PROTÓTIPO DE APLICATIVO PARA MONITORAMENTO DE AMBIENTES INTERNOS ATRAVÉS DE DETECÇÃO DE MOVIMENTO EM SEQUÊNCIAS DE VÍDEO

Tamanho: px
Começar a partir da página:

Download "PROTÓTIPO DE APLICATIVO PARA MONITORAMENTO DE AMBIENTES INTERNOS ATRAVÉS DE DETECÇÃO DE MOVIMENTO EM SEQUÊNCIAS DE VÍDEO"

Transcrição

1 UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ DEPARTAMENTO ACADÊMICO DE INFORMÁTICA CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO GREGÓRIO IVANCHECHEN DE MATTOS VINICIUS ANDREATTA PROTÓTIPO DE APLICATIVO PARA MONITORAMENTO DE AMBIENTES INTERNOS ATRAVÉS DE DETECÇÃO DE MOVIMENTO EM SEQUÊNCIAS DE VÍDEO MONOGRAFIA PARA A DISCIPLINA DE METODOLOGIA DE PESQUISA DO CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO CURITIBA 2010

2 2 GREGÓRIO IVANCHECHEN DE MATTOS VINICIUS ANDREATTA PROTÓTIPO DE APLICATIVO PARA MONITORAMENTO DE AMBIENTES INTERNOS ATRAVÉS DE DETECÇÃO DE MOVIMENTO EM SEQUÊNCIAS DE VÍDEO Monografia apresentada à disciplina de Metodologia de Pesquisa do 3º período do curso de Bacharelado em Sistemas de Informação da Universidade Tecnológica Federal do Paraná. Professor Orientador: Prof. Dra. Leyza Baldo Dorini CURITIBA 2010

3 3 MONOGRAFIA APRESENTADA À DISCIPLINA DE METODOLOGIA DE PESQUISA DO 3º PERÍODO DO CURSO DE BACHARELADO EM SISTEMAS DE INFORMAÇÃO DA UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ. Orientadora: Profa. Dra. Leyza Baldo Dorini Alunos: Gregório Ivanchechen de Mattos Vinicius Andreatta

4 4 SUMÁRIO 1 INTRODUÇÃO TEMA PROBLEMA JUSTIFICATIVA OBJETIVOS Objetivo geral Objetivos Específicos METODOLOGIA REVISÃO BIBLIOGRÁFICA IMAGEM ABORDAGENS DETECÇÃO DE MOVIMENTOS Algoritmo de subtração de background Algoritmo de subtração temporal (frame imediatamente anterior) Problemas encontrados Algoritmo de detecção de movimento em imagens coloridas DESENVOLVIMENTO DE PROPOSTA O ARTEFATO DESENVOLVIDO APLICATIVO DE COMPARAÇÃO DE IMAGENS BURNDOWN CHART REAL RESULTADOS E ANÁLISE ALGORITMO DE TESTES SUBTRAINDO FRAME ANTERIOR ALGORITMO DE TESTES SUBTRAINDO BACKGROUND PROBLEMAS DA CONVERSÃO EM TONS DE CINZA ANÁLISE COMPARATIVA Análise comparativa qualitativa Análise comparativa quantitativa CONCLUSÕES E TRABALHOS FUTUROS REFERÊNCIAS BIBLIOGRÁFICAS... 41

5 5 ABREVIATURAS CAVIAR: Context Aware Vision using Image-based Active Recognition - visão dependente de contexto usando reconhecimento ativo baseado em imagens; VP: Verdadeiros positivos (ou detecção correta); VN: Verdadeiros negativos; FN: Falsos negativos (não detecção); FP: Falsos positivos (ruídos); SB: Subtração de Background; AEP: Análise Estática Pontual; SF: Subtração com o frame imediatamente anterior; FO: Fluxo Ótico; PCC: Percentual de Classificação Correta; JC: Coeficiente de Jaccard; TRDR: Taxa de Detecção de Rastreamento; FAR: Taxa de Falsos Alarmes;

6 6 1 INTRODUÇÃO A detecção de movimento em seqüências de imagens é utilizada em diferentes aplicações para fins que englobam desde a delimitação de regiões de interesse para futura análise até a detecção de padrões de comportamento, por exemplo. Como um baixo desempenho nesta tarefa pode comprometer etapas de mais alto nível, a detecção de movimentos é uma área de grande interesse por parte de pesquisadores e empresas das mais variadas áreas de aplicação. Uma possível aplicação destas técnicas é para análise automática de câmeras de segurança as quais, devido ao baixo custo, vêm sendo extensivamente utilizadas em centros comerciais, condomínios e bancos, dentre outros. Em um contexto mais avançado, tal análise possibilita também a identificação de situações potencialmente perigosas. Contudo, mesmo em ambientes controlados, este é um problema de difícil solução, devido a parâmetros tais como pequenos deslocamentos gerados por fontes naturais (como o vento), e principalmente à variação nas condições de iluminação. Em aplicações de análise automática de movimentos, são três etapas as etapas principais: detecção, rastreamento e reconhecimento (LARA, 2007). Este trabalho compreende a avaliação de diferentes técnicas de detecção de movimento baseadas em processamento de imagens, mais especificamente em técnicas de subtração de fundo. Um sistema de detecção de movimento como o citado procura em seqüências de imagens extraídas de um vídeo sinais que indiquem movimentação na cena monitorada. Neste trabalho foi estudado um ambiente monitorado através de uma webcam, em tempo real. Para análise de confiabilidade e veracidade dos algoritmos testados para tal, o uso de uma base pública de imagens foi feito. 1.1 TEMA Tema: Detecção de movimentos em sequências de vídeo de ambientes internos. Delimitação do tema: Análise comparativa de algoritmos para detecção de movimento em sequências de vídeo, com foco para detecção de movimentos em ambientes fechados.

7 7 1.2 PROBLEMA Apesar da alta demanda por mecanismos de análise automática de sequências de vídeo para detecção de movimento, há uma escassez de soluções de baixo (ou nenhum) custo, tendo como conseqüência a inacessibilidade dos mesmos pela maior parte da população. A proposta do trabalho é desenvolver um aplicativo open source que poderá servir como base para projetos maiores que tenham como objetivo o monitoramento de ambientes. Dentre os diferenciais do esquema proposto ressalta-se o baixo custo de implementação e a facilidade de manipulação, que exige poucos conhecimentos técnicos. Outro problema é o fato que muitos dos algoritmos existentes possuem falhas de detecção, fazendo com que muitas vezes não possam ser aplicados em situações e ambientes reais, casos em que diversas adversidades estão envolvidas. Este trabalho procurou analisar tais algoritmos sob diferentes aspectos, de forma que tais falhas pudessem ser identificadas. Tal estudo abre também a possibilidade do uso das informações aqui contidas para a realização de outros estudos envolvendo diferentes situações, bem como outros tipos de análises comparativas entre os algoritmos abordados. 1.3 JUSTIFICATIVA A gravação de vídeos de monitoramento tornou-se algo comum, graças à facilidade de acesso ao equipamento destinado para tal e principalmente como uma forte arma em combate a problemas como arrombamentos e furtos. O armazenamento de dados, em discos rígidos por exemplo, de cenas estáticas não faz sentido e é um desperdício de capacidade de estrutural e energia. Aparatos de detecção de atividades em ambientes podem limitar essa gravação de dados somente quando necessário, além de demandarem atenção humana somente quando ela se faz de fato necessária. Em geral, softwares de detecção de movimento que fazem uso somente de aparelhos de gravação de vídeo não são de baixo custo, e pode-se até encontrar programas com as funcionalidades que este trabalho implementa, porém apenas o software custaria ao cliente $ USD ( - Acessado em 18/06/2010). Desenvolvendo então um software que possa ser utilizado com webcams comuns, em computadores pessoais e que seja open source (em java), eliminam-se também os gastos com

8 8 hardware, com um sistema simples que pode ser utilizado por qualquer pessoa que possua um computador pessoal e um hardware de gravação de vídeo popular. Com o desenvolvimento da proposta, integram-se ainda conhecimentos quanto a trabalhar com tratamento básico de imagens e diferenciados algoritmos de detecção de movimento, conhecimentos estes que formam outra motivação para esta pesquisa, pelo fato de agregarem conhecimento acadêmicos e abertura para estudos futuros de mais alto nível na área. 1.4 OBJETIVOS Objetivo Geral Este projeto tem como objetivo principal realizar um estudo comparativo de técnicas de processamento de imagens para fins de monitoramento de ambientes internos, com base na detecção de movimentação em seqüências de vídeo para aplicação de monitoração em tempo real Objetivos Específicos Abordar a área de pesquisa de processamento e análise de imagens, contribuindo para a formação acadêmica; Estudar técnicas de detecção de movimentos em imagens; Implementar e comparar diferentes algoritmos de detecção de movimentos em sequências de imagens de vídeo, de forma a identificar pontos fortes e fracos de cada um; Desenvolver um protótipo de aplicativo para uso dos algoritmos de detecção de movimentos no monitoramento de ambientes internos, utilizando hardware modesto de captura de vídeo;

