dal claning filter, escludendo innanzitutto quelle troppo piccole (ovvero, inferiori ad una soglia, calcolata attualmente come area media tra tutte quelle dei singoli candidati). Quindi, viene considerato come candidato più attendibile la white zone con eccentricità minore tra tutte quelle con area superiore alla soglia prestabilita. Il volto ricercato si ritroverà, pertanto, all interno della bounding box contenente la white zone prescelta. L immagine 18 sintetizza alcuni dei risultati ottenuti applicando l algoritmo ad alcune immagini campione. IV. IL SOFTWARE Un implementazione delle teorie proposte in Matlab è disponibile gratuitamente on-line. In questa sezione descriveremo tale software, spiegandone nei dettagli il suo funzionamento. A. Installazione (Sistemi UNIX Like) Il pacchetto software è costituito da un unico archivio fd.tar.gz, contenente tutti i files necessari all applicazione e la sua documentazione. Per installare il software basterà semplicemente scompattare l archivio, estraendone i contenuti in una cartella qualunque, ad esempio, mediante i comandi: $ cd $ mkdir facedetection $ cd facedetection

14 14 Fig. 18. Alcuni dei risultati ottenuti. $ tar -xvzf fd.tar.gz E possibile analizzare il contenuto della cartella appena creata con il classico comando: $ ls B. Esecuzione del programma Anche in questo caso, la procedura è molto semplice. Si avvii il Matlab (la versione con cui il sostware è stato realizzato è la 7 - r14). Dalla linea di comando Matlab, accedere alla cartella di installazione del software: $ cd /facedetection Avviare l applicazione: $ fd Per facilitare la procedura di utilizzo dell applicazione, è stata realizzata una semplice ed intuitiva interfaccia grafica mediante l utility GUIDE (GUI Design Environment), fornita con lo stesso Matlab 7. Una serie di tooltips guideranno l utente nel corso dell esecuzione del programma. L interfaccia grafica è illustrata in figura 19. L applicazione è stata suddivisa in 5 step, che, concettualmente, riprendono quelli esposti nella precedente sezione teorica. V. KNOWN ISSUES Uno dei fondamentali problemi di cui soffre la nostra applicazione è legato alla prima fase dell algoritmo, ovvero quella relativa alla segmentazione dell immagine mediante la funzione kmeans. Tale funzione, infatti, può talvolta convergere verso i cosiddetti ottimi locali.

15 15 Fig. 19. Il software per la Face Detection. Schermata iniziale. In questi casi, lo spostamento di alcuni punti in clusters differenti si traduce nell incremento della somma totale delle distanze e ciò provoca una deviazione da quello che dovrebbe essere il comportamento corretto della funzione kmeans. Il problema dipende solo ed esclusivamente dalla scelta degli starting points per la funzione, scelti in maniera random (l alternativa potrebbe essere un analisi esaustiva dell intera immagine, ma il procedimento richiederebbe tempi troppo elevati) all interno dell immagine stessa. Ad ogni modo, per evitare di incappare in questo fastidioso quanto spiacevole inconveniente, abbiamo deciso di ripetere l operazione di clustering per ben tre volte. La figura 20 mostra un esempio di degenerazione della funzione kmeans. Sempre riguardo l utilizzo della funzione kmeans, valide alternative potrebbero essere studiate provando a modificare il tipo di distanza utilizzata per valutare le differenze tra i vari colori. A questo proposito, il nostro algoritmo utilizza, come già spiegato, una metrica di tipo euclideo, ma particolarmente interessante sembrerebbe un approccio basato sul grado di correlazione tra i vari colori. Ancora, delle migliorie potrebbero essere apportate per quanto riguarda la selezione del magic number. In particolare, si potrebbe pensare di selezionare tale numero dinamicamente, in base all eterogeneità dello sfondo dell immagine stessa (un analisi della texture potrebbe rivelarsi particolarmente utile in tal senso). VI. CONCLUSIONI E SVILUPPI FUTURI Il software è stato pensato come propedeutico all applicazione del già citato pacchetto software ASM sviluppato da Ghassam Hamarneh, in grado di identificare i confini di oggetti dalla forma

16 16 all interno dell immagine di partenza. I risultati ottenuti sino a questo momento lasciano ben sperare ed il prossimo passo consisterà senza dubbio nel completare il processo di integrazione tra i due suddetti pacchetti software. REFERENCES [1] AA.VV. space. Wikipedia, the Free Encyclopedia. [2] AA.VV. model. Wikipedia, the Free Encyclopedia. [3] R.W.Frischholz. [4] M. Grgic, K. Delac. [5] M. Stoerring et al. Skin colour detection under changing lighting conditions. 7th Symposium on Intelligent Robotics Systems, pages , July 1999, Coimbra, Portugal [6] Amit, Yali 2D Object Detection and Recognition Models, Algorithms, and Networks. The MIT Press, Cambridge Massachusetts, 2002 Fig. 20. Esempio di degenerazione della funzione kmeans. pressoché conosciuta (dove il pressocché si riferisce alla possibilità di mutazione della forma stessa nel passaggio di un immagine all altra - come nel caso di volti, persone, mani, etc. -) all interno di immagini digitali, sfruttando una fase di training in cui il software stesso viene istruito (manualmente o in maniera pseudo-automatica) a riconoscere forme. Tale software soffre di un fondamentale problema. Spesso, infatti, si rivela necessario fornire manualmente delle informazioni (in termini di coordinate e/o scala e/o inclinazione) riguardanti l area dell immagine in cui andare a ricercare l oggetto dalla forma pseudo-conosciuta. Questo processo può essere facilmente essere reso automatico grazie all applicazione del nostro software che, per l appunto, risulta in grado di ridurre notevolmente la zona di ricerca dell oggetto [7] C. Grigorescu, N. Ptekov. Distance Sets for Shape Filters and Shape Recognition. IEEE Transactions on Image Processing, vol. 12, no. 10, pp , October [8] Luong Chi Mai. Introduction to Computer Vision and Image Processing. [9] P.Viola, M.J.Jones. Robust Real-Time Face Detection. International Journal of Computer Vision, 57(2), , [10] Terillon. Automatic Detection of Human Faces in Natural Scene Images by Use of a Skin Color Model and of Invariant Moments. Unknown Resource, [11] F.A.G. Tomaz. ftomaz/fr/fr.php [12] P. Reignier. Finding a Face by Blink Detection. [13] Douglas DeCarlo and Dimitris Metaxas. Model-based Face Tracking. decarlo/facetrack.html [14] Phung et al.. Skin Segmentation Using Color Pixel Classification: Analysis and Comparison. IEEE Transactions on Pattern Analysis and Machine Intelligence, , 1, pp [15] T. Darrell et al.. Integrated person tracking using stereo, color and pattern detection. [16] W.Zhao et al.. Face Recognition: A Literature Survey. University of Maryland and National Institute of Standard and Technology.

