Reconhecimento de edifícios utilizando o filtro de gabor, a transformada wavelet e a rede neural perceptron de múltiplas camadas / Buildings recognition using the gabor filter, wavelet transform and multilayer perceptron network

Leandro Aureliano da Silva, Gilberto Arantes Carrijo, Felipe Santos Moreira, Antonio Carlos Lemos Junior, Cleiton Silvano Goulart, Lidiana Mendes Sousa

Abstract


O reconhecimento de edifícios é uma tarefa bastante difícil, pois as imagens utilizadas possuem ângulos e condições de iluminação diferentes, obstruções parciais de árvores, veículos em movimento ou outros edifícios. Devido a todas essas dificuldades, esse trabalho propõe um sistema de reconhecimento que utiliza a representação de wavelet Gabor para a extração de características, a transformada wavelet para a redução de dimensionalidade e para o reconhecimento a rede neural Perceptron de múltiplas camadas. Para verificar a eficiência desse sistema, utilizou-se um banco de dados de imagens de edifícios de prédios novos e antigos. O desempenho do método proposto foi satisfatório em relação a outros métodos encontrados na literatura.


Keywords


reconhecimento de edifícios, representação de wavelet gabor, extração de características e rede perceptron de múltiplas camadas.

References


J. Li and N. M. Allinson, “Building Recognition Using Local Oriented Features,” IEEE Transactions on Industrial Informatics, vol. 9, no. 3, pp. 1697-1704, Aug. 2013.

R. Hutchings and W. Mayol-Cuevas, “Building recognition for mobile devices: Incorporating positional information with visual features,” Comput. Sci., Univ. Bristol, Bristol, U.K.,Tech. Rep. CSTR-06-017, 2005.

J. Li and N. M. Allinson, “Subspace learning-based dimensionality reduction in building recognition,” Neuro computing, vol. 73, no. 1–3, pp. 324–330, 2009.

I. N. Silva; D. H. Spatti; R. A. Flauzino; “Redes Neurais Artificiais para engenharia e ciências aplicadas,” Artliber, 2010.

V. Struc and N. Pavesic, “Gabor-Based Kernel Partial-Least-Squares Discrimination Features for Face Recognition,” Informatica, vol.20(1), pp.115–138, 2009.

Y. Piparsaniyan, V. K. Sharma, K. K. Mahapatra, “Robust Facial Expression Recognition using Gabor Feature and Bayesian Discriminating Classifier,”. IEEE International Conference on Communicatoin & Signal Processing ICCSP 2014, 3rd-5th April 2014, Adhiparashakti Engineering College, Melmaruvathur, Tamilnadu.

Misiti, M; Misiti, Y; Oppenheim, G.; Poggi, J. M; “Wavelet Toolbox User’S Guide,” The Mathworks: Natick, 1996.

S. Haykin. “Redes Neurais: Princípios e prática,” Bookman, 2001.

J. R. G. Manzan et al. “Improving iris recognition through new target vectors in MLP artificial neural networks,” In: Artificial Neural Networks in Pattern Recognition. Springer Berlin Heidelberg, 2012. p. 115-126.

J. R. G. Manzan; S. Nomura, K. Yamanaka. “Mathematical evidence for target vector type influence on MLP learning improvement,” In: International Conference Artificial Intelligence (ICAI), Las Vegas, 2012.

Fausett, Laurene V. “Fundamentals of neural networks”. Prentice-Hall, 1994.

M. Haghighat, S. Zonouz and M. Abdel-Mottaleb, “Identification Using Encrypted Biometrics,” Computer Analysis of Images and Patterns, Springer Berlin Heidelberg, vol.8048, pp.440–448, 2013.

2014 [online]. http://www.sheffield.ac.uk/eee/research/iel/datasets

da Silva Santos, Daiana, and Robson Mariano da Silva. "Aplicação de redes neurais mlp na predição da evapotranspiração de referência." Brazilian Journal of Development 6.5 (2020): 25293-25305.




DOI: https://doi.org/10.34117/bjdv8n5-164