9 9 1.5 METODOLOGIA Para realização deste trabalho, foi adotada a seguinte metodologia: Planejamento do projeto: definição do escopo do projeto e planejamento das atividades a serem desenvolvidas. Estudo dos algoritmos: pesquisa bibliográfica sobre soluções existentes e análise dos pontos fortes e fracos de cada uma. Obtenção da base de imagens: para realização dos testes, bem como para obter um padrão comparação da eficácia dos algoritmos e do software, foi utilizada a base pública de imagens denominada Context Aware Vision using Image-based Active Recognition (CAVIAR), a qual é bastante utilizada e reconhecida no ramo de detecção de movimentos. Além disso, sequências de vídeo adquiridas em tempo real através de webcam também foram consideradas. Implementação e teste dos algoritmos escolhidos: etapa de codificação. A linguagem JAVA no IDE Netbeans é a plataforma selecionada para desenvolvimento dos códigos, com a finalidade de analisar os diferentes algoritmos citados no trabalho, principalmente devido à portabilidade da linguagem. Análise comparativa dos algoritmos: realização de análises qualitativas e quantitativas. Elaboração do relatório final de pesquisa A Figura 1 ilustra o Burndown Chart inicial. Gráfico 1 Burndown chart inicial: este gráfico representa o cronograma ideal a ser seguido.

10 10 As etapas são descritas a seguir: 17 e 18/03/2010 Planejamento do Projeto 24 e 25/03/2010 Testes do reconhecimento de webcam e captura de frames em Java. 31/03/2010 Estudo e testes do algoritmo um de detecção de movimentos e relatório dos testes. 07 e 08/04/2010 Estudo e testes do algoritmo dois de detecção de movimentos e relatório. 14 e 15/04/2010 Estudo e testes do algoritmo três de detecção de movimentos e relatório. 21 e 22/04/2010 Finalização do algoritmo três e início da implementação da interface gráfica. 28 e 29/04/2010 Finalização da implementação da interface gráfica. Início das comparações entre os relatórios. 29/04 a 05/05 Composição da apresentação. 05 e 06/05/2010 Finalização da apresentação e ensaios. 12 e 13/05/2010 Reunião de dados para a composição do trabalho escrito. 26 e 27/05/2010 Finalização do trabalho escrito. 27/05/2010 Entrega da parte escrita do projeto. A seção 3.3 apresenta o gráfico 2 com o resultado de trabalho real e uma breve justificativa sobre as razões para as discrepâncias do realizado em relação ao plano de execução inicial.

11 11 2 REVISÃO BIBLIOGRÁFICA 2.1 IMAGEM Uma imagem monocromática é uma função bidimensional de intensidade de luz, f(x,y), onde x e y denotam coordenadas espaciais e o valor de f no ponto (x,y) é proporcional ao brilho (ou nível de cinza) da imagem neste ponto (GONZALEZ; WOODS, 2000). Uma imagem digital pode ser definida como sendo uma imagem que foi discretizada em termos de coordenadas espaciais e valor da intensidade no ponto. Sendo assim, uma imagem pode ser vista como uma matriz, onde as coordenadas x e y identificariam a linha e coluna e o valor no ponto indicaria a cor ou brilho médio amostrado na posição correspondente da cena (DORINI, L. B, 2009). Cada elemento desta matriz é denominado pixel (picture element). Este conceito será essencial neste projeto, pois a subtração de imagens é realizada pixel a pixel (GONZALEZ; WOODS, 2000). Figura 1 - Pixels em uma imagem A figura 1 demonstra de modo gráfico o que é, na pratica, um pixel em sua forma final ao olho humano. Entretanto o pixel não pode ser encarado como um mero pequeno quadrado. Cada pixel é um ponto que, pode conter várias informações. Em uma imagem colorida, por exemplo, cada pixel pode, na verdade, conter 3 valores (valores de vermelho, verde e azul) para formar a cor que é vista (SMITH, A. R, 1995). Estes

12 12 três valores serão chamados aqui de RGB (red, green, blue). Uma imagem em RGB possui uma matriz assim como as outras, onde cada ponto da matriz possui três valores, sendo um de vermelho, um de verde e um de azul, formando com estes valores uma cor. (Figura 2) Figura 2 Imagem Colorida ou em matrizes de RGB Portanto, um pixel pode ser definido como uma amostra em ponto de uma cor: em uma imagem colorida contem uma amostra (um valor) para cada cor primária (RGB) (formando com esses valores uma nova cor) ou apenas um valor em imagens em tom de cinza. O valor que cada posição da matriz pode assumir depende do número de bits utilizados para a codificação. Uma imagem de oito bits, por exemplo, pode assumir 2^8 valores, os quais variam de 0 a 255. Tal imagem é denominada imagem em níveis de cinza. Por outro lado, uma imagem binária pode assumir apenas os valores 0 (fundo) ou 1. A Figura 3 ilustra uma imagem binária, composta, por tanto, somente pelas cores preto e branco. Figura 3 - Pixels em uma imagem

13 13 As imagens aqui utilizadas são chamadas de bitmaps (um tipo de imagem digital) e são compostas por pixels para que possamos trabalhar com as matrizes formadas pelos valores dos mesmos. Para uma detecção mais eficaz dos movimentos, imagens em tons de cinza serão avaliadas, uma vez que constam apenas de um valor por pixel, diferente das imagens coloridas que apresentam três. São usadas, a fim de mostrar a subtração das imagens recebidas, imagens binárias, que, como citado acima são compostas de pixels de valores zero e um, sendo um os que compõem os elementos não pertencentes ao fundo da imagem. 2.2 ABORDAGENS PARA DETECÇÃO DE MOVIMENTO De acordo com Lara e Hirata (2006), são quatro as principais abordagens para detecção de movimento: 1) SB: Subtração de background (Background modeling and subtraction). Esta abordagem trata de subtrair uma imagem contendo o fundo do ambiente de uma imagem contendo alguma pessoa ou objeto que foi adicionado após a captura do fundo da imagem. Entende-se fundo da imagem, ou background (plano de fundo), como a cena em condições perfeitas, sem nenhum corpo estranho nela. 2) AEP: Análise estatística pontual (statistical point analysis). Na análise estatística de ponto a subtração é feita não com um fundo salvo, mas com imagens capturadas em intervalos de tempo específicos da câmera, montando uma base para comparação. 3) ST: Subtração com o frame imediatamente anterior (Chamada por Lara e Hirata de diferenciação temporal - temporal differentiation). Compara um frame com outro frame imediatamente anterior a este. Trata-se de uma comparação temporal, pelo fato do frame imediantamente anterior, assim denominado neste trabalho, ser a cena da imagem atual (ou imagem analisada), no passado por alguns centésimos de segundo. 4) FO: Fluxo ótico (optical flow) Esta é uma abordagem que infere o movimento com base em vetores de características e possui um alto custo computacional (DORINI, L., 2009).

14 14 Dorini, Simões e Leite (2007) reforçam os conceitos anteriores, dos paradigmas de comparação de imagens, além de fazerem breves comparações qualitativas entre as abordagens citadas. Neste trabalho, foram avaliadas as abordagens de subtração de background (ou plano de fundo) e subtração de frame imediatamente anterior (diferenciação temporal). Além disso, foi proposta uma análise baseada na análise das cores da imagem. A base para as três abordagens propostas é a subtração de pixels, cuja a lógica consiste em (pseudo-linguagem): diferencapixel = matrizdepixelsimagem1[x,y] matrizdepixelsimagem2[x,y]; Nota-se que, teoricamente, se não houve movimento, o valor da diferencapixel seria 0. Entretanto, alterações de luminosidade e ruídos, entre outros fatores, podem gerar pequenas diferenças. Portanto, será adotada uma margem de tolerância, definida empiricamente (LARA, Arnaldo C., 2007). Se ( diferencapixel > limiar) então // Pixel é diferente, houve alguma mudança neste pixel contadordepixelsalterados ++; Fim Se; Esta margem de tolerância é chamada LIMIAR, o valor mínimo para considerar uma diferença como movimento ou não. Assim como exemplificado nas próximas seções, a escolha deste limiar é um fator fundamental para o bom funcionamento do programa. Devido a variações de iluminação e ruído, a utilização de um único limiar para toda a imagem pode não conduzir a bons resultados, assim como ilustrado na Figura 4 a seguir. Figura 4: Subtração (SB em tons de cinza) utilizando diferentes limiares: 30, 50, 70 e 100, nesta ordem.