17 17 [17] Cootes et al.. Active Shape Models - Their Training and Application. Computer Vision and Image Understanding, Vol. 61, No. 1, January Roberto Aloi Roberto Aloi, nato a Palermo il 27 novembre 1982, dopo avere conseguito un diploma di maturità classica (con votazione 100/100) presso il Liceo Regio Statale F. Maurolico di Messina, si è iscritto al corso di laurea triennale di Ingegneria Informatica presso l Università degli studi di Catania, dove gli è stato conferito, nell anno accademico 2004/2005, il titolo di Dottore Junior in Ingegneria Informatica con votazione per l esame di laurea pari a 110/110. Nel corso dello stesso anno accademico 2004/2005 ha svolto un tirocinio di 300 ore presso la stessa Università, dedicandosi alla progettazione ed all implementazione di una struttura per la gestione della memoria in una Java Virtual Machine realizzata per sistemi embedded on caratteristiche di tipo real-time. Su questi argomenti ha realizzato la sua tesi di laurea. E in possesso della certificazione linguistica PET (livello B1) per la lingua inglese, ottenuta with merit nel novembre del Vincitore di una borsa di studio Socrates/Erasmus per l anno Accademico 2005/2006, ha effettuato un periodo di studio all estero, presso l Università degli Studi di Linkoping (Svezia), per un periodo di 6 mesi (gennaio giugno 2006), dove si è dedicato allo studio di Computer Graphics, Sistemi Embedded, Intelligenza Artificiale, Web Programming e Matlab. Attualmente frequenta il primo anno del corso di laurea specialistica in Ingegneria Informatica presso l Università degli Studi di Catania.

Teoria del colore. Sintesi Cromatica Additiva RGB

Teoria del colore. Sintesi Cromatica Additiva RGB Teoria del colore A partire da tre colori Rosso, Verde, Blu è possibile generare tutta la rimanente scala cromatica mescolando con le dovute percentuali questa terna di riferimento. Si immagini di proiettare

Dettagli

Capitolo V : Il colore nelle immagini digitali

Capitolo V : Il colore nelle immagini digitali Capitolo V : Il colore nelle immagini digitali Lavorare con il colore nelle immagini digitali L uso dei colori nella visione computerizzata e nella computer grafica implica l incorrere in determinate problematiche

Dettagli

1 INTRODUZIONE 1.1 Computer Vision e Pattern Recognition

1 INTRODUZIONE 1.1 Computer Vision e Pattern Recognition 1 INTRODUZIONE 1.1 Computer Vision e Pattern Recognition Gli studi condotti nel corso del mio Dottorato di Ricerca si possono maggiormente ricondurre a quella branca della scienza che va sotto il nome

Dettagli

Algoritmo per il rilevamento di targhe

Algoritmo per il rilevamento di targhe Algoritmo per il rilevamento di targhe 19 maggio 2008 Nell affrontare il problema del riconoscimento delle targhe sono stati sviluppati due algoritmi che basano la loro ricerca su criteri differenti. Lo

Dettagli

MovieShot Motore Di Ricerca Per Film Basato Sul Riconoscimento Della Locandina

MovieShot Motore Di Ricerca Per Film Basato Sul Riconoscimento Della Locandina MovieShot Motore Di Ricerca Per Film Basato Sul Riconoscimento Della Locandina Giorgio Iacoboni Matricola 1099585 Anno Accademico 2010/2011 Outline Introduzione Image Matching Architettura di MovieShot

Dettagli

Visione Computazionale

Visione Computazionale Il docente Visione Computazionale Introduzione al corso a.a. 2004/2005 Andrea FUSIELLO, Professore Associato Dip. Informatica, Ca Vignal 2, I piano, stanza 5 Email: andrea.fusiello@univr.it Web Page del

Dettagli

Immagini digitali Appunti per la classe 3 R a cura del prof. ing. Mario Catalano

Immagini digitali Appunti per la classe 3 R a cura del prof. ing. Mario Catalano Immagini digitali LA CODIFICA DELLE IMMAGINI Anche le immagini possono essere memorizzate in forma numerica (digitale) suddividendole in milioni di punti, per ognuno dei quali si definisce il colore in

Dettagli

Test percettivi per la valutazione del contrasto di immagini digitali

Test percettivi per la valutazione del contrasto di immagini digitali Agenzia Nazionale per le Nuove Tecnologie, l Energia e lo Sviluppo Economico Sostenibile RICERCA DI SISTEMA ELETTRICO Test percettivi per la valutazione del contrasto di immagini digitali Alessandro Rizzi,

Dettagli

POLITECNICO DI BARI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI

POLITECNICO DI BARI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI POLITECNICO DI BARI FACOLTÀ DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA ELETTRONICA TESI DI LAUREA IN CALCOLATORI ELETTRONICI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI Relatore:

Dettagli

Operazioni morfologiche

Operazioni morfologiche Elaborazione dei Segnali Multimediali a.a. 2009/2010 Operazioni morfologiche L.Verdoliva Le tecniche di enhancement studiate finora si basano tipicamente su operazioni di tipo lineare, tuttavia spesso

Dettagli

Test riconoscimento automatico espressioni del volto

Test riconoscimento automatico espressioni del volto Università degli studi di Roma Tor Vergata Test riconoscimento automatico espressioni del volto Preparato per: Giovannella Carlo, Professore Preparato da: Tobia Giani e Alessandro Borelli, Studenti 10

Dettagli

ANALISI DEI DATI PER IL MARKETING 2014

ANALISI DEI DATI PER IL MARKETING 2014 ANALISI DEI DATI PER IL MARKETING 2014 Marco Riani mriani@unipr.it http://www.riani.it LA CLASSIFICAZIONE CAP IX, pp.367-457 Problema generale della scienza (Linneo, ) Analisi discriminante Cluster Analysis

Dettagli

Metodi e Modelli per le Decisioni

Metodi e Modelli per le Decisioni Metodi e Modelli per le Decisioni Corso di Laurea in Informatica e Corso di Laurea in Matematica Roberto Cordone DI - Università degli Studi di Milano Lezioni: Giovedì 13.30-15.30 Venerdì 15.30-17.30 Ricevimento:

Dettagli

Tecniche di riconoscimento statistico

Tecniche di riconoscimento statistico On AIR s.r.l. Tecniche di riconoscimento statistico Applicazioni alla lettura automatica di testi (OCR) Parte 1 - Introduzione generale Ennio Ottaviani On AIR srl ennio.ottaviani@onairweb.com http://www.onairweb.com/corsopr

Dettagli

LA STEREO FOTOMETRIA, OLTRE L IMMAGINAZIONE

LA STEREO FOTOMETRIA, OLTRE L IMMAGINAZIONE MADD-SPOT, 2, 2013 LA STEREO FOTOMETRIA, OLTRE L IMMAGINAZIONE DI ROBERTO MECCA Il mercato dell animazione 3D è in forte crescita in questi anni. Stampanti tridimensionali, nuovi strumenti per l analisi

Dettagli

MMSC3 Sistema di calibrazione per guida robot bidimensionale e tridimensionale basato su visione artificiale

MMSC3 Sistema di calibrazione per guida robot bidimensionale e tridimensionale basato su visione artificiale Atti del V Congresso Metrologia & Qualità (Marzo 2007) MMSC3 Sistema di calibrazione per guida robot bidimensionale e tridimensionale basato su visione artificiale M. GALIMBERTI (1), R.SALA (2), N.CAPELLI

Dettagli

Test sulla misura di contrasto percepito

Test sulla misura di contrasto percepito Agenzia Nazionale per le Nuove Tecnologie, l Energia e lo Sviluppo Economico Sostenibile RICERCA DI SISTEMA ELETTRICO Test sulla misura di contrasto percepito Alessandro Rizzi, Cristian Bonanomi, Saim

Dettagli

Tecniche di Clustering basate sul Machine Learning

Tecniche di Clustering basate sul Machine Learning UNIVERSITÀ DEGLI STUDI DI NAPOLI FEDERICO II Scuola Politecnica e delle Scienze di base Area didattica Scienze Matematiche Fisiche e Naturali Corso di Laurea in Informatica Tecniche di Clustering basate

Dettagli

È possibile caratterizzare un percorso formativo per gli studenti sulla base di due aree di specializzazione (indirizzi):

È possibile caratterizzare un percorso formativo per gli studenti sulla base di due aree di specializzazione (indirizzi): Percorsi per la Laurea Magistrale in Informatica Percorso Video Game Docenti di riferimento: Dario Maggiorini, Laura Anna Ripamonti Sede di erogazione: Milano LIKE THIS! Obiettivi generali Il mercato dei

Dettagli

La Visione Artificiale. La vis ione delle macchine La vis ione umana Acquis izione di immag ine

La Visione Artificiale. La vis ione delle macchine La vis ione umana Acquis izione di immag ine La Visione Artificiale La vis ione delle macchine La vis ione umana Acquis izione di immag ine Copyright Alcune slide sono tratte dal testo: Digital Image Processing Materiale didattico relativo si trova

Dettagli

Istogramma e contrasto

Istogramma e contrasto Istogramma e contrasto Laboratorio di Multimedia 1 Modulo Grafica 8-3-2010 Davide Gadia gadia@dico.unimi.it Istogramma Informazioni sulle caratteristiche dell'immagine Ascisse: I valori di quantizzazione

Dettagli

I Modelli della Ricerca Operativa

I Modelli della Ricerca Operativa Capitolo 1 I Modelli della Ricerca Operativa 1.1 L approccio modellistico Il termine modello è di solito usato per indicare una costruzione artificiale realizzata per evidenziare proprietà specifiche di

Dettagli

Sistema di rilevamento automatico e riconoscimento volti. aspetti metodologici e pratici

Sistema di rilevamento automatico e riconoscimento volti. aspetti metodologici e pratici Introduzione Sistema di rilevamento automatico e riconoscimento volti: aspetti metodologici e pratici by Univr https://www.scienze.univr.it 24 novembre 2010 Goal Introduzione Goal Sistemi biometrici Face

Dettagli

Il campionamento. La digitalizzazione. Teoria e pratica. La rappresentazione digitale delle immagini. La rappresentazione digitale delle immagini

Il campionamento. La digitalizzazione. Teoria e pratica. La rappresentazione digitale delle immagini. La rappresentazione digitale delle immagini ACQUISIZIONE ED ELABORAZIONE DELLE IMMAGINI Teoria e pratica La digitalizzazione La digitalizzazione di oggetti legati a fenomeni di tipo analogico, avviene attraverso due parametri fondamentali: Il numero

