tg alexandre iwamoto

FACULDADE DE TECNOLOGIA DE SO JOS DOS CAMPOS

FATEC PROFESSOR JESSEN VIDAL

ALEXANDRE IWAMOTO

PREVENO DE ACIDENTES DOMSTICOS COM

CRIANAS UTILIZANDO VISO COMPUTACIONAL

So Jos dos Campos

2015

ALEXANDRE IWAMOTO



Trabalho de Graduao apresentado

Faculdade de Tecnologia So Jos dos

Campos, como parte dos requisitos

necessrios para a obteno do ttulo de

Tecnlogo em Banco de Dados.

Orientador: Me. Giuliano Araujo Bertoti

So Jos dos Campos

2015

iii

Dados Internacionais de Catalogao-na-Publicao (CIP)

Diviso de Informao e Documentao

REFERNCIA BIBLIOGRFICA

IWAMOTO, Alexandre. Preveno de acidentes domsticos com crianas utilizando viso

computacional. 2015. 56f. Trabalho de Graduao FATEC de So Jos dos Campos:

Professor Jessen Vidal.

CESSO DE DIREITOS

NOME DO AUTOR: Alexandre Iwamoto

TTULO DO TRABALHO: Preveno de acidentes domsticos com crianas utilizando viso

computacional

TIPO DO TRABALHO/ANO: Trabalho de Graduao / 2015.

concedida FATEC de So Jos dos Campos: Professor Jessen Vidal permisso para

reproduzir cpias deste Trabalho e para emprestar ou vender cpias somente para propsitos

acadmicos e cientficos. O autor reserva outros direitos de publicao e nenhuma parte deste

Trabalho pode ser reproduzida sem a autorizao do autor.

Alexandre Iwamoto

Rua So Jorge, n 279, Santana

CEP 12212-010 So Jos dos Campos So Paulo

IWAMOTO, Alexandre

Preveno de acidentes domsticos com crianas utilizando viso computacional.

So Jos dos campos, 2015.

56f.

Trabalho de Graduao Curso de Tecnologia em Banco de Dados, FATEC de So Jos dos

Campos: Professor Jessen Vidal, 2015.

Orientador: Mestre Giuliano Araujo Bertoti.

1. reas de conhecimento. I. Faculdade de Tecnologia. FATEC de So Jos dos Campos:

Professor Jessen Vidal. Diviso de Informao e Documentao. II. Ttulo

iv

Alexandre Iwamoto



Trabalho de Graduao apresentado

Faculdade de Tecnologia So Jos dos

Campos, como parte dos requisitos

necessrios para a obteno do ttulo de

Tecnlogo em Banco de Dados.

v

Dedico ao meu pai Teruo (in memorian),

minha me Margarida, minha esposa Lria e aos

meus filhos Monique e Patrick.

vi

AGRADECIMENTOS

Agradeo ao professor e orientador Giuliano Bertoti, por todo o apoio durante o curso,

pela sua dedicao como professor, pela sua orientao durante a realizao desse trabalho e

pela sua amizade como pessoa.

Agradeo a todos os professores da Fatec pela dedicao como mestres e por

compartilharem seus conhecimentos, experincias e amizade. Agradeo tambm a todos os

funcionrios que se dedicam para que tenhamos condies de aprender.

Agradeo por cada pessoa que conheci, por cada um que se tornou meu amigo e por

cada companheiro que lutou lado a lado durante o tempo que estivemos juntos. Agradeo pelo

apoio, incentivo e companheirismo daqueles que chegaram juntos at aqui.

Agradeo aos meus pais, que me ensinaram a ter carter e por me ajudarem a ser quem

sou hoje. Agradeo a minha esposa e companheira pelo apoio e incentivo nas horas difceis e

por sua compreenso. Igualmente agradeo a meus filhos pela fora e por serem a minha

motivao em cada esforo empreendido.

Agradeo a meus pastores pelas oraes e pelo revestimento espiritual sobre minha vida.

E sobre todas as coisas, agradeo a Deus que tem me sustentado at aqui, com sade,

fora e sabedoria, suprindo todas as minhas necessidades em cada rea da minha vida.

vii

Talvez no tenhamos conseguido fazer o

melhor, mas lutamos para que o melhor fosse

feito. No somos o que deveramos ser, mas

Graas a Deus, no somos o que ramos.

Martin Luther King Junior

viii

RESUMO

Todos os anos milhares de crianas na idade pr-escolar so vtimas de acidentes

domsticos em seus prprios lares, e muitos so graves e at letais para as mesmas. A grande

maioria desses acidentes pode ser evitada se houver um monitoramento eficaz de suas aes

prximo as reas de perigo. O objetivo desse trabalho utilizar o conceito da viso

computacional para o desenvolvimento de um sistema de monitoramento e alerta aos pais em

casos de situaes de risco. Para esse desenvolvimento utilizou-se o HTML5 e bibliotecas de

viso computacional em JavaScript, alm da integrao com redes sociais para o sistema de

alerta. No foi necessria nenhuma implementao de hardware especfica para esse trabalho,

pois o sistema utiliza apenas webcams comuns, sendo todo o processamento realizado via

software. Por meio deste trabalho constatou-se que possvel implementar uma soluo simples

e verstil utilizando a Viso Computacional para auxiliar na preveno desses acidentes.

Palavras-Chave: Acidentes Domsticos com Crianas; Viso Computacional; Tracking.js;

Twitter.

ix

ABSTRACT

Every year thousands of children in pre-school age are victims of domestic accidents in

their own homes, and many of these accidents are serious and even lethal for then. Most of

these accidents can be avoided if there is an effective monitoring of their actions near the areas

of risk. The aim of this work is to use the concept of computer vision to develop a monitoring

system that alerts the parents in cases of risk. For this development it was used the HTML5 and

computer vision libraries in JavaScript, and in addition the integration with social networks for

warning system. No implementation of specific hardware is required for this work because the

system uses only common webcam, with all processing being done via software. Through this

work it was concluded that it is possible to implement a simple and versatile solution using

Computer Vision to help preventing these accidents.

Keywords: Domestic Accidents with Children; Computer Vision; Tracking.js; Twitter.

x

LISTA DE FIGURAS

Figura 2.1 Quantidade de bitos por tipo de acidente ........................................................... 16

Figura 2.2 Risco de afogamento ............................................................................................ 17

Figura 2.3 Risco de envenenamento ...................................................................................... 18

Figura 2.4 Perigo de queda de alto nvel ............................................................................... 19

Figura 2.5 Deteco facial ..................................................................................................... 24

Figura 2.6 Controle por meio de cores .................................................................................. 25

Figura 2.7 Deteco de cores em vdeo ................................................................................. 26

Figura 3.1 Diagrama de casos de uso do sistema .................................................................. 27

Figura 3.2 Diagrama de sequncia do sistema ...................................................................... 28

Figura 3.3 Arquitetura do sistema ......................................................................................... 29

Figura 3.4 Download da biblioteca tracking.js ..................................................................... 30

Figura 3.5 Exemplo de utilizao da biblioteca .................................................................... 31

Figura 3.6 Funo que registra a cor amarela no sistema ...................................................... 32

Figura 3.7 Primeiro bloco do mtodo principal ..................................................................... 33

Figura 3.8 Segundo bloco do mtodo principal ..................................................................... 34

Figura 3.9 Fluxograma da funo de deteco por cor.......................................................... 35

Figura 3.10 Interface com boto Twitter para fazer login ..................................................... 36

Figura 3.11 Registro da aplicao que utilizar a API do Twitter ......................................... 37

Figura 3.12 Configurao das chaves de acesso ao Twitter .................................................. 37

Figura 3.13 Mtodo principal de login com o Twitter ........................................................... 38

Figura 3.14 Configurao bsica da API do Twitter ............................................................. 39

Figura 3.15 Mapeamento facial ............................................................................................. 40

Figura 3.16 Trecho de cdigo que configura a deteco facial ............................................. 40

Figura 3.17 Fluxograma da funo de deteco facial .......................................................... 41

Figura 3.18 Aplicativo detectando a aproximao via reconhecimento facial ...................... 42

Figura 4.1 Equipamentos utilizados ...................................................................................... 43

Figura 4.2 Distncia entre a posio inicial da criana e a cmera ....................................... 44