15 15 Como pode ser notado, quanto maior a margem de tolerância, mas pixels diferentes são detectados. O problema é que caso o limiar seja demasiadamente alto, muitos ruídos e fantasmas são detectados (Falsos Positivos), e caso o limiar seja muito baixo, movimentos que deveriam ser detectados deixam de ser (Falsos Negativos). Isso é observado através da quantidade de pixels brancos (representando movimentos) na figura 4. De outro modo, se um único pixel ou uma quantidade irrelevante de pixels for movimentada, isto não pode ser interpretado como um elemento sofrendo deslocamento no cenário. Por isso, é preciso determinar um número de alterações mínimas para o disparo do evento de movimento. Essa escolha é dada de forma empírica (LARA, 2007) dependendo do tamanho mínimo de objeto que se quer localizar em deslocamento e resolução do aparelho de captura de imagens, entre outros fatores. Se (contadordepixelsalterados > CONTADOR) // Houve movimento Senão // Provável ruído na imagem Fim Se; então *Onde o valor de CONTADOR varia dependendo da aplicação Algoritmo de subtração de background A segmentação do movimento pode ser obtida a partir da análise de cada quadro em relação a um quadro representando o modelo de fundo da cena (LARA, C. A., 2007). Essa análise é feita através da subtração simétrica entre cada pixel do frame atual e do frame representando o background (o pixel na posição (x,y) da matriz do frame atual menos o pixel na posição (x,y) da matriz do background). Esta abordagem tem vantagem sobre as outras por ser bastante simples e retorna uma boa forma do alvo, que pode ser observada na figura 5.

16 16 (a) Frame atual (b) Background (c) Subtração do Background Figura 5: Subtração de background Por tratar sempre de uma imagem estática, este algoritmo trás formas bem delineadas. Entretanto, objetos que entram na cena, e lá permanecem, ou elementos adicionados a cena, são eternamente detectados, dificultando a detecção daquilo que por ventura passe em frente ao adicionado. Adicionalmente, elementos retirados da cena deixam fantasmas (caso estejam no plano de fundo) e apresenta problemas com variação de iluminação (COLLINS, 2007). O numero de verdadeiros positivos (pixels detectados como movimento que de fato o são) deste método é maior que o de subtração temporal, obtendo melhores resultados neste quesito (Figura 5). Por outro lado, assim como o numero de verdadeiros positivos é alto, a quantidade de falsos negativos também é maior que do outro método trabalhado, sendo este um ponto negativo da subtração por background (em outras palavras, existem mais ruídos e fantasmas neste método que no método de subtração temporal) Algoritmo de subtração temporal (frame imediatamente anterior) Este algoritmo calcula também a diferença simétrica do frame atual, mas desta vez não do background, e sim de outro frame que, neste caso, será o frame imediatamente anterior (Neste caso, não precisando ser necessariamente o anterior: algumas vezes são utilizadas médias entre os frames anteriores ou frames detectados de tempos em tempos. Porém, a abordagem aqui utilizada é a subtração do frame anterior) A abordagem de comparação entre frame atual e frame imediatamente anterior também possui características favoráveis e desfavoráveis. Apesar de possuir comportamento satisfatório para alterações graduais de luz, e não apresentar os problemas de fantasmas e detecções perpétuas que o paradigma de plano de fundo apresenta, essa comparação é muito

17 17 pobre quanto a formas. Apenas o contorno das atividades de movimentação são detectados, tornando extremamente difícil em muitos casos a identificação de forma automatizada do corpo em questão (COLLINS, 2007). Em outras palavras, a detecção de verdadeiros positivos é em geral menor que os outros métodos, por não detectar o objeto em movimento em sua totalidade, mas apenas sua silhueta (Figura 6.c). A detecção de ruídos e fantasmas por outro lado é menor, um fator que contribui para a escolha do algoritmo de subtração temporal em função dos outros. Devido então ao baixo índice de falsos positivos, a taxa de alarmes falsos diminui. Estes novos conceitos (taxa de alarmes falsos, verdadeiros positivos, falsos positivos) serão tratados com maiores detalhes mais a frente no capítulo de resultados. (a) Frame atual (b) Frame Anterior (c) Subtração dos Frames Figura 6 Subtração Temporal Problemas encontrados As duas primeiras abordagens utilizadas no desenvolvimento da proposta são as de subtração frame a frame e a subtração de plano de fundo. De forma geral, os resultados reafirmam os testes já existentes na bibliografia. Entretanto, um fator de peculiar relevância para o caso estudado é notório: o problema na conversão para escalas de cinza anterior à subtração. Ao fazer a diferença entre imagens em tons de cinza, tem-se apenas um número que pode ser extremamente similar, mesmo sem ser advindo necessariamente das mesmas cores sendo comparadas. Isso ocorre pelo fato de as escalas de cinza não demonstrarem as cores (por razões óbvias afinal a variedade de tons que se pode produzir é relativamente pequena) e

18 18 sim a intensidade delas. No capitulo 5 exemplos práticos são demonstrados, tornando esta explicação mais clara. Devido ao problema na conversão para as escalas de cinza, é levantada uma modificação no algoritmo de subtração inicial (substituindo-se a escala de cinza foi pela análise de mais de um tom de cor como será descrito posteriormente no capítulo 5) a fim de eliminar problemas persistentes nos testes de ambos os paradigmas (subtração frame a frame e subtração do plano de fundo utilizando escalas de cinza). Com a modificação feita e os testes refeitos, o método de análise das imagens, dentre os estudados, que se mostrou mais eficaz para detecção de movimentos nos ambientes pretendidos é identificado Algoritmo de detecção de movimento em imagens coloridas implementado: Para solucionar o problema com as escalas de cinza, o seguinte algoritmo foi Separa a imagem nas bandas de cor vermelho, verde e azul Fazer a subtração da matriz em vermelho da primeira imagem da matriz em vermelho da segunda imagem e repetir a operação para as matrizes de verde e azul, salvando o resultado em outras três matrizes Alterar o valor de cada elemento das novas matrizes para 0 (numero que representa o preto em escalas de cinza) sempre que o módulo da diferença apresentada for maior que o limiar adotado e para 255 (numero que representa o branco em escalas de cinza) sempre que o módulo da diferença obtida for menor que o limiar adotado. Nas matrizes binárias (com 0 e 255) Sempre que o módulo da diferença for maior que o limiar adotado na matriz de redução de tons de vermelho e/ou na matriz de redução de tons de azul e/ou na redução de tons de verde, acrescenta-se um a um contador de pixels diferentes entre as duas imagens. (Este contador será utilizado para nos mostrar se houve ou não movimento.) Caso o contador de pixels diferentes seja maior que um número empírico adotado de acordo com a resolução da câmera e a velocidade do processador, pode ser salva uma imagem a partir da matriz de 0 e 255 obtida, gerando-se uma imagem binária com o movimento capturado. Esta imagem binária é a base de comparação para os testes dos

19 19 algoritmos. Podemos salvar também a imagem capturada diretamente do dispositivo de detecção para o disco rígido sempre que o contador identificar movimento. O algoritmo descrito a seguir resume o procedimento: ENQUANTO x < larguradaimagem faz 4 IMPLEMENTAÇÃO DA PROPOSTA ENQUANTO y < alturadaimagem faz SE ( (matrizvermelhoimagem1[x,y] matrizvermelhoimagem2[x,y]) > A seguir são discutidos os aspectos relacionados à implementação da proposta. limiar) E/OU ( (matrizverdeimagem1[x,y] matrizverdeimagem2[x,y]) > limiar) E/OU 4.1 CASOS DE USO ( (matrizazulimagem1[x,y] matrizazulimagem2[x,y]) > limiar) ENTAO contadordepixelsdiferentes++; FIMSE FIMENQUANTO FIMENQUANTO SE (contadordepixelsdiferentes > NumeroEmpiricoAdotado) IMPRIME: Movimento Detectado! FIMSE Algoritmo Explicando a subtração de duas imagens utilizando matrizes de RGB.