Dettagli

Introduzione all elaborazione di immagini Part II

Introduzione all elaborazione di immagini Part II Introduzione all elaborazione di immagini Part II Obiettivi delle tecniche di elaborazione di immagini: miglioramento di qualità (image enhancement) ripristino di qualità o restauro (image restoration)

Dettagli

IMMAGINI CON DOMINANTI VARIABILI: RITOCCO CON E SENZA MASCHERE

IMMAGINI CON DOMINANTI VARIABILI: RITOCCO CON E SENZA MASCHERE PHOTOSHOP ON LINE Massimo Picardello Progetto Campus One Redazione di Massimo Picardello, fotografia di Gianfranco Valle; strategia di ritocco con maschere elaborata da Gianfranco Valle IMMAGINI CON DOMINANTI

Dettagli

Università degli Studi di Perugia Dipartimento di Matematica e Informatica. Corso di Laurea Magistrale in Informatica. CLASSE LM18 (Informatica)

Università degli Studi di Perugia Dipartimento di Matematica e Informatica. Corso di Laurea Magistrale in Informatica. CLASSE LM18 (Informatica) Università degli Studi di Perugia Dipartimento di Matematica e Informatica Corso di Laurea Magistrale in Informatica CLASSE LM18 (Informatica) Manifesto degli Studi A.A. 2015-2016 (Regolamento didattico

Dettagli

Sistema di rilevamento automatico e riconoscimento volti. aspetti metodologici e pratici

Sistema di rilevamento automatico e riconoscimento volti. aspetti metodologici e pratici Introduzione Sistema di rilevamento automatico e riconoscimento volti: aspetti metodologici e pratici by Univr https://www.scienze.univr.it 24 novembre 2010 Goal Introduzione Goal Sistemi biometrici Face

Dettagli

Che cos'è la profondità di colore

Che cos'è la profondità di colore Che cos'è la profondità di colore 1 Vediamo che cos'è la Profondità di Bit e di Colore di una immagine o di un filmato video; vediamo inoltre cosa sono Gamma dinamica e Gamma di densità. La profondità

Dettagli

Tecniche di DM: Link analysis e Association discovery

Tecniche di DM: Link analysis e Association discovery Tecniche di DM: Link analysis e Association discovery Vincenzo Antonio Manganaro vincenzomang@virgilio.it, www.statistica.too.it Indice 1 Architettura di un generico algoritmo di DM. 2 2 Regole di associazione:

Dettagli

Sviluppo di una app per Android al fine di gestire una serie di rilievi fotografici nell ambito della sicurezza dei fiumi

Sviluppo di una app per Android al fine di gestire una serie di rilievi fotografici nell ambito della sicurezza dei fiumi 1. Android App Android App Sviluppo di una app per Android al fine di gestire una serie di rilievi fotografici nell ambito della sicurezza dei fiumi Adriano Mancini mancini@dii.univpm.it Si deve sviluppare

Dettagli

Dispense del corso di Elaborazione di Immagini e Audio Digitali

Dispense del corso di Elaborazione di Immagini e Audio Digitali http://imagelab.ing.unimo.iting it Dispense del corso di Elaborazione di Immagini e Audio Digitali Video Processing Prof. Roberto Vezzani Dall immagine al video Un video può essere visto innanzitutto come

Dettagli

Origine delle immagini. Elaborazione delle immagini. Immagini vettoriali VS bitmap 2. Immagini vettoriali VS bitmap.

Origine delle immagini. Elaborazione delle immagini. Immagini vettoriali VS bitmap 2. Immagini vettoriali VS bitmap. Origine delle immagini Elaborazione delle immagini Adobe Photoshop I programmi per l elaborazione di immagini e la grafica permettono in genere di: Creare immagini ex novo (con gli strumenti di disegno)

Dettagli

Studio e implementazione di un OCR per auto-tele-lettura dei contatori di gas e acqua

Studio e implementazione di un OCR per auto-tele-lettura dei contatori di gas e acqua POLITECNICO DI MILANO Corso di Laurea in Ingegneria Informatica Dipartimento di Elettronica e Informazione Studio e implementazione di un OCR per auto-tele-lettura dei contatori di gas e acqua AI & R Lab

Dettagli

Le immagini digitali: introduzione

Le immagini digitali: introduzione Le immagini digitali: introduzione 1 L immagine digitale Un immagine pittorica è compsta da milioni di pigmenti colorati molto piccoli che, messi vicino l uno all altro, danno l impressione dei vari oggetti.

Dettagli

Gli studi dell HCI si concentrano spesso sull interfaccia

Gli studi dell HCI si concentrano spesso sull interfaccia Interazione Uomo-Macchina (e Usabilità) 1 Cos'è l'hci? Human-Computer Interaction (HCI) Possibile definizione (ACM) Human-computer interaction ti is a discipline i concerned with the design, evaluation

Dettagli

IL COLORE E LA SUA RAPPRESENTAZIONE

IL COLORE E LA SUA RAPPRESENTAZIONE http://imagelab.ing.unimo.it Dispense del corso di Elaborazione di Immagini e Audio Digitali IL COLORE E LA SUA RAPPRESENTAZIONE Prof. Roberto Vezzani LA LUCE La luce è una radiazione elettromagnetica

Dettagli

Elementi di Informatica e Programmazione

Elementi di Informatica e Programmazione Elementi di Informatica e Programmazione La Codifica dell informazione (parte 4) Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Docente:

Dettagli

Localizzazione ed estrazione di targhe automobilistiche da scene generiche

Localizzazione ed estrazione di targhe automobilistiche da scene generiche Localizzazione ed estrazione di targhe automobilistiche da scene generiche Tesina per il corso di Visione e Percezione Sapienza - Università di Roma Demetrio Filocamo filocamodemetrio@gmail.com Luca Palmili