Figura 4.3 Campo focal direcionado para respeitar a altura da criana ................................ 44

Figura 4.4 Definio da cor no aplicativo ............................................................................. 45

Figura 4.5 Alertas enviados aps a deteco ......................................................................... 47

Figura 4.6 Aplicativo sendo executado em dispositivo mvel .............................................. 48

Figura 4.7 Teste com dois smartphones ................................................................................ 49

Figura 4.8 Smartphone monitorando ponto de risco ............................................................. 49

Figura 4.9 Aparelho recebendo notificaes ......................................................................... 50

xi

LISTA DE TABELAS

Tabela 4.1 Distncia mdia no momento do reconhecimento por cor..........................45

Tabela 4.2 Medies das distncias no momento do reconhecimento facial................46

xii

SUMRIO

1- INTRODUO .................................................................................................................. 13

1.1- Motivao ...................................................................................................................... 13

1.2- Problema ........................................................................................................................ 14

1.3- Proposta de Soluo ....................................................................................................... 14

1.4- Organizao do Trabalho ............................................................................................... 15

2- REVISO BIBLIOGRFICA .......................................................................................... 16

2.1- Acidentes domsticos com crianas .............................................................................. 16

2.2- Viso Computacional .................................................................................................... 19

2.2.1- Bibliotecas para desenvolvimento de aplicaes CV ............................................. 22

2.2.2- Exemplos de aplicaes CV ................................................................................... 22

2.2.2.1- Deteco de faces, olhos e boca numa imagem ................................................. 23

2.2.2.2- Jogo com controle de movimentos utilizado cores ............................................ 24

2.2.2.3- Deteco de cores em um vdeo ........................................................................ 25

2.2.3- Aplicao no corrente trabalho ............................................................................... 26

3- DESENVOLVIMENTO .................................................................................................... 27

3.1- Requisitos do sistema .................................................................................................... 27

3.2- Arquitetura do sistema ................................................................................................... 28

3.3- Mdulo de Viso Computacional .................................................................................. 29

3.4- Mdulo de interface com o cliente ................................................................................ 35

3.5- Mdulo de envio de alerta ............................................................................................. 36

3.6- Deteco facial .............................................................................................................. 39

4- RESULTADOS ................................................................................................................... 43

4.1- Ambiente de experimentao ........................................................................................ 43

4.1.1- Ferramentas utilizadas .......................................................................................... 43

4.1.2- Espao fsico da experimentao .......................................................................... 44

4.2- Experimentao do prottipo 1 ...................................................................................... 45

4.3- Experimentao do prottipo 2 ...................................................................................... 46

4.4- Anlise dos resultados ................................................................................................... 46

3- CONSIDERAES FINAIS ............................................................................................ 51

5.1- Contribuies e Concluses ........................................................................................... 51

5.2- Trabalhos Futuros .......................................................................................................... 52

REFERNCIAS ..................................................................................................................... 53

13

1- INTRODUO

Este captulo tem por objetivo apresentar a motivao do objeto em estudo, as causas e

consequncias do problema apresentado e propor uma soluo para o mesmo. Este captulo

dividido em: Motivao, Problema e Proposta de Soluo.

1.1- Motivao

Culturalmente os acidentes so percebidos como situaes inevitveis, no desejadas

pelas pessoas e at acredita-se que nunca haver a ocorrncia do mesmo. Porm, quando se

enfrenta um acidente e reflete-se como aconteceu, descobre-se que poderia ter sido evitado. A

Organizao Mundial de Sade (OMS) define acidente como um acontecimento casual que

independe da vontade humana, ocasionado por um fator externo que origina dano corporal ou

mental (SCHVARTSMAN, 1984).

Quando se trata de um lar com crianas na idade pr-escolar, a probabilidade de

ocorrerem acidentes graves com as mesmas aumenta muito, devido falta de percepo das

mesmas frente s situaes de risco, descuido dos pais, ambientes mal projetados e muitos

outros fatores. Nos Estados Unidos, em 1989, aproximadamente 2.700 crianas, abaixo de 14

anos, morreram como resultado de infortnios acontecidos no interior das residncias

(JONES,1993). Na frica do Sul, a intoxicao com produtos qumicos, especialmente o

querosene, um dos acidentes mais comuns em crianas, principalmente nas menores de 3 anos

e, em estudos realizados, estimou-se que pelo menos 16.000 crianas so hospitalizadas

anualmente (YACH, 1994).

Segundo pesquisa sobre o assunto, realizada pelo Ministrio da Sade em 2006, no

Brasil foram registrados 8.309 casos de atendimentos de acidentes com meninos e meninas

entre 0 e 9 anos. J em 2007, esse nmero subiu para 10.687. Quedas foram a causa de 10.166

acidentes envolvendo crianas somando os dois anos. Na cidade de So Paulo, e demais cidades

no litorneas, os acidentes em piscinas representam a quase totalidade dos casos de

afogamento (MALTA, 2009).

Segundo dados do Departamento Cientfico de Segurana da Criana e do Adolescente

da Sociedade Brasileira de Pediatria, todos os anos, 5,3 mil crianas morrem vtimas de

acidentes domsticos no Brasil. Neste pas as queimaduras representam a quarta causa de morte

e hospitalizao, por acidente, de crianas e adolescentes de at 14 anos. As causas mais comuns

so a escaldadura (queimadura por lquidos quentes) sendo a principal causa em menores de 5

anos, o contato com fogo e objetos quentes (as queimaduras por chamas so mais graves,

atingem maior extenso e profundidade da pele), a queimadura provocada por substncias

14

qumicas, a queimadura por exposio eletricidade (os acidentes por fios e aparelhos eltricos

acometem mais as crianas menores de 5 anos) e a exposio excessiva ao sol (SBP, 2014).

Todos esses dados reforam quo problemtico um lar desprovido de recursos para

preveno de acidentes com crianas na idade pr-escolar, pois as mesmas so muito ativas

nessa fase, e esto sempre explorando todas as reas da casa, tornando um pequeno descuido

por parte dos pais, em situaes de alto risco e at fatais para si prprias.

1.2- Problema

Os altos ndices de acidentes domsticos com crianas.

1.3- Proposta de Soluo

Solues para diminuir os riscos de acidentes e monitorar as aes de uma criana dentro

de um ambiente podem ser encontradas utilizando elementos de preveno, com uma grande

aliada, a tecnologia (SIMO, 2007). Com ela pode-se fazer uso de sistemas integrados,

mapeamento digital, domtica (automao de residncias), sistemas sem fio e utilizao de

dispositivos portteis como tablets e smartphones para implementar uma soluo. A soluo

proposta por meio deste trabalho implementar uma aplicao para monitoramento utilizando

os conceitos da viso computacional, que so em resumo um conjunto de mtodos e tcnicas

por meio dos quais sistemas computacionais so capazes de interpretar imagens

(WANGENHEIN, 2007) (THACKER, 2008), e aplic-la de modo efetivo na preveno de

acidentes domsticos com crianas.

A viso computacional utiliza algoritmos de anlise de imagens obtidas por cmeras

normais, que conseguem, via software, informar alteraes, mudanas e movimentos em

ambientes monitorados pelas mesmas (THACKER, 2008) (WILSON, 1995). Na rea mdica a

viso computacional tem sido utilizada para se fazer anlises de movimento, e aplicada

principalmente em estruturas de imagem mdica e no campo de anlise de movimento do corpo

humano (KAMBHAMETTU, 1994), (BAUMBERG, 1995), (GAVRILA, 1999), (TAVARES,

2000) (AGGARWAL, 2004). Com os recentes avanos tecnolgicos, a captura, transferncia e

processamento de imagens em tempo real podem ser implementadas em sistemas de hardware

cada vez mais comuns e usuais (JAYNES, 1996).

A anlise de movimento atravs da viso computacional tem sido aplicada em vrias

reas, tais como: em sistemas de segurana (CUCCHIARA, 2000), diagnsticos e estudos

clnicos (MCINERNEY, 1996), (TAVARES, 2000), (CORREIA, 2001) e realidade virtual em

animaes (GLEICHER, 1999). A utilizao de imagens que tem variao temporal tambm

15

tem sido aplicadas na prtica em anlise do trfego rodovirio, na previso das condies

atmosfricas analisando o movimento das nuvens, no estudo do movimento dos lbios para se

obter sua leitura, ou em anlise das deformaes de materiais (GRIMSON, 1994).