20 20 3. IMPLEMENTAÇÃO DA PROPOSTA A fase de implementação da proposta e testes dos algoritmos foi feita em JAVA (NetBeans IDE). Em termos de hardware, foi necessária uma webcam simples. Para testes foram utilizados 2 notebooks de mesmo modelo, com webcams integradas. Em suma, os passos da abordagem são os seguintes: Obtenção da Seqüência de Imagens: Nesse processo são extraídos os frames do vídeo, em outras palavras, são retiradas as imagens que formam o vídeo, para futura análise, como será descrito posteriormente. Pré-processamento das imagens: Para comparação de pixels com o objetivo de detectar movimentos, são obtidos das imagens os tons de vermelho, verde e azul. Processamento das imagens: Na etapa de processamento das imagens, os algoritmos testados irão analisar as imagens e através dos dados obtidos determinar se ouve ou não movimento. Saída de dados: Nesta etapa, será retornada para fins de usuário final, uma definição booleana de movimento ou não-movimento, em forma visual ou texto (para aplicações diversas). 3.1 O Artefato Desenvolvido O artefato é implementado com o algoritmo identificado como mais adequado, resultado de todos os estudos algorítmicos realizados até então, utilizando vídeo em tempo real resgatado de uma webcam. Testes manuais em um ambiente controlado foram realizados, e mais uma vez reforçaram os resultados já obtidos, dando-se de forma satisfatória o funcionamento do aplicativo, em nível de protótipo. Seu uso é bastante simplificado, possuindo botões para iniciar a detecção, pausar, e para abrir a janela com o software de teste de algoritmos (Figura 6). Ao iniciar a detecção, o algoritmo começa a comparar incessantemente os frames capturados da webcam, salvando imagens quando há movimento e alterando a cor da guia Movimentos de vermelho para verde.

21 21 Figura 7 Interface de fácil manipulação do artefato: um protótipo de aplicativo para monitoramento de ambientes internos. Apesar de apenas salvar em disco as imagens obtidas, alterações futuras poderão permitir o envio de com as imagens, sms alertando a detecção de movimentos, entre outros. Por este motivo houve a preferencia por uma aplicação open source que poderá ser ampliada por qualquer pessoa que possua interesse. 3.2 Aplicativo de Comparação de Imagens Para fins de análise e comparação das técnicas de detecção de movimento estudadas neste trabalho, foi desenvolvido um aplicativo de comparação de imagens baseado em um algoritmo fixo de subtração de pixels. Assim como discutido na seção anterior, tal algoritmo é a base para as abordagens estudadas. A Figura 8 ilustra a interface básica. Figura 8 Interface de testes

22 22 Com este aplicativo, o processo de comparação dos métodos de detecção pode ser bastante agilizado. Inicialmente, esta ferramenta seria utilizada exclusivamente na etapa de estudo dos algoritmos, contudo, se mostrou cada vez mais importante no decorrer do tempo. As próximas seções discutem o desenvolvimento com mais detalhes. 3.3 BURNDOWN CHART REAL Gráfico 2 Burndown Chart Real Pode se notar através do gráfico acima algumas dificuldades da equipe no meio do processo, onde houve uma estagnação do cronograma e um atraso significativo na evolução do projeto. Isso se deve, entre outros fatores, a falta de uma revisão bibliográfica consistente, assim como uma má definição do escopo a ser trabalhado. Ao ser alterado o escopo, a percentagem a ser realizada do trabalho foi alterada. Como o trabalho era executado duas vezes por semana em média, os outros dias possuem linhas retas, onde não houve rendimento algum. Ao final do processo, podemos identificar que ainda resta cerca de 10% a ser feito, nesses 10% estão incluídas funções adicionais do protótipo de aplicativo previstas no inicio e também análises qualitativas e quantitativas aprofundadas dos algoritmos. Estas análises seriam bastante importantes, porém não alterariam a escolha do melhor algoritmo, que fora baseada também na revisão bibliográfica e nos resultados práticos obtidos.

23 23 4. RESULTADOS E ANÁLISE Para avaliar de forma precisa os pontos positivos e negativos de cada abordagem e, assim determinar aquele que será utilizado no protótipo proposto, são realizadas análises qualitativas e quantitativas dos resultados. O pilar para as comparações, inicialmente, é a base pública de imagens do projeto CAVIAR, fornecendo seqüências que simulam muito bem um ambiental real, e também com dados precisos sobre o que deve ser detectado. O CAVIAR (Context Aware Vision using Image-based Active Recognition - visão dependente de contexto usando reconhecimento ativo baseado em imagens) é um projeto financiado pela EC's Information Society Technology (IST ) e tem por objetivo trabalhar no desenvolvimento de processos de reconhecimento baseados em imagens, focado principalmente na área de vigilância inteligente. O projeto é uma colaboração entre as universidades de Edimburgo, Reino Unido; Instituto Superior Técnico, Lisboa, Portugal e o Instituto Politécnico Nacional de Grenoble, França (CAVIAR, 2005). Composto por sequências de vídeo e imagens, o projeto abrange aplicações que vão desde o estudo comportamental de indivíduos em determinados ambientes, como shopping centers, para melhora física destes espaços, até aplicações de alto nível tratando-se de tratamento de imagens de forma computacional, passando pela detecção de movimentos, assunto abordado neste trabalho. Para a análise qualitativa, os critérios analisados englobam a possibilidade de rastreamento, precisão na diferenciação dos tons das cores, detecção dos denominados fantasmas (objetos detectados erroneamente pelo algoritmo) e captação de ruídos (pequenos defeitos na imagem causados por adversidades no momento de captura das mesmas). Tais critérios foram adotados com base nos trabalhos já realizados que possuem análises deste estilo relativas à detecção de movimentos. A análise quantitativa analisou, dentre outras medidas e fórmulas padrões encontradas nas referências, a porcentagem de pixels que foi corretamente classificada como parte do objeto e a precisão da classificação.

24 Algoritmo de testes subtraindo o frame atual do frame anterior Ao utilizar a subtração do frame anterior nas imagens obtidas do banco de imagens CAVIAR obtêm-se o resultado ilustrado na Figura 9 abaixo. Figura 9 - Frame atual reduzido do frame anterior. Nota-se que a redução das imagens nos dá como resultado somente o contorno da pessoa ou objeto em movimento, e não o objeto inteiro, como já previsto. Para um software que apenas detecta movimentos pode-se considerar este algoritmo eficaz, pois apesar de detectar alguns pontos onde não houve movimento relevante (planta com o vento e semelhantes), sempre que houver qualquer tipo de movimento o mesmo será detectado. A desvantagem é a dificuldade de identificação (de forma computacional) do objeto. Diferentemente dos outros métodos de detecção estudados, a subtração do frame anterior possui boa adaptação a mudanças graduais de luz, pois a iluminação natural não muda bruscamente em ambientes internos, e as pequenas variações não são detectadas como movimentos devido à tolerância de alteração de pixels. Objetos que entram na cena e ficam não são detectados para sempre, e objetos que saem da cena que estavam inicialmente não deixam um eterno fantasma, o que aconteceria se fosse utilizado ao invés do frame anterior, um único frame com o background, onde todo objeto adicionado ao cenário exigiria uma nova imagem de plano de fundo para a detecção.

25 Algoritmo de testes subtraindo o frame atual do background. Figura 10 abaixo. Para a abordagem de subtração de background, chega-se ao resultado ilustrado na Figura 10 - Frame atual reduzido do background. No teste acima observa-se uma imagem binária diferente como resultado: um formato mais acentuado da pessoa em movimento, e também um segundo individuo ao fundo. A obtenção da seqüência de imagens binárias possibilitará a visão clara do movimento realizado. A redução de background se mostra mais adequada quando há a necessidade da identificação do objeto e do tipo de movimento detectado (software mais elaborados), contudo, para eventos de movimentação seu desempenho é inferior. Em primeiro lugar devido à alta sensibilidade a trocas de luz, então se o background foi capturado em um momento em que havia boa iluminação, em outro momento quando a iluminação natural é pior, este algoritmo detectará movimentos inexistentes incessantemente, e vice versa. Outro aspecto observado deste paradigma é a detecção de fantasmas de objetos que foram retirados do background que serão detectados até que se atualize o base de fundo do algoritmo. O mesmo acontece com objetos adicionados, tornando o algoritmo de subtração de background pouco versátil em relação aos demais.