Dettagli

Data Mining in SAP. Alessandro Ciaramella

Data Mining in SAP. Alessandro Ciaramella UNIVERSITÀ DI PISA Corsi di Laurea Specialistica in Ingegneria Informatica per la Gestione d Azienda e Ingegneria Informatica Data Mining in SAP A cura di: Alessandro Ciaramella La Business Intelligence

Dettagli

Percorso Video Game. Percorsi per la Laurea Magistrale in Informatica. Obiettivi generali. Sbocchi professionali

Percorso Video Game. Percorsi per la Laurea Magistrale in Informatica. Obiettivi generali. Sbocchi professionali Percorsi per la Laurea Magistrale in Informatica Percorso Video Game Docenti di riferimento: Dr. Dario Maggiorini, Dr. Laura Anna Ripamonti Sede di erogazione: Milano Obiettivi generali Il mercato dei

Dettagli

LA CODIFICA DELLE IMMAGINI

LA CODIFICA DELLE IMMAGINI LA CODIFICA DELLE IMMAGINI Anche le immagini possono essere memorizzate in forma numerica (digitale) suddividendole in milioni di punti, per ognuno dei quali si definisce il colore in termini numerici.

Dettagli

Applicazioni e considerazioni conclusive

Applicazioni e considerazioni conclusive Applicazioni e considerazioni conclusive 8.1 La telecamera tridimensionale Il sistema di scansione a luce debolmente strutturata permette di scandire un oggetto e di ricavarne un immagine tridimensionale

Dettagli

La Laurea Magistrale in Informatica 2014-15

La Laurea Magistrale in Informatica 2014-15 Università degli studi di Udine La Laurea Magistrale in Informatica 2014-15 Consiglio del Corso di Studi (CCS) in Materie Informatiche Aprile 2014 E-mail: tutoratoinformatica@uniud.it Il piano di studi

Dettagli

Corso di Grafica Computazionale

Corso di Grafica Computazionale Corso di Grafica Computazionale Premesse Teoriche Docente: Massimiliano Corsini Laurea Specialistica in Ing. Informatica Università degli Studi di Siena Overview Premesse Teoriche Mini-ripasso geometria

Dettagli

Software. Definizione, tipologie, progettazione

Software. Definizione, tipologie, progettazione Software Definizione, tipologie, progettazione Definizione di software Dopo l hardware analizziamo l altra componente fondamentale di un sistema di elaborazione. La macchina come insieme di componenti

Dettagli

Le immagini digitali. formati, caratteristiche e uso. Testo e foto di Mario Ceppi

Le immagini digitali. formati, caratteristiche e uso. Testo e foto di Mario Ceppi Le immagini digitali formati, caratteristiche e uso Testo e foto di Mario Ceppi GIF Ideale per la rappresentazione di immagini sul Web come gif animate, pulsanti e intestazioni, non è invece adatto alle

Dettagli

Elaborazione delle immagini e Pattern Recognition. Giovanni Scavello

Elaborazione delle immagini e Pattern Recognition. Giovanni Scavello Elaborazione delle immagini e Pattern Recognition Giovanni Scavello Programma dei seminari Nozioni di base del trattamento delle immagini Descrizione matematica Spazi colore Operazioni comuni Filtraggio

Dettagli

COME RIDIMENSIONARE UNA FOTO. piccolo studio teorico pratico di Fabrizio Livi

COME RIDIMENSIONARE UNA FOTO. piccolo studio teorico pratico di Fabrizio Livi COME RIDIMENSIONARE UNA FOTO piccolo studio teorico pratico di Fabrizio Livi 1 Introduzione Spesso sentiamo parlare delle dimensioni di una foto oppure ne leggiamo le misure entrando nelle proprietà di

Dettagli

Morfologia e Image Processing

Morfologia e Image Processing Morfologia e Image Processing Multimedia Prof. Battiato Morfologia Matematica Nell ambito dell image processing il termine morfologia matematica denota lo studio della struttura geometrica dell immagine.

Dettagli

Codifica delle immagini

Codifica delle immagini Codifica delle immagini Abbiamo visto come la codifica di testi sia (relativamente) semplice Un testo è una sequenza di simboli Ogni simbolo è codificato con un numero Ed ecco che il testo è trasformato

Dettagli

Capitolo 6 ELABORAZIONE DI IMMAGINI A COLORI

Capitolo 6 ELABORAZIONE DI IMMAGINI A COLORI Capitolo 6 ELABORAZIONE DI IMMAGINI A COLORI Il colore viene utilizzato nelle immagini digitali per due motivi principali: è un descrittore che semplifica l identificazione di un oggetto e la sua estrazione

Dettagli

EasyPrint v4.7. Impaginatore Album. Manuale Utente

EasyPrint v4.7. Impaginatore Album. Manuale Utente EasyPrint v4.7 Impaginatore Album Manuale Utente Lo strumento di impaginazione album consiste in una nuova funzione del software da banco EasyPrint 4 che permette di organizzare le immagini in maniera

Dettagli

Classificazione del software

Classificazione del software Classificazione del software Classificazione dei software Sulla base del loro utilizzo, i programmi si distinguono in: SOFTWARE Sistema operativo Software applicativo Sistema operativo: una definizione

Dettagli

Informatica pratica. L'immagine digitale

Informatica pratica. L'immagine digitale Informatica pratica L'immagine digitale Riassunto della prima parte Fino ad ora abbiamo visto: le cose necessarie per utilizzare in modo utile il computer a casa alcune delle tante possibilità dell'uso

Dettagli

Identificazione del dispositivo sorgente

Identificazione del dispositivo sorgente UNIVERSITÀ DEGLI STUDI DI FIRENZE Facoltà di Ingegneria Corso di Laurea in INGEGNERIA INFORMATICA Identificazione del dispositivo sorgente mediante tecniche di Image Forensics Tesi di Laurea di ANDREA

