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.
TABELA 5 – TEMPO MÉDIO DE PROCESSAMENTO DO ALGORITMO NASPLATAFORMAS DESKTOP E EM DISPOSITIVO MÓVEL.V. CONCLUSÕES E TRABALHOS FUTUROSPercebe-se que os resultados alcançados pela propostademonstram a adequação do emprego do algoritmo nodesenvolvimento de sistemas para o reconhecimento denotas de real. Cabe salientar que o trabalho aqui propostonão tem qualquer intenção de verificar a veracidade danota apresentada ao sistema, mas sim interpretar o valorda cédula, informando-o ao usuário em formato de áudio.Ainda que a maioria dos trabalhos correlatosestudados empreguem RNA, verificou-se que o uso dealgoritmo para detecção de pontos de interesse seapresenta relevante ao contexto, com a vantagem deentregar ao usuário final um sistema livre da necessidadede calibrações ou retreinamentos característicos dossistemas baseados em RNA.A necessidade de diminuição do tempo médio paraexibição do resultado na versão para o dispositivo móvelpode se apresentar como um mote para pesquisasorientadas à otimização dos algoritmos empregados.Neste contexto, propõe-se o emprego de outros métodospara a correspondência entre os pontos de interesse, quenão sejam baseados em busca exaustiva.Mediante os resultados alcançados, vislumbra-se umleque de possibilidades sobre o desenvolvimento detrabalhos futuros decorrentes desta proposta. A principalquestão, porém, que o trabalho deixou de tratar, foi aexequibilidade do sistema junto ao usuário final de maiorinteresse (deficientes visuais), sendo esta uma tarefadeterminante para a continuidade do projeto.Cabe ressaltar, por fim, que o emprego da técnica depontos de interesse apresenta diversas vantagens quandocomparada com a opção de RNA para o contexto no qualse propõe este trabalho, uma vez que possibilita aosistema ser invariante à iluminação, rotação e escala,diminuindo a quantidade de arquivos a seremcomparados em disco para a correspondência entre asimagens e sem a necessidade de treinamento de redes oucontrole do ambiente no qual o algoritmo será executado.[3] PINHANEZ, C. et al. The KidsRoom: A Perceptually-BasedInteractive and Immersive Story Environment. M.I.T MediaLaboratory Perceptual Computing Section Technical Report, 1999.[4] ALTHAFIRI, E; SARFRAZ M; ALFARRAS, M. Bahraini Paper<strong>Currency</strong> <strong>Recognition</strong>. Journal <strong>of</strong> Advanced Computer Science andTechnology Research Vol.2 No.2, June 2012.[5] CAMPOS, D; MACHADO, A.. Um Sistema de Identificação deCédulas monetárias para Indivíduos Portadores de DeficiênciaVisual. Instituto de Informática - Pontifícia Universidade Católica deMinas Gerais. 2009.[6] HASSANPOUR, H; YASERI, A; ARDESHIRI, G. <strong>Feature</strong><strong>Extraction</strong> For Paper <strong>Currency</strong> <strong>Recognition</strong>. IEEE TransactionsOn Signal Processing and it’s Applications, 2007.[7] SINGH, B; BADONI, P; VERMA, K. Computer Vision based<strong>Currency</strong> Classification System International Journal <strong>of</strong> ComputerApplications, Vol.6, No,4, February 2011.[8] SHARMA, B; KAUR, A; VIPAN. <strong>Recognition</strong> <strong>of</strong> Indian Paper<strong>Currency</strong> based on LBP. International Journal <strong>of</strong> ComputerApplications, Vol. 59 no.1, December 2012.[9] OJALA, T; PIETIKINEN, M; MENP T. MultiresolutionGrayscale and Rotation Invariant Texture Classification withLocal Binary Patterns. IEEE PAMI, Vol. 24, No. 7, July 2002.[10] RUBLEE, E; REBAUD, V; KONOLIGE, K; BRADSKI, G. ORB:An Efficient Alternative to SIFT or SURF. Willow Garage,Menlo Park, California. 2011.[11] BAY, H; TUYTELAARS, T; GOOL, L. V. SURF: Speeded UpRobust <strong>Feature</strong>s. ETH Zurich. 2008.[12] E. Rosten and T. Drummond. Machine learning forhigh-speed corner detection. European Conferenceon Computer Vision. 2006.[13] CALONDER, M; LEPETIT, V; STRECHA, C; FUA, P. BRIEF:Binary Robust Independent Elementary <strong>Feature</strong>s. ECCV. 2010.[14] Lowe, David G. Object recognition from local scale-invariantfeatures. Proceedings <strong>of</strong> the International Conference on ComputerVision. 2. pp. 1150–1157. 1999.[15] Open Source Computer Vision. Disponível em: Acesso em: mar. 2013.[16] WINTER, S; BROWN, M. Learning Local Image Descriptors. In:Proceedings <strong>of</strong> CVPR, pg. 1-8, 2007.REFERÊNCIAS[1] STEPHANIDIS, C. Adaptative Techniques for Universal Access.in: User Modeling and User-Adapted Interaction. p. 159-179. 2001.[2] IBGE, Instituto Brasileiro de Geografia e Estatística. CensoDemográfico 2010. Disponível em: Acesso em: set. 2012