Nesta proposta de soluo ser feito uso da viso computacional para monitorar reas

de risco criana, pretendendo detectar movimento e aproximao da mesma prxima a esses

locais e alertar o responsvel, como uma maneira de prevenir e evitar um acidente (SIMO,

2007).

1.4 Organizao do Trabalho

Este trabalho est organizado nos seguintes captulos, que so apresentados a seguir:

O Captulo 2 apresenta a reviso bibliografia e fundamentao terica utilizada. Seu

contedo o resultado das pesquisas que fundamentam este trabalho.

O Captulo 3 descreve como foi desenvolvida a proposta de soluo, sua arquitetura,

seu funcionamento e sua aplicao.

O Captulo 4 a documentao dos resultados obtidos atravs da experimentao desse

trabalho, incluindo tambm dificuldades e consideraes sobre o modelo proposto.

O Captulo 5 apresenta as consideraes finais deste trabalho. Constam contribuies e

propostas de trabalhos futuros.

16

2- REVISO BIBLIOGRFICA

Este captulo tem como objetivo descrever dois pontos que sero as bases para o

desenvolvimento desse trabalho: os acidentes domsticos e a viso computacional.

Na seo 2.1 sero descritos os acidentes domsticos com crianas, suas causas,

consequncias e seus nmeros, e no tpico 2.2 apresentado o conceito de viso computacional

e exemplificado sua utilizao.

2.1- Acidentes domsticos com crianas

Numa viso mais abrangente, em 2008 um nmero estimado em 793 mil crianas abaixo

de 19 anos morreu de leses sofridas em acidentes em todo o globo. Dentro da faixa de idade

entre 5 e 14 anos, mais de um quarto de todas as mortes foram em razo de acidentes com leso.

Mais de 95% de todas essas mortes infantis ocorreram nos pases subdesenvolvidos e em

desenvolvimento. Em 2010, nos Estados Unidos, 8.684 crianas abaixo de 19 anos morreram

de leses e a taxa de morte foi 23,29 por 100 mil crianas (SAFEKIDS, 2014).

Segundo dados da Sociedade Brasileira de Pediatria, todos os anos 5,3 mil crianas

morrem vtimas de acidentes e 140 mil so hospitalizadas (CRIANA SEGURA, 2014).

Pesquisas de 2006 e 2007 feitas no Brasil, utilizando uma base de cem mil crianas da

faixa etria de 1 a 15 anos, revelam que, do total de bitos por acidentes, 40% so causados por

acidentes de trnsito. Os 60% restantes so causados por acidentes domsticos dentro da prpria

residncia. A Figura 2.1 representa graficamente os nmeros obtidos por essas pesquisas.

Figura 2.1- Quantidade de bitos por tipo de acidente

Fonte: CRIANA SEGURA (2014)

17

Dentro da faixa etria os acidentes esto divididos da seguinte forma: 40%

aproximadamente do total concentra-se entre 0 a 4 anos, 27% entre 5 a 9 anos e os 33% restantes

na faixa de 10 a 14 anos (RELATRIO CRIANA SEGURA, 2014).

Depois dos acidentes de trnsito, os afogamentos, ou aspirao de lquido causado por

submerso, so a segunda maior causa de morte em crianas de 1 a 9 anos. Crianas que esto

aprendendo a andar podem cair em baldes, banheiras, vasos sanitrios e morrerem nesses locais

(CORPO DE BOMBEIROS, 2014).

No menos comuns so acidentes ocorridos em piscinas, com o crescimento do aparato

nas residncias. A Figura 2.2 ilustra esse risco cotidiano em muitos lares.

Fonte: BLOGSEGURANCATOTAL (2013)

Assim como os afogamentos, o envenenamento ou intoxicao de crianas pela ingesto

de cosmticos, produtos de limpeza, medicamentos, raticidas e inseticidas tem tambm uma

Figura 2.1 Risco de afogamento Figura 2.1 Risco de afogamento Figura 2.2 Risco de afogamento

18

grande fatia dentro dos ndices de acidentes domsticos. Essa modalidade de acidente atinge

aproximadamente 26.000 crianas todos os anos no Brasil, sendo que deste nmero uma mdia

de 1200 vo parar em hospitais e 75 falecem (CRESCER, 2014). A Figura 2.3 ilustra esse tipo

de acidente.

Figura 2.3 Risco de envenenamento

Fonte: ANCONAENGENHARIA (2014)

Outro perigo iminente para as crianas dentro de uma casa so as quedas, principalmente

em locais que possuem escadas ou diferenas de nvel entre os cmodos, como ilustrado na

Figura 2.4, que podem levar a leses, incapacitao fsica e at a morte. O nmero de mortes

por quedas quando se refere a crianas, concentra o maior nmero na faixa entre 5 e 9 anos

(WHO, 2004).

19

Figura 2.4 Perigo de queda de alto nvel

Fonte: GUIAINFANTIL (2014)

2.2- Viso Computacional

A viso computacional (Computer Vision CV) a rea da cincia que extrai

automaticamente informaes teis de imagens, utilizando mtodos, sistemas e teorias. Essas

imagens podem ser capturadas por cmeras, scanners ou outros dispositivos. Aplicaes que

envolvem um sistema de viso computacional, tem como objetivo a anlise ou a interpretao

de imagens, para obter-se uma descrio que contenha informaes suficientes para distinguir

entre diferentes objetos de interesse, de forma confivel, requerendo o mnimo de interveno

humana (PEDRINI E SCHWARTZ ,2008) (THACKER, 2008) (JAYNES, 1996).

20

A viso computacional abrange vrios temas, e utilizada em vrias reas e aplicaes,

se relacionando com outras disciplinas, como por exemplo a rea mdica, aeronutica ou

industrial, tornando-se com isso uma rea sem uma frmula padro de como se fazer, estudar

ou pesquisar (SOUSA, 2010) (GRIMSON, 1994) (AGGARWAL, 2004). Num breve resumo

pode-se definir que a viso computacional um conjunto de mtodos e tcnicas por meio dos

quais sistemas computacionais so capazes de interpretar imagens (WANGENHEIN e

COMUNELLO, 2007) (PULLI, 2012) (SHAH, 2002).

Como a maioria dos sistemas computacionais, a viso computacional tambm busca a

interpretao e o processamento baseando-se no funcionamento da viso humana e como isso

interpretado pelo crebro. O sentido da viso pode ser considerado o meio mais eficiente e

importante de que o ser humano dispe para captar as informaes originadas no ambiente que

o cerca, como deteco, localizao, reconhecimento e interpretao de objetos sua volta

(OLIVER, 2000) (SUN, 2008).

Para se explorar eficientemente os recursos de sistema de processamento de imagens, o

conhecimento de como reage o sistema visual humano e de algumas tcnicas disponveis para

melhor adequar a imagem aplicao se fazem necessrias (SUN, 2008). Com isso pode-se

concluir que a imagem em sua forma digital pode tornar possvel uma melhor acuidade do

sentido da viso (FACON, 2005) (PEDRINI e SCHWARTZ, 2008).

Segundo estudos sobre o sistema visual humano , o complexo sistema biolgico que

permite ao homem a interpretao da radiao eletromagntica do espectro visvel, e a elevada

quantidade de padres que os sistemas visuais orgnicos so capazes de processar fazendo a

devida assimilao e adaptaes contnuas do sistema (AGGARWAL,2004) (FACON, 2005)

(SUN, 2008), tornam o desempenho da viso computacional ainda distante da viso humana ,

mesmo com o conhecimento cientfico e tecnolgico disponvel, devido s restries no tempo

de respostas. Porm quando instrumentos convencionais de medio no podem ser utilizados

em medies sem contato, devido ao tamanho reduzido dos objetos analisados, ou devido a sua

complexidade geomtrica, sistemas de viso computacional so extremamente teis

(FELICIANO, 2007).