Dettagli

La percezione del colore

La percezione del colore 30 Gennaio 2007 Corso di Laurea in Informatica Multimediale Facoltà di Scienze MMFFNN Università di Verona La percezione del colore Chiara Della Libera DSNV Università di Verona Sezione di Fisiologia Umana

Dettagli

Verifica parte IIA. Test (o analisi dinamica) Mancanza di continuità. Esempio

Verifica parte IIA. Test (o analisi dinamica) Mancanza di continuità. Esempio Test (o analisi dinamica) Verifica parte IIA Rif. Ghezzi et al. 6.3-6.3.3 Consiste nell osservare il comportamento del sistema in un certo numero di condizioni significative Non può (in generale) essere

Dettagli

Stimare il WCET Metodo classico e applicazione di un algoritmo genetico

Stimare il WCET Metodo classico e applicazione di un algoritmo genetico Stimare il WCET Metodo classico e applicazione di un algoritmo genetico Sommario Introduzione Definizione di WCET Importanza del WCET Panoramica dei classici metodi per calcolare il WCET [1] Utilizzo di

Dettagli

Tecnica fotografica: Sensibilità ISO.

Tecnica fotografica: Sensibilità ISO. Tecnica fotografica: Sensibilità ISO. Nel mondo della fotografia tradizionale la sensibilità ISO (in passato ASA) rappresenta la velocità del negativo fotografico. Poiché le camere digitali non usano il

Dettagli

Elaborazione di Immagini e Suoni / Riconoscimento e Visioni Artificiali 12 c.f.u. Rappresentazione delle informazioni

Elaborazione di Immagini e Suoni / Riconoscimento e Visioni Artificiali 12 c.f.u. Rappresentazione delle informazioni Università degli Studi di Palermo Dipartimento di Ingegneria Informatica Elaborazione di Immagini e Suoni / Riconoscimento e Visioni Artificiali 12 c.f.u. Anno Accademico 2008/2009 Docente: ing. Salvatore

Dettagli

FOTOGRAFIA DIGITALE GESTIONE BASE DEL COLORE VISUALIZZARE E STAMPARE CORRETTAMENTE LE IMMAGINI. A cura di Mauro Minetti

FOTOGRAFIA DIGITALE GESTIONE BASE DEL COLORE VISUALIZZARE E STAMPARE CORRETTAMENTE LE IMMAGINI. A cura di Mauro Minetti FOTOGRAFIA DIGITALE GESTIONE BASE DEL COLORE VISUALIZZARE E STAMPARE CORRETTAMENTE LE IMMAGINI Aprile 2005 A cura di Mauro Minetti INDICE CAPITOLI 1) PREMESSA 2) MONITOR E PROFILO COLORE 3) CALIBRAZIONE

Dettagli

9. La distribuzione 2 e i test per dati su scala nominale

9. La distribuzione 2 e i test per dati su scala nominale 9. La distribuzione e i test per dati su scala nominale 9.1. La distribuzione 9. 1. 1. La statistica e la sua distribuzione In una popolazione distribuita normalmente con parametri e estraiamo un campione

Dettagli

LABORATORIO DI ANALISI DEI SISTEMI

LABORATORIO DI ANALISI DEI SISTEMI LABORATORIO DI ANALISI DEI SISTEMI Si utilizzerà, come strumento di lavoro, un foglio elettronico, il più diffuso Excel o anche quello gratuito di OpenOffice (www.openoffice.org). Tale scelta, pur non

Dettagli

Immagini e clustering

Immagini e clustering Immagini e clustering Alberto Borghese Università degli Studi di Milano Laboratorio di Sistemi Intelligenti Applicati (AIS-Lab) Dipartimento di Scienze dell Informazione borghese@dsi.unimi.it 1/24 http:\\homes.dsi.unimi.it\

Dettagli

Interazione TS-Vision Kawasaki

Interazione TS-Vision Kawasaki UNIVERSITÀ DI BRESCIA FACOLTÀ DI INGEGNERIA Dipartimento di Ingegneria dell Informazione Laboratorio di Robotica Avanzata Advanced Robotics Laboratory Corso di Robotica (Prof. Riccardo Cassinis) Interazione

Dettagli

CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali

CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali Paolo Mezzera Ottobre 2003 CONFRONTO TRA TECNICHE DI PREVISIONE: Processi regressivi e reti neurali artificiali Questo lavoro ha lo scopo di confrontare previsioni ottenute mediante processi regressivi

Dettagli

Elaborazione di immagini a colori

Elaborazione di immagini a colori Elaborazione di Segnali Multimediali a.a. 2013/2014 Elaborazione di immagini a colori L.Verdoliva In questa esercitazione vedremo come si elaborano le immagini a colori in Matlab estendendo le tecniche

Dettagli

Lezione1. Cos è la computer grafica. Lezione del 10 Marzo 2010. Michele Antolini Dipartimento di Ingegneria Meccanica Politecnico di Milano

Lezione1. Cos è la computer grafica. Lezione del 10 Marzo 2010. Michele Antolini Dipartimento di Ingegneria Meccanica Politecnico di Milano Lezione1 Informatica Grafica Cos è la computer grafica Lezione del 10 Marzo 2010 Grafica OpenGL vs Direct Dipartimento di Ingegneria Meccanica Politecnico di Milano 1.1 Tubo a Raggi Catodici Cathode Ray

Dettagli

Master in Computer Game Dev. Interaction Design

Master in Computer Game Dev. Interaction Design Master in Computer Game Dev Interaction Design Il Docente Umberto Castellani (PhD) Ricercatore del Dipartimento di Informatica Università di Verona VIPS (Vision, Image Processing & Sound) (http://vips.sci.univr.it)

Dettagli

Rappresentazione delle immagini

Rappresentazione delle immagini Elaborazione di Segnali Multimediali a.a. 2013/2014 Rappresentazione delle immagini L.Verdoliva In questa prima lezione vedremo come si rappresentano diversi tipi immagini digitali in Matlab. 1 Immagini

Dettagli

Lezione 16: Animazione (2)

Lezione 16: Animazione (2) Lezione 16: Animazione (2) Informatica Multimediale Docente: Umberto Castellani Sommario Introduzione Origini Produrre animazioni Animazione tradizionale (2D) Animazione digitale 2 Animazione 3D Animazione

Dettagli

Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA

Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA Università degli Studi di Perugia Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di laurea specialistica in INFORMATICA Basi di Dati Avanzate e Tecniche di Data Mining Prof. G. Cecconi, Prof.

