Recognition of Brazilian Currency Notes via Feature Point Extraction

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 professores 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

os algoritmos de detecção de ponto de interesse, emgeral, trabalham com estas regiões para a determinaçãoda posição de seus pontos, uma região rica em bordasdistinguíveis das demais tende a ser mais facilmenteidentificada.Em contrapartida, houve menor percentual de acertosquando os testes foram realizados com a frente da nota.Percebe-se que a semelhança entre a parte da frente detodas as notas (mesma tipografia), variando apenas a core numeração, caracteriza-se como um desafio para atécnica proposta.Uma abordagem futura pode incluir outros processosde identificação, que leve em conta característicasauxiliares como a cor ou o reconhecimento numéricopara o incremento da robustez do sistema. O equívocodos testes com a frente da cédula ocorria de modo que acédula de 2 reais era, algumas vezes, detectada como 20 evice-versa, sendo que o mesmo ocorria entre as cédulasde 5 e 50 e de 10 e 100.preocupar com qualquer adequação da cédula nomomento de exibição ao sistema, além de não sernecessário o retreinamento de nosso sistema decorrentede alterações de iluminação do ambiente oucaracterísticas de hardware.A fim de se verificar a consistência do sistema no quese refere ao ambiente final ao qual se propõe, foiprocedida a segunda bateria de testes, na qual a versãopara Android foi empregada. Para este experimentoforam utilizados os mesmos métodos da primeira bateriade testes, com um smartphone Galaxy Ace com câmerade 5 megapixels, processador de 800 MHz e 279 MB deRAM. A versão do Android empregada foi a 2.3.4. Astabelas 3 e 4 resumem os resultados observados.TABELA 3 – RESULTADOS DA AVALIAÇÃO DA FRENTE DAS NOTAS DEREAL PELO SISTEMA EM ANDROID.TABELA 1 – RESULTADOS DA AVALIAÇÃO DO VERSO DAS NOTAS DEREAL PELO SISTEMA EM DESKTOP.TABELA 4 – RESULTADOS DA AVALIAÇÃO DO VERSO DAS NOTAS DEREAL PELO SISTEMA EM ANDROID.TABELA 2 – RESULTADO DA AVALIAÇÃO DA FRENTE DAS NOTAS DEREAL PELO SISTEMA EM DESKTOP.Ainda que o valor de acerto médio da frente da cédulatenha sido menor, quando observamos o valor médioconsiderando os dois lados das cédulas, segundo osvalores demonstrados nas tabelas 1 e 2, vemos que osistema responde corretamente em 89,33% dos casos,índice comparável ao alcançado no trabalho de [5], noqual o sistema proposto reconhece, em média, 93,9%.Cabe sublinhar que o ambiente de testes é diferente entreo trabalho aqui proposto e o desenvolvido pelo trabalho[5]. Em nossa proposta, o usuário não precisa seHá de se destacar que, ainda que os resultados nodispositivo móvel tenham sido mais efetivos, o tempopara processamento e resposta também sofreramacréscimo nesta plataforma, com se observa na tabela 5.Uma hipótese para os resultados mais expressivos naplataforma móvel é a de que o algoritmo empregado paraextração e descrição dos pontos de interesse tenha sidootimizado para tal cenário, impressão que encontrarespaldo no artigo original da técnica [10]. Ainda assim,mais experimentos de cunho comparativo devem serrealizados para a confirmação desta hipótese.Considerando os resultados alcançados pela versãopara dispositivo móvel do sistema, percebe-se que aproposta alcançou a média de 98,8% de reconhecimentocorreto das cédulas apresentadas, patamar que ultrapassaos índices do trabalho de referencia [5].

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 PaperCurrency Recognition. Journal of 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. FeatureExtraction For Paper Currency Recognition. IEEE TransactionsOn Signal Processing and it’s Applications, 2007.[7] SINGH, B; BADONI, P; VERMA, K. Computer Vision basedCurrency Classification System International Journal of ComputerApplications, Vol.6, No,4, February 2011.[8] SHARMA, B; KAUR, A; VIPAN. Recognition of Indian PaperCurrency based on LBP. International Journal of 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 Features. 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 Features. ECCV. 2010.[14] Lowe, David G. Object recognition from local scale-invariantfeatures. Proceedings of 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 of 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