Baseado na capacidade humana de processamento e interpretao de grandes

quantidades de imagem, as aplicaes de imagem estimulam o desenvolvimento de tcnicas e

dispositivos, de modo a estender esta sua capacidade e sensibilidade ainda mais (OLIVER,

2000). Um sistema baseado em viso, pode ser dividido em mdulos, seja num sistema tcnico

ou biolgico. Esses mdulos resumidamente incluem os seguintes componentes: Uma fonte de

radiao, uma cmera, um sensor e uma unidade de processamento. Sem uma fonte de radiao

21

proveniente da cena ou objeto de interesse nada pode ser observado ou processado, ou seja,

necessria uma iluminao apropriada. A cmera o que coleta a radiao recebida e pode

foc-la. O sensor o que converte o fluxo de radiao recebida para um sinal que possa ser

processado posteriormente. A unidade de processamento que extrai a informao til, que

pode ser mensurada e ser categorizada em classes, para tomada de decises posteriores

(JHNE, 1999).

Basicamente sistemas de viso computacional utilizam tcnicas de processamento

digital de imagens, o qual para realizar um reconhecimento deve extrair caractersticas dos

objetos da imagem e usar algum tipo de inteligncia computacional para proceder distino

entre os objetos (MA, 2004) (WREN, 1998) (YILMAZ, 2006) (PULLI, 2012) (OLIVER, 2000).

Neste caso no fundamental obter valores exatos destas caractersticas, por outro lado, em

sistemas utilizados para inspeo a preciso se faz necessria (FELICIANO, 2007).

Pode-se dividir os processos de anlise e reconhecimento de objetos em imagens at a

aplicao de uma inteligncia prpria em trs nveis: baixo, mdio e alto-nvel. Os processos

de baixo-nvel so operaes que buscam a melhoria das imagens obtidas por intermdio de

operaes primitivas, como reduzir rudos, melhoria de contraste e utilizao de cmeras com

boa resoluo. J os processos de nvel-mdio envolvem a manipulao das caractersticas da

imagem propriamente dita, e por meio das mesmas obter-se padres de reconhecimento,

utilizando operaes como a segmentao (decomposio da imagem em regies) ou

classificao (reconhecimento dos objetos na imagem). Quanto aos processos de alto-nvel, os

mesmos esto relacionados com as tarefas de cognio associadas viso humana, procurando

entrelaar as aes e reaes biolgicas ao mecanismo da viso computacional (MARENGONI,

2009).

Ainda no existe nenhum modelo genrico de percepo visual que possa ser aplicado

totalmente na prtica. Apesar do conhecimento sobre o funcionamento da percepo visual nos

animais, o mesmo no suficiente para que se possa utilizar tcnicas de redes neurais para

modelar ou imitar a percepo visual biolgica. Na prtica, quando se faz necessria a resoluo

de uma tarefa que utilize o processamento e interpretao de imagens, utiliza-se um conjunto

de algoritmos bastante especficos e os mesmos realizam sub processos que ainda so bem

limitados na vasta gama de utilizaes em que se os aplicam (AGGARWAL, 2004)

(GHEISSARI, 2006). Esses algoritmos so divididos em grupos como filtros de contraste,

detectores de bordas de objetos, segmentadores de imagens em regies, classificadores de

texturas e assim por diante. Na maioria dos casos, um problema pode ser resolvido utilizando

uma integrao desses algoritmos que funcionar para um conjunto de imagens com

22

caractersticas muito especficas, mas que podem deixar de funcionar em outros casos

(WANGENHEIN e COMUNELLO, 2007) (THACKER, 2008).

Rastreamento de objetos visuais em ambientes complexos uma tarefa desafiadora e

algoritmos complexos so necessrios para implementao desse recurso (COMANICIU,

2000) (GHEISSARI,2006) (WREN, 1998). Diversas variveis influenciam nas implementaes

utilizando o rastreamento, como mudanas de iluminao, ocluses, mudanas de ponto de

vista, cmeras mveis e movimentos de objetos (RYMEL, 2004) (LEUNG, 2006). Apesar da

complexidade de implementao dos algoritmos de rastreamento de objetos em cenas, essa

uma tarefa de grande importncia dentro da viso computacional e a base para aplicaes que

envolvem reconhecimento baseado em movimento, vigilncia automatizada, interao homem

computador, monitoramento de trfego, navegao automotiva entre outras (YILMAZ, 2006).

Contudo, mesmo que a viso computacional se encontre nos seus primrdios e que a

grande maioria de suas solues e abordagens ainda tratada como objeto de pesquisas, a

aplicao da mesma engloba vrios enfoques, podendo ser utilizada em solues prticas e

especficas, como em inspees automatizadas em linhas de produo para prover o controle

de qualidade, at em tentativas de criar modelos genricos de percepo visual atravs de

modelagens de processos cognitivos da viso, baseados em anlises de como isso processado

nos animais superiores (WREN, 1998) (WANGENHEIN e COMUNELLO, 2007) (OLIVER,

2000).

2.2.1- Bibliotecas para desenvolvimento de aplicaes CV

Existem vrias bibliotecas para desenvolvimento de aplicaes utilizando a viso

computacional. Uma delas o tracking.js, uma biblioteca que possui vrios algoritmos de uso

integrado com web browsers. Ela utiliza modernas especificaes HTML5, que possibilitam

sua utilizao em aplicaes que faam uso da deteco em tempo real de cores, deteco facial,

deteco de aproximao e movimento, entre muitas outras. possvel utilizar essa biblioteca

para criao de inmeros algoritmos para as mais diversas aplicaes, sejam elas apenas para

anlises de imagens, como para controlar outras aplicaes utilizando cores, formas ou

movimentos.

2.2.2- Exemplos de aplicaes de CV

A viso computacional vem sendo utilizada em diversas reas, como em processos de

anlise de smen humano, reconhecimento e digitalizao de faces humanas, medies

computadorizadas das dimenses de peas, rastreamento de pontos para detectar intrusos,

23

anlise de alteraes estruturais em clulas, entre outras (SHAH, 2002) (SOUSA ,2010). O

crescente avano da tecnologia digital, associada ao desenvolvimento de novos algoritmos, tem

permitido um nmero maior de aplicaes, como por exemplo, em anlise de imagens

capturadas por meio de microscpios pticos ou eletrnicos, beneficiando reas que variam

desde a biologia at a metalurgia. A demanda crescente na automatizao de tarefas

tradicionalmente executadas por seres humanos tem favorecido o desenvolvimento de sistemas

para reconhecimento de padres (WREN, 1998) (PEDRINI e SCHWARTZ, 2008) (SERRE,

2010) (OLIVER, 2000).

A viso computacional aplicada em medies e inspees oferece exatido e repeties

sucessivas em medies sem contato, porque consegue eliminar aspectos como subjetividade,

fadiga, lentido e custo, associados inspeo humana (FELICIANO, 2007) (GRIMSON,

1994).

A medicina uma das grandes beneficiadas pelos avanos das tecnologias de viso

computacional, conseguindo por meio de tcnicas de processamento, anlise e extrao de

informaes em imagens, estabelecer diagnsticos mais precisos. O aumento no ndice de

acerto nos diagnsticos tem feito com que a utilizao de sistemas baseados em viso

computacional cada vez se torne mais interessante (SOUSA, 2010) (SERRE, 2010).

2.2.2.1- Deteco de faces, olhos e boca numa imagem

Na Figura 2.5 pode-se observar uma aplicao para mapeamento facial, em uma imagem

obtida de uma cmera web comum, sendo feita em tempo real utilizando-se um navegador de

Internet.

24

Figura 2.5 Deteco facial

Fonte: TRACKINGJS (2014)

2.2.2.2- Jogo com controle de movimentos utilizando cores

Na Figura 2.6 pode-se observar um jogo que faz uso da deteco e anlise de cores, e

seu algoritmo capaz de distinguir as cores obtidas por intermdio da cmera web e utiliz-las

para controlar o movimento da nave.

25

Figura 2.6 Controle por meio de cores


2.2.2.3- Deteco de cores em um vdeo

A aplicao da Figura 2.7 ilustra o uso da deteco de cores, que podem ser configuradas

num painel ao lado, em um vdeo sendo exibido em tempo real. Os delineadores acompanham

o movimento dos objetos de acordo com as cores configuradas.