Dettagli

Sviluppo di applicazioni web con il pattern Model-View-Controller. Gabriele Pellegrinetti

Sviluppo di applicazioni web con il pattern Model-View-Controller. Gabriele Pellegrinetti Sviluppo di applicazioni web con il pattern Model-View-Controller Gabriele Pellegrinetti 2 MVC: come funziona e quali sono vantaggi che derivano dal suo utilizzo? La grande diffusione della tecnologia

Dettagli

Garantire la coerenza dei colori delle stampe

Garantire la coerenza dei colori delle stampe Garantire la coerenza dei colori delle stampe Introduzione Il monitor: una finestra sul colore Le stampanti a getto d'inchiostro sono dispositivi RGB Gestione colore e stampa in Nikon ViewNX Gestione colore

Dettagli

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione

Text mining ed analisi di dati codificati in linguaggio naturale. Analisi esplorative di dati testualilezione Text mining ed analisi di dati codificati in linguaggio naturale Analisi esplorative di dati testualilezione 2 Le principali tecniche di analisi testuale Facendo riferimento alle tecniche di data mining,

Dettagli

Metodi e Modelli per la Simulazione

Metodi e Modelli per la Simulazione UNIVERSITA DEGLI STUDI ROMA TRE Facoltà di Ingegneria Corso di Laurea in Ingegneria Gestionale e dell Automazione Metodi e Modelli per la Simulazione Simulazioni e Analisi di euristiche di scheduling su

Dettagli

SISTEMI INFORMATIVI AZIENDALI

SISTEMI INFORMATIVI AZIENDALI SISTEMI INFORMATIVI AZIENDALI Prof. Andrea Borghesan venus.unive.it/borg borg@unive.it Ricevimento: Alla fine di ogni lezione Modalità esame: scritto 1 Data Mining. Introduzione La crescente popolarità

Dettagli

Dalla Computer Vision alle interfacce naturali

Dalla Computer Vision alle interfacce naturali Dalla Computer Vision alle interfacce naturali METODI E MODELLI DI INTERAZIONE Social Q&A @vs_ar #askvisionary www.vision-ary.net 14/11/2014 TWITTER @VS_AR 2 Obiettivi del seminario 1. Fornire gli elementi

Dettagli

RICONOSCIMENTO DI TARGHE AUTOMOBILISTICHE

RICONOSCIMENTO DI TARGHE AUTOMOBILISTICHE PROGETTO DEL CORSO DI VISIONE E PERCEZIONE PARTE 2 RICONOSCIMENTO DI TARGHE AUTOMOBILISTICHE Scopo del progetto Il progetto ha come obiettivo quello di riconoscere il testo di una targa automobilistica

Dettagli

Agenda. Lunghezza focale Diaframma Circolo di confusione Iperfocale

Agenda. Lunghezza focale Diaframma Circolo di confusione Iperfocale OBIETTIVI Agenda Lunghezza focale Diaframma Circolo di confusione Iperfocale Lunghezza focale In una lente convergente i raggi provenienti da un soggetto molto lontano convergono in un punto. La distanza

Dettagli

Curriculum Vitae Europass

Curriculum Vitae Europass Curriculum Vitae Europass Informazioni personali Nome(i) / Cognome(i) Indirizzo(i) Via Michele Morelli, 21 I-88100 Catanzaro (Italia) Telefono(i) 0961795515 Cellulare 3204934375 3204405419 E-mail cruglianovincenzo@yahoo.it

Dettagli

Un sistema di Vision Inspection basato su reti neurali

Un sistema di Vision Inspection basato su reti neurali Un sistema di Vision Inspection basato su reti neurali Ludovico Buffon 1, Evelina Lamma 1, Fabrizio Riguzzi 1, Davide Formenti 2 1 Dipartimento di Ingegneria, Via Saragat 1, 44122 Ferrara (FE), Italia

Dettagli

UNIVERSITÀ DEGLI STUDI DI TRIESTE

UNIVERSITÀ DEGLI STUDI DI TRIESTE UNIVERSITÀ DEGLI STUDI DI TRIESTE Corso di Elaborazione Elettronica di Immagini IL COLORE PARTE 2 Gabriele Guarnieri Sommario Spazi colore percettivamente uniformi 1 Spazi colore percettivamente uniformi:

Dettagli

Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione. Raffaele Cappelli raffaele.cappelli@unibo.it

Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione. Raffaele Cappelli raffaele.cappelli@unibo.it Fondamenti di Elaborazione di Immagini Estrazione dei Bordi e Segmentazione Raffaele Cappelli raffaele.cappelli@unibo.it Contenuti Estrazione dei bordi Calcolo del gradiente Operatori di Roberts Operatori

Dettagli

Elementi di Informatica e Programmazione

Elementi di Informatica e Programmazione Elementi di Informatica e Programmazione Il Sistema Operativo Corsi di Laurea in: Ingegneria Civile Ingegneria per l Ambiente e il Territorio Università degli Studi di Brescia Docente: Daniela Fogli Cos

Dettagli

INFORMATICA. Elaborazione delle immagini digitali. Università degli Studi di Foggia Dipartimento di Medicina Clinica e Sperimentale