26 Problema da conversão em tons de cinza Tanto o algoritmo de subtração de background quanto o algoritmo de subtração do frame anterior utilizam a conversão para escalas de cinza antes da subtração das imagens. Essa medida havia sido adotada por possuir uma padronização não aprofundada nos trabalhos utilizados como referências bibliográficas deste projeto. O programa de subtração de imagens, como o nome já explica, não utiliza um algoritmo de detecção de movimentos e sim um algoritmo de subtração de imagens, por isso agrupamos os algoritmos 1 (subtração de background) e 2 (subtração do frame anterior) no mesmo botão de testes (que chama o algoritmo de subtração de imagens convertendo-as para tons de cinza antes da subtração). Na imagem abaixo foi executada uma simulação de subtração na qual apenas um círculo verde foi introduzido, como se fosse um objeto a mais no cenário (Figura 7). Devido à proximidade das cores da grama e da bola, não se fez viável a percepção como um objeto estranho ao cenário, se não pelo seu contorno, que é preto. Isso ocorreu devido ao método de pré-processamento para a criação da imagem binária, que converte as imagens em tons de cinza: o tom de cinza da bola e da grama ficou tão parecido que foi tratado como movimento irrelevante. Figura 11 Problemas com tons de cinza Ao converter as duas imagens (Figura 11) em tons de cinza, a diferença entre os tons de verde da bola e da grama é insignificante para o algoritmo de subtração: a imagem da subtração dos frames não identifica movimento algum. Em um software de detecção de movimentos, uma pessoa que, por exemplo, não quisesse ser detectada poderia apenas usar uma roupa da mesma intensidade de cor das

27 27 paredes do local. O algoritmo que utiliza matrizes de vermelho, verde e azul não resolveria esse problema totalmente, mas aumentaria a eficácia em três vezes, uma vez que ao invés de um número a ser comparado, ele utiliza-se de três números com possibilidade de detecção. Portanto o foco do desenvolvimento do último algoritmo é na solução deste problema abaixo se tem as mesmas imagens, porém com uma subtração feita baseada nas matrizes de vermelho, verde e azul. (Utilizada no algoritmo 3) Figura 12 - Algoritmo utilizando escalas de verde, vermelho e azul simultaneamente ao invés de cinza, corrigindo o problema. A solução se deu, portanto, com a adoção dos tons de vermelho, verde e azul no lugar de cinza, fazendo com que a detecção se tornasse mais precisa. (Figura 12). Essa foi uma medida que se observou necessária para a adaptação do algoritmo a necessidade desta aplicação, não sendo porém, a mais eficiente para todas as necessidades. Com esta solução (Seção 3.4), apesar de compararmos duas matrizes a mais, eliminamos o processo de transformação das imagens para matrizes de cinza. Para reforçar a necessidade de solução do problema nas escalas de cinza, foram realizados testes com diferentes cores, identificando que as cores não precisam necessariamente ser similares para resultarem em tons de cinza parecidos. (Figuras 13 e 14). Na figura 13 todas as cores são detectadas como diferentes do plano de fundo com um limiar de 70, em quanto na figura 14 apenas sete das doze são detectadas.

28 28 Figura 13 Subtração de imagens utilizando matrizes de vermelho, verde e azul Figura 14 Subtração de imagens utilizando matriz de escalas de cinza A figura 13 representa o então novo método de subtração de imagens a ser utilizado que utiliza matrizes de RGB, e que não possui os mesmos problemas apresentados pela subtração utilizando escalas de cinza, representada na figura Análise Comparativa Por trabalhar com dois métodos diferentes, faz-se necessária uma análise comparativa entre os métodos e algoritmos utilizados. Esta seção discute a análise comparativa entre os algoritmos analisados em termos quantitativos e qualitativos para que fiquem claras eventuais diferenças práticas entre eles.

29 Análise Comparativa Qualitativa Para resumir de maneira clara a comparação entre os algoritmos de detecção, foi elaborada uma tabela, cujos resultados baseiam-se nos testes realizados e nos trabalhos já existentes acerca do assunto. A Tabela 1 mostra uma análise comparativa dos algoritmos abordados onde os que apresentam melhor desempenho naquele quesito encontram-se em destaque. Subtração do Frame Anterior Subtração do Background Utilizando Escalas Utilizando Vermelho Utilizando Escalas Utilizando Vermelho de Cinza Verde e Azul de Cinza Verde e Azul Possibilidade de Rastreamento LIMITADA LIMITADA SIM SIM Precisão Na Diferença dos tons MEDIANA EFICIENTE MEDIANA EFICIENTE Detecção de Fantasmas POUCA POUCA DEMASIADA DEMASIADA Sensibilidade a Iluminação BOA Gradativa BOA - Gradativa DEMASIADA DEMASIADA Captação de Ruídos MENOR MENOR MAIOR MAIOR Tabela 1 Comparação dos algoritmos de detecção Em que: Possibilidade de Rastreamento: Em alguns casos, o algoritmo será utilizado para a identificação do objeto em movimento, chamamos isto de rastreamento de objetos. Precisão na Diferença dos Tons: Tons que possuem números muito próximos na escala de cinza podem não ser tão parecidos ao comparar-se as escalas de vermelho, verde e azul. Detecção de Fantasmas: Objetos que entram em cena ou saem de cena após a detecção do background e ficam parados, porém são detectados como objetos em movimento são chamados de fantasmas. Sensibilidade a Iluminação: Caso a iluminação do ambiente mude, o algoritmo pode vir a detectar a mudança de luz como sendo movimento. Captação de Ruídos: Ruídos são pequenos pontos da imagem que não deveriam ser detectados como movimentos, mas acabam sendo.

30 Análise Comparativa Quantitativa Os conceitos abaixo são essenciais para compreender adequadamente os critérios de avaliação dos resultados: Verdadeiro positivo (ou detecção correta) é o total de pixels classificados como sendo movimento, que realmente são movimentos. Verdadeiro negativo é o total de pixels classificados como não sendo movimentos, que de fato não o são. Falso negativo (não detecção) é o total de pixels classificados como não sendo movimento, mas que deveriam ser. Falso positivo (ou ruído) é o total de pixels classificados como movimento, mas que não deveriam ser. Estes conceitos são utilizados pela maior parte dos autores ao avaliarem os resultados relativos a detecção de movimentos, por isso basearemos também nossas analises nestes conceitos. Para conseguir identificar tais pontos, em primeiro lugar é feita uma subtração manual do background e é destacado manualmente o local onde foi identificado movimento, isolandoo em um retângulo. (Figura 15) Figura 15: (a) Imagem Original, (b) Detecção Do Local do Movimento e (c) Isolamento do Local Em seguida, utiliza-se o algoritmo de subtração em questão. No caso (Figura 16) foi utilizado um algoritmo que trata a imagem em tons de cinza e outro que utiliza os tons de vermelho, verde e azul, ambos com limiar 70 (a escolha do limiar, como já explicado, é empírica, e no neste caso, 70 mostrou-se mais viável.).

31 31 Figura 16: (a) Utilizando Cores e SB, (b) Utilizando Escalas de Cinza e SB Isola-se o movimento principal o identificado também com um retângulo, faz-se uma subtração da imagem obtida do movimento original e contam-se os pixels positivos verdadeiros, os falsos positivos, os negativos verdadeiros e os falsos negativos, baseando-se nessa subtração para futura analise. (Figura 17) Figura 17: (a) Isolamento do movimento e (b) Resultado da análise Para que se possa compreender melhor a análise quantitativa realizada, é necessário definir-se algumas informações: VP: Verdadeiros positivos (ou detecção correta) são representados na imagem 3b pela cor branca. VN: Verdadeiros negativos são representados na análise pela cor preta. FN: Falsos negativos (não detecção) representados na figura 3b pela cor laranjada. FP: Falsos positivos (ou ruído) seriam representados na análise pela cor azul. PCC: Percentual de Classificação Correta Calcula a razão entre o numero de pixels corretamente classificados e o total de numero de pixels do quadro. (LARA, A.C. 2007)

32 32 Uma falha identificada neste percentual é o numero altíssimo de pixels do background que aumenta por conseqüência o numero de pixels VN, aumentando também o coeficiente de maneira injusta. Devido a esta falha, foi criado o coeficiente de Jaccard, que ignora o numero de pixels identificados corretamente pertencentes ao background. JC: Coeficiente de Jaccard [8] (LARA, A.C., 2007) TRDR Taxa de Detecção de Rastreamento: Numero de pixels corretamente identificados divididos pelo numero de pixels que realmente fazem parte dos alvos. (LARA, A.C., 2007) FAR Taxa de Falsos Alarmes: Numero de pixels classificados incorretamente como alvos. (LARA, A.C., 2007) quantitativo: Cada uma das últimas quatro fórmulas citadas nos levam a um tipo de resultado PCC: Normalmente, gera um coeficiente alto, devido aos pixels do background não detectados como movimento. JC: Gera um coeficiente mais adequado aos padrões da pesquisa, que retorna resultados mais reais. TRTD: Mais adequado para situações onde não se deve perder nem os menores movimentos. FAR: Índice usado para comparação do nível de ruído em cada algoritmo. Foram realizados diversos testes com imagens da base caviar, que serão expostos a seguir passo a passo para que se compreendam as fases de teste:

33 33 Seqüência Exemplo: Passo 1: Identificação do Movimento e Criação de uma imagem de subtração ideal: como falado anteriormente, identificamos a região onde houve o movimento principal a ser detectado e o delimitamos com um retângulo. (Figura 18) Figura 18: Identificação do movimento na imagem original Este passo do teste foi feito manualmente, com identificação a olho nu do objeto em movimento e uso de um editor de imagens comum. Passo 2: Subtração das imagens pelos diferentes métodos a serem analisados: (Figuras 19, 20, 21 e 22) (a)frame Atual (b)background (c)resultado da Subtração Figura 19: SB Subtração do background da imagem, utilizando a subtração da matriz de escalas de cinza (a)frame Atual (b)background (c)resultado da Subtração Figura 20: SB Subtração do background da imagem, utilizando a subtração da matriz de vermelho, verde e azul

34 34 É interessante notar a diferença entre a figura 19 e a figura 20: A subtração utilizando matriz de vermelho, verde e azul apresenta mais ruídos, mas em compensação delimita melhor o objeto que se encontra em movimento, identificando todo o seu contorno e o seu formato, isso denota uma análise qualitativa. Em outras palavras, podemos também dizer que a segunda abordagem apresenta mais verdadeiros positivos. Estes resultados serão numericamente apresentados mais a frente neste mesmo capítulo. É mais importante ainda perceber a diferença que veremos nas subtrações das imagens 21 e 22, que utilizarão o método de subtração do frame anterior ao invés de utilizar o método de subtração de background como as imagens 19 e 20. (a)frame Atual (b)frame Anterior (c)resultado da Subtração Figura 21: ST Subtração do frame anterior da imagem, utilizando a subtração da matriz de escalas de cinza (a)frame Atual (b)frame Anterior (c)resultado da Subtração Figura 22: ST Subtração do frame anterior da imagem, utilizando a subtração da matriz de RGB Ao compararmos a olho nu as Figuras 19, 20, 21 e 22 observamos os resultados que vêm sido mostrados ao longo deste projeto. Tendo agora em mãos os quatro métodos que desejamos comparar (Figura 23), pode-se passar para o próximo passo. Com a análise quantitativa, têm-se dados numéricos para aprimoramento da precisão e da validade dos estudos realizados, facilitando a escolha dos métodos de detecção de movimentos de acordo com a necessidade do programador ou usuário.

35 35 Nos próximos passos será mostrado como se utilizam as informações apresentadas acima de maneira quantitativa, com resultados práticos claros para qualquer finalidade que este estudo possa vir a ser utilizado. Utilizando Escalas de Cinza Utilizando Matriz de Vermelho, Verde e Azul SB Subtração do Background da Imagem ST Subtração do Frame Anterior Figura 23: Resultados obtidos dos diferentes métodos de subtração de imagens Passo 3: Delimitação da região do movimento em todos os resultados das subtrações: Assim como foi feito com a imagem original, delimitando um retângulo branco onde seu movimento principal esta inserido, delimitamos cada caso que estudaremos. (Figura 24) Figura 24: Delimitação das áreas de movimento em cada imagem subtraída

36 36 Para este projeto em especial, serão utilizadas apenas as imagens com os retângulos delimitando o movimento. Chegou-se a esse método devido à utilidade dos resultados: uma vez que o interesse é se houve ou não movimento, e não qual objeto está se movendo. (rastreamento e afins). Por observações pessoais e apoio da orientadora, foi delimitada esta metodologia, uma vez que não se dispõe de um instrumento automático preciso de identificação de movimentos RELEVANTES. Com a técnica de delimitar o movimento por um retângulo, é selecionado o que poderia ser classificado como movimento RELEVANTE a olho nu. Portanto, a região delimitada pelo retângulo precisa ser necessariamente a mesma na imagem ideal e na imagem de subtração obtida pelo algoritmo de detecção de movimentos utilizado para que haja uma detecção precisa, e é basicamente essa a função dos testes realizados em cima dos métodos de detecção e subtração de imagens utilizados. Passo 4: A comparação feita agora será entre a imagem ideal (figura 18) e as imagens delimitadas na figura 24: Comparação 1: SB Escalas de Cinza (a) Movimento Ideal (b) Movimento Identificado (c) Comparação Entre Ambos Figura 25: Comparação do movimento ideal com o movimento detectado na comparação 1 Na Subtração de Background, temos muitos pixels alaranjados na análise (feita pelo software de testes desenvolvido para este projeto). Estes pixels alaranjados representam os FALSOS POSITIVOS já citados anteriormente. Em outras palavras, tem-se detecção de movimento onde não há movimento.

37 37 Comparação 2: SB Matriz de Vermelho, Verde e Azul (a) Movimento Ideal (b) Movimento Identificado (c) Comparação Entre Ambos Figura 26: Comparação do movimento ideal com o movimento detectado na comparação 2. Por ser também uma subtração de Background, o resultado obtido não é tão diferente da comparação 1 a olho nu. Serão vistos porém os números, que por fim, apresentarão diferenças. Comparação 3: ST Escalas de Cinza (a) Movimento Ideal (b) Movimento Identificado (c) Comparação Entre Ambos Figura 27: Comparação do movimento ideal com o movimento detectado na comparação 3. Os pixels azuis agora presentes representam os FALSOS NEGATIVOS (Figura 27). Pode-se notar claramente que a subtração temporal (ou subtração do frame anterior) apresenta falsos negativos enquanto a SB (subtração de background) não apresenta. Isso ocorre tanto na ST por escalas de cinza quanto na ST por matriz de vermelho, verde e azul (Figura 28)

38 38 Comparação 4: ST Escalas de Vermelho, verde e azul Passo 5: Agrupar Resultados (a) Movimento Ideal (b) Movimento Identificado (c) Comparação Entre Ambos Figura 28: Comparação do movimento ideal com o movimento detectado na comparação 4 Ao mesmo tempo que cria-se a imagem da análise usando-se preto para verdadeiros negativos, branco para verdadeiros positivos, azul para falsos negativos e alaranjado para falsos positivos, contam-se todos os pixels da imagem para cada caso. A partir dessa contagem e das fórmulas citadas anteriormente, chegamos ao resultado apresentado na tabela 2: Abordagem VP VN FP FN PCC JC FAR TRDR (SB) Subtração de Background Matrizes de RGB ,978 0,487 0,512 1 Escalas de Cinza ,978 0,493 0,506 1 (ST)Subtraçã Matrizes de RGB ,980 0,4261 0,483 0,708 o Temporal Escalas de Cinza ,980 0,430 0,473 0,701 Tabela 2: Agrupamento dos Resultados obtidos das análises dos métodos citados no exemplo VP: A subtração de background é o melhor método para que hajam mais verdadeiros positivos (detectará mais movimentos verdadeiros que a Subtração Temporal). VN: A subtração temporal detectará mais verdadeiros negativos, justamente por causa do menor numero de ruídos (FP). Quanto maior o numero de falsos positivos (ruídos), maior o numero de verdadeiros negativos. FP: A subtração temporal é o método que detecta menos falsos positivos entre este e a subtração de background, assim como o uso de escalas de cinza prevalece sobre o uso de matrizes de vermelho, verde e azul para detectar menos ruídos na subtração.

39 39 FN: A subtração de background é sem duvida o melhor método para que não se perca nada na detecção, não apresentando nenhum falso negativo. (Nenhuma não detecção de movimentos relevantes). PCC: O índice PCC da subtração temporal é um pouco melhor que o da subtração de background pois a mesma apresenta melhor índice de VN aliado ao melhor índice de FP. JC: O coeficiente de Jaccar da subtração de background é bem melhor que o coeficiente de Jaccar da subtração temporal pois este coeficiente tem um foco sobre os Verdadeiros Positivos, ou seja, nos acertos de afirmar que tudo que é movimento de fato o é. FAR: a taxa de falsos alarmes é melhor na subtração temporal, pois esta apresenta o menor nível de ruídos (ou seja, falsos positivos). TDRD: a taxa de detecção de rastreamento é melhor na subtração de background, pois a mesma não apresenta Falsos Negativos. (Não assinala como falsos movimentos que são verdadeiros), diferente da subtração temporal.