26

Figura 2.7 Deteco de cores em vdeo


2.2.3- Aplicao no corrente trabalho

Os exemplos ilustrados anteriormente possuem uma importncia relevante na

implementao desse trabalho, pois sero mdulos explorados durante o desenvolvimento da

proposta de soluo, aplicados ao contexto de deteco. Os mtodos que a biblioteca possui

podem ser facilmente adaptados, feitas as devidas configuraes, e serem utilizados de acordo

com a necessidade dentro da aplicao.

27

3- DESENVOLVIMENTO

Esse captulo visa explanar a implementao do sistema de preveno de acidentes com

crianas, sua arquitetura, seu funcionamento e seus mdulos principais. Ele est dividido em:

requisitos do sistema, arquitetura do sistema, mdulo de viso computacional, mdulo de

interface com o cliente e mdulo de envio de alerta.

3.1- Requisitos do sistema

Basicamente, o sistema implementado dever possuir as seguintes funcionalidades:

- Um mdulo de Login com o Twitter;

- Um mtodo de obteno de imagens em tempo real;

- Um mdulo para processar e analisar as imagens obtidas;

- Uma funo para detectar um objeto alvo na cena;

- Uma funo para disparar um evento aps a confirmao de deteco;

- Um mdulo para envio de notificao ao usurio autenticado.

Para uma melhor compreenso das funcionalidades desse trabalho, o diagrama de casos

de usos do sistema ilustrado na Figura 3.1.

Figura 3.1 Diagrama de casos de uso do sistema

Fonte: AUTOR (2015)

28

A sequncia de funcionamento do sistema ilustrada no diagrama de sequncia da Figura

3.2.

Figura 3.2 Diagrama de sequncia do sistema

Fonte: AUTOR (2015)

3.2- Arquitetura do sistema

O sistema de monitoramento e preveno de acidentes com crianas utilizar

basicamente uma cmera de computador, como tambm permitir o uso das cmeras embutidas

em smartphones ou em outros dispositivos mveis, e do software baseado em CV.

Foram desenvolvidos dois prottipos de software, utilizando-se HTML5, e a biblioteca

tracking.js em JavaScript. Para envio do alerta utilizou-se a Interface de Programao de

Aplicativos (Application Programming Interface - API) do Twitter em PHP. A Figura 3.3

apresenta a arquitetura do sistema.

29

Figura 3.3- Arquitetura do Sistema

Fonte: AUTOR (2015)

3.3- Mdulo de Viso Computacional

Para se utilizar a biblioteca tracking.js e fazer uso dos recursos da viso computacional

necessrio fazer o download no site de mesmo nome (TRACKING.JS, 2014) como ilustra a

Figura 3.4.

30

Figura 3.4- Download da biblioteca tracking.js


O arquivo recebido um arquivo compactado que, ao ser descompactado no disco local,

apresenta exemplos e dependncias para o cdigo fonte. Testes podem ser realizados

localmente desde que seja utilizada alguma IDE com um servidor HTTP para carregar as

pginas. A utilizao da biblioteca sobremaneira simples, bastando indicar o caminho como

ilustra a Figura 3.5.

31

Figura 3.5- Exemplo de utilizao da biblioteca

Fonte: AUTOR (2015)

Feita essa etapa, deve-se definir qual o tipo de tcnica de rastreamento ser utilizado, ou

seja, se esse rastreamento ser feito por formas, distncias, cores, movimentos, diferenas de

relevo, etc. No sistema implementado, numa primeira instncia fez-se uso do rastreamento por

cores, na qual o sistema analisa constantemente as imagens obtidas pela cmera e compara se a

cor que se deseja detectar entrou no campo coberto pela mesma.

Para que o algoritmo faa distino entre as cores, preciso ser feito um registro das

cores, por meio de clculos que restrinjam a faixa na qual se encontra a cor desejada, dentro do

padro RGB. O registro da cor amarela ilustrado na Figura 3.6.

32

Figura 3.6- Funo que registra a cor amarela no sistema

Fonte: AUTOR (2015)

No trecho de cdigo da Figura 3.6 feita uma comparao de valores cujo retorno a

faixa em que se encontra o cdigo RGB referente a cor amarela. Esse mesmo cdigo foi

implementado para as outras cores utilizadas na experimentao, alterando-se os valores de

acordo com seu cdigo RGB, e com esse registro consegue-se torn-las utilizveis pelo mtodo

de rastreamento.

O mtodo principal que possui a funo de tracker por cor, pode ser dividido em dois

blocos, sendo que o primeiro bloco ilustrado na Figura 3.7, recebe a opo escolhida pelo

usurio e define a cor que vai ser analisada, criando uma varivel com essa configurao. J no

segundo bloco que mostrado na Figura 3.8, essa varivel, que foi definida no bloco anterior,

utilizada como parmetro dentro do mtodo que faz o rastreamento e anlise.

33

Figura 3.7- Primeiro bloco do mtodo principal

Fonte: AUTOR (2015)

A funo confirmColor da Figura 3.7 recebe a escolha feita pelo usurio por meio

do dropdown da interface web e de acordo com a cor selecionada, inicializa, fazendo uso de um

switch /case, a varivel tracker que contm o tipo de rastreamento a ser feito, nesse caso o

rastreamento por cor, e a cor a ser rastreada. Essa varivel ser o parmetro do mtodo que faz

o rastreamento das imagens obtidas.

34

Figura 3.8- Segundo bloco do mtodo principal

Fonte: AUTOR (2015)

O segundo bloco ilustrado na Figura 3.8 configura a funo tracking.track para

rastrear dentro das imagens obtidas via vdeo a cor configurada na varivel tracker. A funo

tracker.on inicia a varredura das imagens em busca da cor procurada e quando a encontra

dispara um evento, que neste caso o envio de um alerta. A figura 3.9 ilustra por intermdio de

um fluxograma a estrutura da funo.

35

Figura 3.9- Fluxograma da funo de deteco por cor

Fonte: AUTOR (2015)

3.4- Mdulo de interface com o cliente

A interface principal foi implementada utilizando-se HTML e alguns scripts em

JavaScript, para gerar o modal que permite a autenticao no sistema via login no Twitter. Essa

autenticao se faz necessria para que o usurio possa receber automaticamente as

notificaes. Isso foi feito colocando-se um boto de login do Twitter, o qual ilustrado na

36

Figura 3.10. Feita essa autenticao o usurio pode escolher a cor da roupa da criana, para que

o sistema possa detectar a aproximao da mesma prxima a rea de risco. Procurou-se fazer

uma interface simples, para fcil manuseio e carregamento rpido da pgina.

Figura 3.10- Interface com boto Twitter para fazer login

Fonte: AUTOR (2015)

Os scripts em JavaScript foram utilizados para receber as aes dos botes, gerar o

modal de configurao, e chamar as pginas PHP. Tambm os registros das cores utilizaram

funes JavaScript, que permitiram configurar diretamente a biblioteca de viso

computacional.

3.5- Mdulo de envio de alerta

Para o envio de alerta utilizou-se a API do Twitter. O API do Twitter permite que

desenvolvedores criem os mais diversos aplicativos para a plataforma. Para fazer uso dessa API

preciso criar uma conta no Twitter Apps (TWITTER, 2014) e fazer o registro do aplicativo

que utilizar a API, como ilustra a Figura 3.11, para receber as chaves e tokens de acesso, que

sero utilizados para autenticar as requisies na plataforma do Twitter.

37

Figura 3.11- Registro da aplicao que utilizar a API do Twitter

Fonte: TWITTER (2015)

Para fazer uso do boto de login com o Twitter utiliza-se as chaves de acesso e tokens

gerados durante o registro da aplicao. Com esses dados possvel fazer a autenticao do

usurio quando o mesmo clica no boto de login. A configurao das chaves e o mtodo

principal do login so ilustrados nas Figuras 3.12 e 3.13 respectivamente.

Figura 3.12- Configurao das chaves de acesso ao Twitter

Fonte: AUTOR (2015)

38

Figura 3.13- Mtodo principal de login com o Twitter

Fonte: AUTOR (2015)

No mtodo da Figura 3.13, uma conexo criada enviando as chaves de acesso e tem

como retorno os tokens confirmando a autenticao. Esses tokens ficam temporariamente

armazenados na sesso do usurio.