INFORMATICA. Elaborazione delle immagini digitali. Università degli Studi di Foggia Dipartimento di Medicina Clinica e Sperimentale INFORMATICA Università degli Studi di Foggia Dipartimento di Medicina Clinica e Sperimentale A.A. 2014/2015 II ANNO II SEMESTRE 2 CFU CORSO DI LAUREA MAGISTRALE IN SCIENZE E TECNICHE DELLE ATTIVITÀ MOTORIE

Dettagli

Intelligenza Artificiale

Intelligenza Artificiale Intelligenza Artificiale Anno Accademico 2008-2009 Anno Accademico 2008-2009 Introduzione alla Visione Artiificiale Introduzione alla Visione Artiificiale Sommario Introduzione Percezione Formazione delle

Dettagli

INTRODUZIONE ALLO STUDIO DEI SISTEMI DI CONTROLLLO AUTOMATICO: APPROCCIO CLASSICO APPROCCIO MODERNO

INTRODUZIONE ALLO STUDIO DEI SISTEMI DI CONTROLLLO AUTOMATICO: APPROCCIO CLASSICO APPROCCIO MODERNO INTRODUZIONE ALLO STUDIO DEI SISTEMI DI CONTROLLLO AUTOMATICO: APPROCCIO CLASSICO APPROCCIO MODERNO CARATTERISTICHE DELLE METODOLOGIE E DELL APPROCCIO CLASSICO : a) Fa riferimento essenzialmente al dominio

Dettagli

Introduzione Computer Graphics

Introduzione Computer Graphics Knowledge Aided Engineering Manufacturing and Related Technologies Dipartimento di Ingegneria Industriale Università di Parma Introduzione Computer Graphics Cosa e la computer graphics Computer Graphics

Dettagli

PREPARIAMO LE NOSTRE IMMAGINI PER IL WEB. A cura di Mauro Minetti

PREPARIAMO LE NOSTRE IMMAGINI PER IL WEB. A cura di Mauro Minetti PREPARIAMO LE NOSTRE IMMAGINI PER IL WEB A cura di Mauro Minetti INDICE PREMESSA PREPARIAMO L IMMAGINE DIMENSIONE IMMAGINE MASCHERA DI CONTRASTO FORMATO DI REGISTRAZIONE REGISTRAZIONE CORNICI TRASFORMAZIONE

Dettagli

Classificazione e Segmentazione di Gesture per la Human Computer Interaction

Classificazione e Segmentazione di Gesture per la Human Computer Interaction Università degli studi di Modena e Reggio Emilia Dipartimento di Ingegneria "Enzo Ferrari" Corso di Laurea Magistrale in Ingegneria Informatica Classificazione e Segmentazione di Gesture per la Human Computer

Dettagli

F O R M A T O E U R O P E O P E R I L C U R R I C U L U M V I T A E

F O R M A T O E U R O P E O P E R I L C U R R I C U L U M V I T A E F O R M A T O E U R O P E O P E R I L C U R R I C U L U M V I T A E INFORMAZIONI PERSONALI Nome ANISETTI MARCO Indirizzo Vicolo Piave 7 26010 Pianengo (Cr) Telefono 328-7016227 Fax E-mail marco.anisetti@unimi.it

Dettagli

Curriculum Vitae - Alessandra Rizzardi

Curriculum Vitae - Alessandra Rizzardi Curriculum Vitae - Alessandra Rizzardi Dati personali Nome: Cognome: E-mail: Nazionalità: Alessandra Rizzardi mail@alessandrarizzardi.com Italiana Titoli di studio Dall'anno accademico 2011-2012 all'anno

Dettagli

Lezione 10. La classificazione dell Intelligenza Artificiale

Lezione 10. La classificazione dell Intelligenza Artificiale Lezione 10 Intelligenza Artificiale Cosa è l Intelligenza Artificiale Elaborazione del linguaggio naturale La visione artificiale L apprendimento nelle macchine La classificazione dell Intelligenza Artificiale

Dettagli

Publishing & Editing Immagini

Publishing & Editing Immagini Publishing & Editing Immagini Un'immagine digitale è la rappresentazione numerica di una immagine bidimensionale. La rappresentazione può essere di tipo vettoriale oppure raster (altrimenti detta bitmap);

Dettagli

Il colore. IGEA 2006-07 7 febbraio 2007

Il colore. IGEA 2006-07 7 febbraio 2007 Il colore IGEA 2006-07 7 febbraio 2007 La luce Radiazione elettromagnetica 380 740 nanometri (790 480 THz) Percezione della luce /1 Organi sensoriali: Bastoncelli Molto sensibili (anche a un solo fotone:

Dettagli

È l ora della videosorveglianza basata su FPGA

È l ora della videosorveglianza basata su FPGA È l ora della videosorveglianza basata su FPGA Kambiz Khalilian, Strategic marketing manager Lattice Semiconductor Le preoccupazioni crescenti per la sicurezza hanno costretto i governi e le istituzioni

Dettagli

EOS 500D. Comunicazioni alla stampa. Approfondimento. Canon Consumer Imaging SEGUE COMUNICATO COMPLETO

EOS 500D. Comunicazioni alla stampa. Approfondimento. Canon Consumer Imaging SEGUE COMUNICATO COMPLETO Canon Consumer Imaging Cliccando sul pulsante verde accedi alla pagina Internet da cui è possibile scaricare le foto ad alta risoluzione EOS 500D Approfondimento SEGUE COMUNICATO COMPLETO Tecnologia CMOS

Dettagli

L archiviazione elettronica dei disegni tecnici

L archiviazione elettronica dei disegni tecnici L archiviazione elettronica dei disegni tecnici I documenti prodotti dalle aziende sono tutti importanti, così come è importante la loro corretta archiviazione e gestione. In particolare, si può affermare

Dettagli