Recognition of Brazilian Currency Notes via Feature Point Extraction
Recognition of Brazilian Currency Notes via Feature Point Extraction
Recognition of Brazilian Currency Notes via Feature Point Extraction
- No tags were found...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
correspondências entre as imagens. Winter e Brown [16]evidenciam que, em um cenário típico, um detector depontos de interesse é usado para selecionar pontosreconhecíveis em uma imagem e um descritor é usadopara caracterizar a região ao redor destes pontos. A saídadeste algoritmo é um vetor numérico invariante àstransformações mais comuns na imagem e que pode sercomparado com outros descritores em um banco de dadospara obter a correlação através de alguma métrica. Decerta forma, esse é o método mais simples de combinardois conjuntos de recursos implementados para fazercomparação no primeiro vetor de descritores para cadacaracterística no segundo vetor de descritores.C. Arquitetura do sistema de captação.Como descrito anteriormente, a estratégia aqui propostaconsiste em captar o frame recebido pela câmera e extrairos ponto de interesse contidos neste frame (usando oalgoritmo ORB). Cada ponto de interesse consiste emuma posição central em coordenadas e um vetorque descreve a vizinhança deste ponto. Os pontos deinteresse extraídos do frame serão comparados comaqueles arquivados em disco para a identificação decorrespondência entre os descritores.O resultado desta etapa consiste em uma estrutura dedados que indicará a correspondência entre os pontos deinteresse contidos no frame e no arquivo.Um algoritmo foi usado para calcular acorrespondência entre os dois descritores em questão.Cada ponto de interesse passa por um teste para verificarse este corresponde às exigências da equação aquiproposta:Assumindo queé o valor da distância dospontos de interesse entre duas vizinhanças na posiçãoda imagem capturada pelo frame e consiste em umvalor limite pré-determinado. Para cada ponto deinteresse avaliado no frame, é calculado no momento ovalor. Caso ele seja menor ou igual a umlimite especifico, um ponto em comum entre a descriçãoda nota em arquivo e o frame é associado à região, casocontrário ele é descartado.O algoritmo para fazer a comparação dos descritoresmostrou-se eficiente. Os testes afirmam que aaproximação dos resultados encontrados entre o frame eos descritores provou ser muito boa em aplicações maispráticas, visto que ORB é invariante a rotação, além doalgoritmo de força bruta executar de forma eficiente abusca por correspondência entre as imagens.Algoritmo 1 – Algoritmo para determinar um bom pontode interesse.ForIfEnd forEnd ifIV. EXPERIMENTOS E RESULTADOSCom o objetivo de testar a pertinência da proposta, osistema desenvolvido foi empregado em doisexperimentos: o primeiro, que utilizava a versão doalgoritmo em desktop, e o segundo, com a versão doalgoritmo portada para o sistema Android.Em ambos os experimentos, foram testadas quinzenotas de cada valor, sendo elas: 2, 5, 10, 20, 50 e 100reais. Tais notas estavam sujeitas a rasuras, amassados eoutros tipos de imperfeições, proporcionando assim umabateria de testes diversificada e realista.Ambos os experimentos foram realizados emambientes com iluminação diversa, durante uma tarde euma noite nos laboratórios e corredores de umaInstituição de Ensino Superior.No primeiro teste, com o sistema em desktop,empregamos um microcomputador com sistemaoperacional Windows 7, 4GB de memória RAM eprocessador Intel Core I5.Os voluntários (pessoas de ambos os sexos, a maioriagraduandos ou pr<strong>of</strong>essores da Instituição na qual seprocederam os experimentos) eram convidados,aleatoriamente, a exibir para o sistema alguma nota queportavam em suas carteiras. O experimento durou até queo numero mínimo de 15 notas de cada valor fosseavaliado. A cada exibição, o sistema emitia um avisosonoro sobre o valor da nota apresentada.Após mostrar arbitrariamente a nota para o sistema, ovoluntário era convidado a exibir, também, o outro ladoda nota que segurava, sem qualquer restrição quanto àorientação ou premissas que pudessem facilitar aidentificação das mesmas. As tabelas 1 e 2 resumem osresultados da primeira bateria de testes.Os testes com o algoritmo executando no computadorpessoal demonstraram que o verso da nota obteve menormargem de erro, sendo, portanto, mais facilmentedetectado pelo sistema. O tempo para ser detectadotambém era menor quando comparado com a frente dasnotas que foram detectadas corretamente, como se podeperceber no resumo apresentado pela tabela 5.Este cenário pode ser atribuído ao fato de que o versodas notas possui variação mais acentuada de bordas(característica relevante para o sistema de identificaçãode pontos de interesse usando o algoritmo ORB). Como