As chaves de acesso e tokens tambm so inseridas dentro do cdigo PHP que ir fazer

as requisies para envio de mensagens no Twitter. O cdigo possui todas as configuraes e

mtodos de envio de mensagem, sendo que o mtodo utilizado nesse projeto foi feito via POST

atravs da url statuses/update, que atualiza o status atual do usurio autenticado, e tambm

conhecido como tweet. A Figura 3.14 apresenta o cdigo de configurao das chaves de acesso

e da mensagem a ser enviada.

39

Figura 3.14- Configurao bsica da API Twitter

Fonte: AUTOR (2015)

A Figura 3.14 ilustra a configurao para se fazer o POST, onde basicamente se tem a

url do mtodo, o tipo de requisio e o vetor que ser enviado, que neste caso a mensagem

que ir notificar o usurio.

3.6- Deteco facial

Para efeito de comparaes e anlises, foi implementado um segundo prottipo, com a

mesma arquitetura e estrutura de funcionamento, modificando-se apenas o mdulo de anlise

das imagens, fazendo o uso da funo de deteco facial, no lugar da identificao por cores,

onde o funcionamento segue o princpio de mapear um rosto em formas geomtricas e

logartmicas, e analisando esse mapa identificar os pontos em comum, como os dois olhos e a

distncia entre eles, o nariz e seu comprimento, a boca, as bochechas e o queixo, limitando

assim o formato da face e o espao ocupado por ela (MA, 2004) (WREN, 1998)

(FACERECOGNITIONSOLUTION, 2015). A Figura 3.15 ilustra esse funcionamento.

40

Figura 3.15 Mapeamento facial

Fonte: FACE RECOGNITION SOLUTION (2015)

A Figura 3.16 mostra o trecho de cdigo que altera a funo de anlise das imagens

obtidas, para que o algoritmo faa a deteco por meio das coordenadas dos pontos do rosto,

utilizando a funo ObjectTracker da biblioteca.

Figura 3.16 Trecho de cdigo que configura a deteco facial

Fonte: AUTOR (2015)

41

O trecho de cdigo da Figura 3.16 mostra a criao da varivel tracker a qual

configurada para ser um objeto de deteco facial e recebe os atributos que sero os parmetros

do mtodo, como a densidade das arestas e a escala inicial. Feito isso, o mtodo

tracking.track realiza a anlise das imagens obtidas para, por intermdio do mtodo

tracker.on, disparar o evento que gerar o alerta. O fluxograma da Figura 3.17 mostra a

estrutura bsica do cdigo.

Figura 3.17- Fluxograma da funo de deteco facial

Fonte: AUTOR (2015)

42

Quanto a interface, foi feita apenas uma pequena alterao, visto que nesse prottipo

no necessrio fazer a configurao de cor, apenas o login com o Twitter. Para efeito de

experimentao foi colocado um alerta na prpria pgina do aplicativo para indicar uma

deteco feita com sucesso. A Figura 3.18 mostra o aplicativo em funcionamento.

Figura 3.18 Aplicativo detectando a aproximao via reconhecimento facial

Fonte: AUTOR (2015)

Pode-se observar na Figura 3.18 que mesmo havendo outros objetos na cena analisada,

o software faz a distino precisa entre os objetos e o rosto, e emite rapidamente um alerta ao

detect-lo.

43

4- RESULTADOS

O objetivo desse captulo apresentar os resultados obtidos pela utilizao do conceito

da viso computacional aplicada preveno de acidentes domsticos com crianas.

Este captulo est dividido da seguinte forma:

- O ambiente de experimentao, que tem o intuito de descrever as ferramentas

utilizadas, assim como as dimenses do espao fsico utilizado para os experimentos;

- A experimentao do prottipo 1, que visa ilustrar a deteco atravs das cores;

-A experimentao do prottipo 2, que mostra a deteco via reconhecimento facial;

-A anlise dos resultados, que tem por objetivo fazer um comparativo entre ambos os

prottipos.

4.1- Ambiente de experimentao

Para fazer a experimentao dos prottipos, foi necessrio adequar a situao a fim de

simular um ambiente real, e utilizar algumas ferramentas, que no precisariam ser

necessariamente as mesmas, para colher medies, verificar o sucesso e as falhas durante o

processo.

4.1.1- Ferramentas utilizadas

Para essa experimentao, foram utilizados alguns equipamentos, que no necessitariam

ser obrigatoriamente os mesmos, visto que a interface Web do aplicativo torna possvel uma

maior flexibilidade em relao ao hardware a ser utilizado. Os equipamentos que foram

utilizados durante a experimentao e testes podem ser observados na Figura 4.1.

Figura 4.1 Equipamentos utilizados

Fonte: AUTOR (2015)

44

4.1.2- Espao fsico da experimentao

O experimento foi executado num cmodo de uma casa e a distncia entre a posio

inicial da criana e a cmera foi medida, para observar por meio da distncia final o desempenho

do aplicativo no reconhecimento da aproximao. A Figura 4.2 ilustra essa distncia inicial.

Figura 4.2 Distncia entre a posio inicial da criana e a cmera

Fonte: AUTOR (2015)

Foi observado tambm a inclinao da cmera para que o campo focal capturado

respeitasse a altura de uma criana, como observa-se na Figura 4.3.

Figura 4.3 Campo focal direcionado para respeitar a altura da criana

Fonte: AUTOR (2015)

45

4.2- Experimentao do prottipo 1

Para efeito de comparao e coleta dados, os dois notebooks rodando o aplicativo com

reconhecimento de cores foram colocados na mesma posio. A cor a ser rastreada definida

no incio do aplicativo, como na Figura 4.4. Aps feito isso, vestiu-se a criana com uma roupa

da respectiva cor e observou-se em qual distncia da cmera a cor foi reconhecida.

Figura 4.4 Definio da cor no aplicativo

Fonte: AUTOR (2015)

Foram feitas 5 medies com cada cor para se obter a distncia mdia de

reconhecimento de cada uma. Essas medies foram separadas por notebook (cmera) e so

apresentadas na Tabela 4.1.

Tabela 4.1 Distncia mdia no momento do reconhecimento por cor

Notebook Azul Verde Vermelho Amarelo Rosa

Notebook 1 1,45 m 1,52 m 2,50 m 1,80 m 2,38 m

Notebook 2 2,50 m 2,40 m 2,50 m 2,50 m 2,50 m

Fonte: AUTOR (2015)

Pode-se observar que houve certa diferena entre as distncias utilizando o notebook 1

e o notebook 2, devido as cmeras integradas dos mesmos. Observa-se tambm que a

sensibilidade da cmera do notebook 2 mais aguada. Ocorreram tambm diferenas durante

a experimentao devido a tonalidade das cores das roupas utilizadas e da iluminao do

ambiente, por isso fez-se os testes com as janelas fechadas utilizando apenas a luz artificial do

46

cmodo, para padronizar a experincia. Em nenhum momento houve falha durante a deteco,

apenas o atraso na resposta devido a estes fatores.

4.3- Experimentao do prottipo 2

Para experimentar o prottipo 2 utilizou-se o mesmo ambiente do prottipo 1, mas nesse

caso a roupa da criana foi indiferente, visto que a deteco feita via reconhecimento facial.

Nessa experimentao tambm foram utilizados os dois notebooks, para efeito de

comparao, e observou-se certa diferena entre ambos, devido a desigualdade entre a

sensibilidade dos mesmos, porm a discrepncia no foi to elevada como no prottipo 1. A

Tabela 4.2 exibe as medies feitas com cada cmera.

Tabela 4.2 Medies das distncias no momento do reconhecimento facial

Notebook Medio 1 Medio 2 Medio 3 Medio 4 Medio 5

Notebook 1 0,82 m 0,80 m 0,80 m 0,90 m 0,91 m

Notebook 2 1,10 m 1,03 m 1,05 m 1,08 m 1,10 m

Fonte: AUTOR (2015)

Nesse prottipo observou-se que a distncia na qual o aplicativo fez a deteco ficou

menor, mas tambm em nenhum momento houve a no deteco, ou falha durante as medies.

4.4- Anlise dos resultados

Aps ambas as experimentaes puderam ser observadas as caractersticas peculiares

de cada prottipo, como tambm pontos em comum entre ambos. Observa-se na Figura 4.5 os

alertas enviados para o Twitter, mdulo esse que teve a mesma eficcia em ambos os prottipos.