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS

SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS SEGMENTAÇÃO DE IMAGENS EM PLACAS AUTOMOTIVAS André Zuconelli 1 ; Manassés Ribeiro 2 1. Aluno do Curso Técnico em Informática, turma 2010, Instituto Federal Catarinense, Câmpus Videira, andre_zuconelli@hotmail.com

Leia mais

4 Segmentação. 4.1. Algoritmo proposto

4 Segmentação. 4.1. Algoritmo proposto 4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças

Leia mais

PROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software

PROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às

Leia mais

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com

Processamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a

Leia mais

Manual SAGe Versão 1.2 (a partir da versão 12.08.01)

Manual SAGe Versão 1.2 (a partir da versão 12.08.01) Manual SAGe Versão 1.2 (a partir da versão 12.08.01) Submissão de Relatórios Científicos Sumário Introdução... 2 Elaboração do Relatório Científico... 3 Submissão do Relatório Científico... 14 Operação

Leia mais

Referências internas são os artefatos usados para ajudar na elaboração do PT tais como:

Referências internas são os artefatos usados para ajudar na elaboração do PT tais como: Plano de Teste (resumo do documento) I Introdução Identificador do Plano de Teste Esse campo deve especificar um identificador único para reconhecimento do Plano de Teste. Pode ser inclusive um código

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário

Leia mais

Detecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV

Detecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV Detecção e Rastreamento de Objetos coloridos em vídeo utilizando o OpenCV Bruno Alberto Soares OLIVEIRA 1,3 ; Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Marlon MARCON 2,3 1 Estudante

Leia mais

4 Avaliação Experimental

4 Avaliação Experimental 4 Avaliação Experimental Este capítulo apresenta uma avaliação experimental dos métodos e técnicas aplicados neste trabalho. Base para esta avaliação foi o protótipo descrito no capítulo anterior. Dentre

Leia mais

FACULDADE DE ENGENHARIA DE COMPUTAÇÃO. PROJETO FINAL I e II PLANO DE TRABALHO <NOME DO TRABALHO> <Nome do Aluno> <Nome do Orientador>

FACULDADE DE ENGENHARIA DE COMPUTAÇÃO. PROJETO FINAL I e II PLANO DE TRABALHO <NOME DO TRABALHO> <Nome do Aluno> <Nome do Orientador> FACULDADE DE ENGENHARIA DE COMPUTAÇÃO PROJETO FINAL I e II PLANO DE TRABALHO O Trabalho de Conclusão de Curso (TCC) a ser desenvolvido

Leia mais

VCA Treinamento em Algoritmo

VCA Treinamento em Algoritmo Conteúdo VCA Treinamento em Algoritmo VCA Treinamento em Algoritmo Conteúdo Algoritmos Rastreador (tracker) Monitoramento Objeto Abandonado/Removido Pessoas Calibração Classificação Linha de contagem Auto

Leia mais

PLANEJAMENTO DA MANUFATURA

PLANEJAMENTO DA MANUFATURA 58 FUNDIÇÃO e SERVIÇOS NOV. 2012 PLANEJAMENTO DA MANUFATURA Otimizando o planejamento de fundidos em uma linha de montagem de motores (II) O texto dá continuidade à análise do uso da simulação na otimização

Leia mais

APLICACAÇÃO DE METRICAS E INDICADORES NO MODELO DE REFERENCIA CMMI-Dev NIVEL 2

APLICACAÇÃO DE METRICAS E INDICADORES NO MODELO DE REFERENCIA CMMI-Dev NIVEL 2 APLICACAÇÃO DE METRICAS E INDICADORES NO MODELO DE REFERENCIA CMMI-Dev NIVEL 2 Renan J. Borges 1, Késsia R. C. Marchi 1 1 Universidade Paranaense (UNIPAR) Paranavaí, PR Brasil renanjborges@gmail.com, kessia@unipar.br

Leia mais

Admistração de Redes de Computadores (ARC)

Admistração de Redes de Computadores (ARC) Admistração de Redes de Computadores (ARC) Instituto Federal de Educação, Ciência e Tecnologia de Santa Catarina - Campus São José Prof. Glauco Cardozo glauco.cardozo@ifsc.edu.br RAID é a sigla para Redundant

Leia mais

Orientação a Objetos

Orientação a Objetos 1. Domínio e Aplicação Orientação a Objetos Um domínio é composto pelas entidades, informações e processos relacionados a um determinado contexto. Uma aplicação pode ser desenvolvida para automatizar ou

Leia mais

4 Arquitetura básica de um analisador de elementos de redes

4 Arquitetura básica de um analisador de elementos de redes 4 Arquitetura básica de um analisador de elementos de redes Neste capítulo é apresentado o desenvolvimento de um dispositivo analisador de redes e de elementos de redes, utilizando tecnologia FPGA. Conforme

Leia mais

3 Classificação. 3.1. Resumo do algoritmo proposto

3 Classificação. 3.1. Resumo do algoritmo proposto 3 Classificação Este capítulo apresenta primeiramente o algoritmo proposto para a classificação de áudio codificado em MPEG-1 Layer 2 em detalhes. Em seguida, são analisadas as inovações apresentadas.

Leia mais

CorelDRAW 11 1. UM PROGRAMA DE DESIGN

CorelDRAW 11 1. UM PROGRAMA DE DESIGN CorelDRAW 11 1. UM PROGRAMA DE DESIGN Com o Corel você vai trabalhar com um dos aplicativos mais usados no campo do design e da auto-edição, já que permite operar com dois tipos de gráficos (vetoriais

Leia mais

Roteiro para preparação de proposta de Trabalhos Técnico-Científicos

Roteiro para preparação de proposta de Trabalhos Técnico-Científicos 1 Roteiro para preparação de proposta de Trabalhos Técnico-Científicos Prof. Valdemir Carrara www.valcar.net www.carrara.us 2 1 INTRODUÇÃO Na introdução deve-se descrever os objetivos principais do trabalho

Leia mais

Organização e Arquitetura de Computadores I

Organização e Arquitetura de Computadores I Organização e Arquitetura de Computadores I Aritmética Computacional Slide 1 Sumário Unidade Lógica e Aritmética Representação de Números Inteiros Aritmética de Números Inteiros Representação de Números

Leia mais

2. Representação Numérica

2. Representação Numérica 2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos

Leia mais

Múltiplos Estágios processo com três estágios Inquérito de Satisfação Fase II

Múltiplos Estágios processo com três estágios Inquérito de Satisfação Fase II O seguinte exercício contempla um processo com três estágios. Baseia-se no Inquérito de Satisfação Fase II, sendo, por isso, essencial compreender primeiro o problema antes de começar o tutorial. 1 1.

Leia mais

Funções de Posicionamento para Controle de Eixos

Funções de Posicionamento para Controle de Eixos Funções de Posicionamento para Controle de Eixos Resumo Atualmente muitos Controladores Programáveis (CPs) classificados como de pequeno porte possuem, integrados em um único invólucro, uma densidade significativa

Leia mais

Capítulo 7 Medidas de dispersão

Capítulo 7 Medidas de dispersão Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).

Leia mais

Atividade: matrizes e imagens digitais

Atividade: matrizes e imagens digitais Atividade: matrizes e imagens digitais Aluno(a): Turma: Professor(a): Parte 01 MÓDULO: MATRIZES E IMAGENS BINÁRIAS 1 2 3 4 5 6 7 8 Indique, na tabela abaixo, as respostas dos 8 desafios do Jogo dos Índices

Leia mais

Gerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto

Gerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto Gerenciamento de Projetos Modulo II Ciclo de Vida e Organização do Projeto Prof. Walter Cunha falecomigo@waltercunha.com http://waltercunha.com PMBoK Organização do Projeto Os projetos e o gerenciamento

Leia mais

Conceitos de Banco de Dados

Conceitos de Banco de Dados Conceitos de Banco de Dados Autor: Luiz Antonio Junior 1 INTRODUÇÃO Objetivos Introduzir conceitos básicos de Modelo de dados Introduzir conceitos básicos de Banco de dados Capacitar o aluno a construir

Leia mais

MANUAL DE UTILIZAÇÃO SISTEMA DE CADASTRO INTRANET

MANUAL DE UTILIZAÇÃO SISTEMA DE CADASTRO INTRANET MANUAL DE UTILIZAÇÃO SISTEMA DE CADASTRO INTRANET I Sumário 1. Objetivo do Documento... 1 2. Início... 1 3. Cadastro de Pessoa Física... 3 3.1. Preenchimentos Obrigatórios.... 4 3.2. Acesso aos Campos

Leia mais

Microsoft Office PowerPoint 2007

Microsoft Office PowerPoint 2007 INTRODUÇÃO AO MICROSOFT POWERPOINT 2007 O Microsoft Office PowerPoint 2007 é um programa destinado à criação de apresentação através de Slides. A apresentação é um conjunto de Sides que são exibidos em

Leia mais

HCT Compatibilidade Manual do Usuário

HCT Compatibilidade Manual do Usuário HCT Compatibilidade Manual do Usuário Índice Introdução...3 HCT Compatibilidade...3 Librix...3 Execução do Programa...4 Seleção de Testes...4 Testes Manuais...6 Teste de Teclado...6 Teste de Vídeo...7

Leia mais

Itinerários de Ônibus Relatório Final

Itinerários de Ônibus Relatório Final CENTRO UNIVERSITÁRIO SENAC Itinerários de Ônibus Relatório Final Grupo 5 Caio Roque Daniel Nunes Elise Roese José Caneiro Marcos Grignani São Paulo Junho de 2007 1 ÍNDICE 1. Introdução... 3 2. Desenvolvimento...