47

Figura 4.5 Alertas enviados aps a deteco

Fonte: AUTOR (2015)

O prottipo 1 mostrou-se eficaz em detectar a criana quando a mesma estava em

distncia maiores, porm apresentou variaes no reconhecimento devido a fatores externos,

como luminosidade do ambiente, tom de cor das roupas e da cmera utilizada. Devido a esses

fatores, constatou-se que a preciso do reconhecimento pode variar conforme o ambiente em

que for utilizado.

J no prottipo 2, o reconhecimento feito quando a criana est mais prxima da

cmera, sendo isso um ponto a ser analisado, porm esse prottipo mostrou-se estvel nas

medies, independente dos fatores externos, salvo a diferena entre a sensibilidade das

cmeras.

Ambos os prottipos mostraram ser confiveis quanto a deteco, que no falhou em

nenhum dos casos analisados. O mdulo de envio de notificaes tambm funcionou sem

falhas, porm pode sofrer variaes no tempo de resposta devido a conexo utilizada.

48

Observou-se tambm a versatilidade do aplicativo, o qual funcionou sem problemas em

smartphones, por se tratar de uma aplicao web, podendo-se fazer ainda a escolha de qual

cmera utilizar, a frontal ou traseira. Na Figura 4.6 pode-se observar o aplicativo sendo

executado num smartphone e sendo realizado uma deteco fazendo uso de sua cmera.

Figura 4.6 Aplicativo sendo executado em dispositivo mvel

Fonte: AUTOR (2015)

A Figura 4.7 ilustra a utilizao de dois smartphones, sendo um deles para obteno de

imagens atravs de sua cmera e o outro para receber as notificaes enviadas pelo aplicativo.

49

Figura 4.7 Teste com dois smartphones

Fonte: AUTOR (2015)

Na Figura 4.8, observa-se um dos smartphones rodando a aplicao e sendo utilizado

para captar as imagens por meio de sua cmera frontal, simulando um ponto de risco a ser

monitorado, exemplificando com isso a facilidade de utilizao da aplicao, que pode ser

executada de qualquer dispositivo, seja ele mvel ou no, bastando para isso ter um navegador

com acesso a uma webcam.

Figura 4.8 Smartphone monitorando ponto de risco

Fonte: AUTOR (2015)

50

A Figura 4.9 exibe as notificaes sendo recebidas pelo outro smartphone, mostrando

com isso o correto funcionamento da aplicao tambm no quesito alerta. Numa situao real

poderia ser utilizado o smartphone de um dos pais para monitorar a rea de risco e o outro para

receber os alertas.

Figura 4.9 Aparelho recebendo notificaes

Fonte: AUTOR (2015)

O aplicativo ao ser executado atravs do smartphone tambm apresentou deteces

corretas, porm observou-se que a distncia entre a criana e a cmera ficou bastante reduzida,

devido a diferena de sensibilidade da cmera e captao de luminosidade, como citado

anteriormente, porm com a crescente melhoria das tecnologias empregadas na construo das

cmeras, e o aumento de resoluo e qualidade das mesmas, esses obstculos tendem a ser

minimizados gradativamente.

51

5- CONSIDERAES FINAIS

O objetivo deste captulo apresentar as consideraes finais sobre a realizao deste

trabalho. Nele so apresentadas contribuies, concluses, experincias durante o

desenvolvimento e possveis trabalhos futuros que podem ser desenvolvidos com base nos

resultados deste trabalho e na experincia obtida.

5.1- Contribuies e Concluses

As contribuies deste trabalho so:

O desenvolvimento de uma aplicao web aplicando o paradigma Viso Computacional

para monitorar a presena de crianas prximas a reas de risco dentro de uma casa.

Quando essa proximidade detectada uma mensagem de alerta enviada para o

smartphone do responsvel.

O uso da biblioteca tracking.js, que permite a criao de um sistema utilizando a viso

computacional na camada de viso e no no backend;

O desenvolvimento de uma arquitetura para o sistema, baseado nos conceitos de viso

computacional e redes sociais.

A possibilidade de criar diferentes solues para deteco utilizando a mesma

arquitetura.

A utilizao do paradigma Viso Computacional, fundamentado na delegao de

inteligncia prpria ao software e aos algoritmos de anlise, para detectar alteraes nas

imagens capturadas de diferentes maneiras.

A comparao e anlise dos resultados coletados para verificar a exatido e tempo de

resposta dos pontos detectados.

As seguintes experincias foram obtidas ao longo do desenvolvimento desse trabalho:

A viso computacional pode ser utilizada para monitorar crianas prximas a reas de

risco em uma casa sem a necessidade equipamentos especficos.

possvel alertar os pais de uma criana em risco utilizando um sistema baseado em

viso computacional e redes sociais, por meio de uma aplicao web.

Pode-se utilizar vrios meios para detectar a aproximao da criana em locais

perigosos, bastando trocar o algoritmo de anlise das imagens obtidas pelas cmeras,

obtendo-se um sistema adaptvel e flexvel.

possvel implementar sistemas com mecanismos complexos de forma simples,

utilizando a biblioteca tracking.js.

52

O objetivo de implementar um sistema de monitoramento de baixo custo possvel de

ser alcanado.

Para haver uma preveno efetiva necessrio aliar outros meios de preveno ao

sistema implementado.

O paradigma Viso Computacional um conceito com um vasto leque ainda a ser

pesquisado e que permite ser aplicado em vrias reas e em inmeras aplicaes.

5.2- Trabalhos Futuros

As contribuies alcanadas com este trabalho no encerram as pesquisas relacionadas

questo de utilizao da viso computacional na preveno de acidentes domsticos com

crianas, mas abrem oportunidades para alguns trabalhos futuros como:

Implementar um mdulo de deteco por movimento, utilizando o tracking.js;

Criar novos mdulos de alerta integrados a outras redes sociais;

Desenvolver outros sistemas de alerta, como sinais sonoros ou visuais, tambm

acionados pelo sistema web de monitoramento;

Desenvolver sistemas de segurana e automao residencial utilizando os conceitos de

viso computacional e Arduino;

Criar jogos educativos para crianas utilizando o reconhecimento e controle baseado em

cores;

Utilizao do conceito de viso computacional nos sistemas de controle de trfego e

sensores de velocidade;

Criao de sistemas de alerta similares utilizando a viso computacional para evitar o

esquecimento de crianas dentro de automveis;

Criar ferramentas de acessibilidade para portadores de necessidades especiais utilizando

o paradigma Viso Computacional;

Utilizar a API do Twitter para envio de notificaes integrados a outros tipos de sistemas

de monitoramento;

Desenvolver ferramentas de leitura de cores utilizando a viso computacional para

pessoas daltnicas.

53

REFERNCIAS

AGGARWAL, J. K.; PARK, S. Human motion: Modeling and recognition of actions and

interactions. In: 3D DATA PROCESSING, VISUALIZATION AND TRANSMISSION, 2004.

3DPVT 2004. Proceedings. 2nd International Symposium on. IEEE, 2004. p. 640-647.

BAUMBERG, A. Learning Deformable Models for Tracking Human Motion. 1995. PHD

Thesis, School of Computer Studies, The University of Leeds, UK, 1995.

COMANICIU, D; RAMESH, V; MEER, P. Real-time tracking of non-rigid objects using mean

shift. In: COMPUTER VISION AND PATTERN RECOGNITION, 2000. Proceedings. IEEE

Conference on. IEEE, 2000. p. 142-149.

CORREIA, M. Tcnicas Computacionais na Percepo Visual do Movimento. 2001.Tese

de Doutorado, Faculdade de Engenharia, Universidade do Porto, 2001.

CORPO DE BOMBEIROS. Corpo de bombeiros. Disponvel em

http://www.corpodebombeiros.sp.gov.br/novo/site/ed_publica/afogamento.pdf

Acesso em: 18/08/2014.

CRESCER. Revista Crescer. Disponvel em

http://revistacrescer.globo.com/Revista/Crescer/0,,EMI72784-16889,00.html

Acesso em: 05/10/2014.

CRIANA SEGURA. Criana Segura. Disponvel em

http://criancasegura.org.br/page/dados-sobre-acidentes

Acesso em: 10/08/14.

CUCCHIARA, R.; GRANA, C.; PICCARDI, M.; PRATI, A. Statistic and Knowledge-based

Moving Object Detection in Traffic Scenes, PROCEEDINGS OF THE 3RD IEEE

CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC2000),

Dearborn, Indiana, USA, 2000.

FACERECOGNITIONSOLUTION. Face Recognition Solution. Disponvel em

http://www.facerecognitionsolution.com/face-recognition-system.html

Acesso em: 15/01/2015.

FACON, J. Processamento e Anlise de Imagens, Pontifcia Universidade Catlica do Paran,

2005. Disponvel em: http://www.ppgia.pucpr.br/~facon/ Acesso em: 17/08/2014.

FELICIANO, F. F.; SOUZA, I. L.; LETA, F. R. Viso computacional aplicada metrologia

dimensional automatizada: Consideraes sobre sua exatido, ENGEVISTA, Escola de

Engenharia, Universidade Federal Fluminense, 2007, Disponvel em:

http://www.uff.br/engevista/

Acesso em: 03/08/2014.

GAVRILA, D. The Visual Analysis of Human Movement: A Survey, Computer Vision and

Image Understanding, vol. 73, p. 82-98, 1999.

54

GHEISSARI, N.; SEBASTIAN, T. B.; HARTLEY, R. Person reidentification using

spatiotemporal appearance. In: COMPUTER VISION AND PATTERN RECOGNITION,

2006. IEEE Computer Society Conference on. IEEE, 2006. p. 1528-1535.

GLEICHER, M. Animation From Observation: Motion Capture and Motion Editing, ACM

SIGGRAPH Applications of Computer Vision to Computer Graphics, vol. 33, p. 4, 1999.

GRIMSON, W. E. L.; MUNDY, J. L. Computer vision applications. Communications of the

ACM, v. 37, n. 3, p. 44-51, 1994.

JHNE, B.; HAUSSECKER, H.; GEISSLER, P. Handbook of computer vision and

applications, vol.1, n.1, p.1-2, 1999.

JAYNES, C. O. Computer vision and artificial intelligence. Crossroads, v. 3, n. 1, p. 7-10,

1996.

JONES, N.E. Childhood residential injuries. HCN Am J. Haten Child Nurse, vol. 18, n. 3, p.

168-172, May-June 1993.

KAMBHAMETTU, C.; GOLDGOF, D.; TERZOPOULOS, D.; HUNG, T. Non-rigid Motion

Analysis, Handbook of PRIP: Computer vision, Tzay Young, San Diego, Academic Press.

2, p. 405-430, 1994.

LEUNG, A. P.; GONG, S. Mean-Shift Tracking with Random Sampling. In: BMVC. 2006. p.

729-738.

MA, L.; ZHOU, Q.; CELENK, M.; CHELBERG, D. FACIAL EVENT MINING USING

COUPLED HIDDEN MARKOV MODELS. In: Image Processing, 2004. ICIP'04. 2004

International Conference on. IEEE, 2004. p. 1405-1408.

MALTA, D. C.; MASCARENHAS, M. D. M.; SILVA, M. M. A. D.; MACRIO, E. M. Perfil

dos atendimentos de emergncia por acidentes envolvendo crianas menores de dez anos:

Brasil, 2006 a 2007, Cien Saude Colet, vol. 14, n. 5, p. 1669-1679, 2009.

MCINERNEY, T.; TERZOPOULOS, D. Deformable Models in Medical Image Analysis: A

Survey, Medical Image Analysis, vol. 1, p. 2, 1996.

OLIVER, N. M.; ROSARIO, B.; PENTLAND, A. P. A Bayesian computer vision system for

modeling human interactions. Pattern Analysis and Machine Intelligence, IEEE

Transactions on, v. 22, n. 8, p. 831-843, 2000.

PEDRINI, H.; SCHWARTZ, W.R. Anlise de imagens digitais: princpios, algoritmos e

aplicaes, So Paulo, Thomson Learning, 2008.

PULLI, K. Real-time computer vision with OpenCV. Communications of the ACM, v. 55, n.

6, p. 61-69, 2012.

RELATRIO CRIANA SEGURA. Relatrio criana segura. Disponvel em

http://www.criancasegura.com.br/downloads/relatoriocriseg.pdf

Acesso em: 12/08/2014.

55

RYMEL, J.; RENNO, J.; GREENHILL, D.; ORWELL, J.; JONES, G. A. ADAPTIVE EIGEN-

BACKGROUNDS FOR OBJECT DETECTION. In: Image Processing, 2004. ICIP'04. 2004

International Conference on. IEEE, 2004. p. 1847-1850.

SAKEKIDS. Safekids. Disponvel em

http://www.safekids.org/sites/default/files/documents/2013_global_final_0.pdf

Acesso em: 15/08/2014.

SBP. Sociedade Brasileira de Pediatria. Disponvel em

http://www.sbp.com.br/show_item2.cfm?id_categoria=52&id_detalhe= 3768&tipo_detalhe=s

Acesso em: 14/03/2014.

SCHVARTSMAN, S. et al. Aspectos peditricos das intoxicaes exgenas agudas no

Municpio de So Paulo, Rev. Paul. Pediatr., vol. 2, n. 7, p. 24-27, 1984.

SERRE, T.; POGGIO, T. A neuromorphic approach to computer vision. Communications of

the ACM, v. 53, n. 10, p. 54-61, 2010.

SHAH, M. Guest introduction: the changing shape of computer vision in the twenty-first

century. International Journal of Computer Vision, v. 50, n. 2, p. 103-110, 2002.

SIMO, A.; KITAMURA, K.; NISHIDA, Y. SIMULATING AND MONITORING CHILDREN

ACTIVITY RELATED TO INJURIES. In: Proc. of 13th International Conference on

Virtual Systems and Multimedia (VSMM07). 2007.

SOUSA, C. F.; CAPOVILLA, F.; ELEOTERIO, T.C. Viso Computacional, Faculdade de

Taquaritinga, Centro Estadual de Educao Paula Souza, Taquaritinga, 2010.

SUN, Y.; FISHER R.; WANG F.; GOMES H. M. A computer vision model for visual-object-

based attention and eye movements. Computer Vision and Image Understanding, v. 112, n.

2, p. 126-142, 2008.

TAVARES J.; Anlise de Movimento de Corpos Deformveis usando Viso

Computacional. 2001. Tese de Doutorado, Faculdade de Engenharia, Universidade do Porto,

2000.

THACKER, N. A.; CLARK A. F.; BARRON J. L.; BEVERIDGE J. R.; COURTNEY P.;

CRUM W. R.; RAMESH V.; CLARK C. Performance characterization in computer vision: A

guide to best practices. Computer vision and image understanding, v. 109, n. 3, p. 305-334,

2008.

TRACKINGJS. Disponvel em http://trackingjs.com/

Acesso em: 31/08/2014.

YACH, D. Paraffin poisoning: patnership the keyto prevention, South African Med. J.,

vol.84, n.11, p.717-8, 1994.

YILMAZ, A; JAVED, O; SHAH, M. Object tracking: A survey. Acm Computing Surveys

(CSUR), v. 38, n. 4, p. 13, 2006.

56

WANGENHEIN, A. V.; COMUNELLO, E. Seminrio Introduo Viso Computacional

The Cyclops Project PPGCC - INE - UFSC, 2007.

Disponvel em http://www.inf.ufsc.br/~visao/

Acesso em: 14/03/2014.

WHO. World Health Organization. Disponvel em

http://www.who.int/violence_injury_prevention/child/injury/world_report/Falls_portuguese.p

df

Acesso em: 05/10/2014.

WILSON, A. D.; BOBICK, A. F. Learning visual behavior for gesture analysis. In:

COMPUTER VISION, 1995. Proceedings. International Symposium on. IEEE, 1995. p.

229-234.

WREN, C. R.; PENTLAND, A. P. Dynamic models of human motion. In: AUTOMATIC FACE

AND GESTURE RECOGNITION, 1998. Proceedings. Third IEEE International

Conference on. IEEE, 1998. p. 22-27.

tg alexandre iwamoto

Documents