Leia mais

MÓDULO 11 ELEMENTOS QUE FAZEM PARTE DO PROJETO DO SISTEMA

MÓDULO 11 ELEMENTOS QUE FAZEM PARTE DO PROJETO DO SISTEMA MÓDULO 11 ELEMENTOS QUE FAZEM PARTE DO PROJETO DO SISTEMA Através dos elementos que fazem parte do projeto do sistema é que podemos determinar quais as partes do sistema que serão atribuídas às quais tipos

Leia mais

O que é RAID? Tipos de RAID:

O que é RAID? Tipos de RAID: O que é RAID? RAID é a sigla para Redundant Array of Independent Disks. É um conjunto de HD's que funcionam como se fosse um só, isso quer dizer que permite uma tolerância alta contra falhas, pois se um

Leia mais

Sugestão de Roteiro para Elaboração de Monografia de TCC

Sugestão de Roteiro para Elaboração de Monografia de TCC Sugestão de Roteiro para Elaboração de Monografia de TCC Sugerimos, para elaborar a monografia de TCC (Trabalho de Conclusão de Curso), que o aluno leia atentamente essas instruções. Fundamentalmente,

Leia mais

5 Extraindo listas de produtos em sites de comércio eletrônico

5 Extraindo listas de produtos em sites de comércio eletrônico 5 Extraindo listas de produtos em sites de comércio eletrônico Existem diversos trabalhos direcionadas à detecção de listas e tabelas na literatura como (Liu et. al., 2003, Tengli et. al., 2004, Krüpl

Leia mais

Governança de TI. ITIL v.2&3. parte 1

Governança de TI. ITIL v.2&3. parte 1 Governança de TI ITIL v.2&3 parte 1 Prof. Luís Fernando Garcia LUIS@GARCIA.PRO.BR ITIL 1 1 ITIL Gerenciamento de Serviços 2 2 Gerenciamento de Serviços Gerenciamento de Serviços 3 3 Gerenciamento de Serviços

Leia mais

Bem- Vindo ao manual de instruções do ECO Editor de COnteúdo.

Bem- Vindo ao manual de instruções do ECO Editor de COnteúdo. Manual de Instruções ECO Editor de Conteúdo Bem- Vindo ao manual de instruções do ECO Editor de COnteúdo. O ECO é um sistema amigável e intui?vo, mas abaixo você pode?rar eventuais dúvidas e aproveitar

Leia mais

Fundamentos de Hardware

Fundamentos de Hardware Fundamentos de Hardware Curso Técnico em Informática SUMÁRIO PLACAS DE EXPANSÃO... 3 PLACAS DE VÍDEO... 3 Conectores de Vídeo... 4 PLACAS DE SOM... 6 Canais de Áudio... 7 Resolução das Placas de Som...

Leia mais

Podemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em um projeto.

Podemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em um projeto. Discussão sobre Nivelamento Baseado em Fluxo de Caixa. Item aberto na lista E-Plan Podemos encontrar uma figura interessante no PMBOK (Capítulo 7) sobre a necessidade de organizarmos o fluxo de caixa em

Leia mais

10 DICAS DE TECNOLOGIA PARA AUMENTAR SUA PRODUTIVIDADE NO TRABALHO

10 DICAS DE TECNOLOGIA PARA AUMENTAR SUA PRODUTIVIDADE NO TRABALHO 10 DICAS DE TECNOLOGIA PARA AUMENTAR SUA PRODUTIVIDADE NO TRABALHO UMA DAS GRANDES FUNÇÕES DA TECNOLOGIA É A DE FACILITAR A VIDA DO HOMEM, SEJA NA VIDA PESSOAL OU CORPORATIVA. ATRAVÉS DELA, ELE CONSEGUE

Leia mais

Dicas para usar melhor o Word 2007

Dicas para usar melhor o Word 2007 Dicas para usar melhor o Word 2007 Quem está acostumado (ou não) a trabalhar com o Word, não costuma ter todo o tempo do mundo disponível para descobrir as funcionalidades de versões recentemente lançadas.

Leia mais

GRÁFICOS Exemplos de jogos 2D (com simulação do 3D)

GRÁFICOS Exemplos de jogos 2D (com simulação do 3D) Femur Online GRÁFICOS Exemplos de jogos 2D (com simulação do 3D) Como resultado de buscas na internet, tendo como base os jogos 2D mais famosos do mundo, obtive como resultado três tipos diferentes de

Leia mais

MRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior

MRP II. Planejamento e Controle da Produção 3 professor Muris Lage Junior MRP II Introdução A lógica de cálculo das necessidades é conhecida há muito tempo Porém só pode ser utilizada na prática em situações mais complexas a partir dos anos 60 A partir de meados da década de

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas CMP1132 Processo e qualidade de software II Prof. Me. Elias Ferreira Sala: 402 E Quarta-Feira:

Leia mais

ROTEIRO PARA ELABORAÇÃO DE PROJETOS

ROTEIRO PARA ELABORAÇÃO DE PROJETOS APRESENTAÇÃO ROTEIRO PARA ELABORAÇÃO DE PROJETOS Breve histórico da instituição seguido de diagnóstico e indicadores sobre a temática abrangida pelo projeto, especialmente dados que permitam análise da

Leia mais

CONSIDERAÇÕES SOBRE USO DO SOFTWARE EDUCACIONAL FALANDO SOBRE... HISTÓRIA DO BRASIL EM AULA MINISTRADA EM LABORATÓRIO DE INFORMÁTICA

CONSIDERAÇÕES SOBRE USO DO SOFTWARE EDUCACIONAL FALANDO SOBRE... HISTÓRIA DO BRASIL EM AULA MINISTRADA EM LABORATÓRIO DE INFORMÁTICA CONSIDERAÇÕES SOBRE USO DO SOFTWARE EDUCACIONAL FALANDO SOBRE... HISTÓRIA DO BRASIL EM AULA MINISTRADA EM LABORATÓRIO DE INFORMÁTICA Dorisvaldo Rodrigues da Silva drsilva@unioeste.br Vera Lúcia Ruiz Rodrigues

Leia mais

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP

RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP Caio Augusto de Queiroz Souza caioaugusto@msn.com Éric Fleming Bonilha eric@digifort.com.br Gilson Torres Dias gilson@maempec.com.br Luciano

Leia mais

ANDRÉ APARECIDO DA SILVA APOSTILA BÁSICA SOBRE O POWERPOINT 2007

ANDRÉ APARECIDO DA SILVA APOSTILA BÁSICA SOBRE O POWERPOINT 2007 ANDRÉ APARECIDO DA SILVA APOSTILA BÁSICA SOBRE O POWERPOINT 2007 CURITIBA 2015 2 SUMÁRIO INTRODUÇÃO AO MICROSOFT POWERPOINT 2007... 3 JANELA PRINCIPAL... 3 1 - BOTÃO OFFICE... 4 2 - FERRAMENTAS DE ACESSO

Leia mais

DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS

DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS DEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS Planificação Anual da Disciplina de TIC Módulos 1,2,3-10.ºD CURSO PROFISSIONAL DE TÉCNICO DE APOIO À GESTÃO DESPORTIVA Ano Letivo 2015-2016 Manual adotado:

Leia mais

TESTES AUTOMATIZADOS COM JUNITE MOCKITO

TESTES AUTOMATIZADOS COM JUNITE MOCKITO TESTES AUTOMATIZADOS COM JUNITE MOCKITO Jaime William Dias 12, Dener Barranco 1, Douglas Delapria 1 1 Universidade Paranaense (Unipar) 2 Universidade Estadual de Maringá (UEM) Paranavaí PR Brasil dener_barranco@hotmail.com,

Leia mais

Algoritmos e Programação (Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br

Algoritmos e Programação (Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br (Prática) Profa. Andreza Leite andreza.leite@univasf.edu.br Introdução O computador como ferramenta indispensável: Faz parte das nossas vidas; Por si só não faz nada de útil; Grande capacidade de resolução

Leia mais

PROTÓTIPO DE UM SISTEMA DE MONITORAÇÃO UTILIZANDO CIRCUITO FECHADO DE TELEVISÃO (CFTV)

PROTÓTIPO DE UM SISTEMA DE MONITORAÇÃO UTILIZANDO CIRCUITO FECHADO DE TELEVISÃO (CFTV) UNIVERSIDADE REGIONAL DE BLUMENAU CURSO DE SISTEMAS DE INFORMAÇÃO PROTÓTIPO DE UM SISTEMA DE MONITORAÇÃO UTILIZANDO CIRCUITO FECHADO DE TELEVISÃO (CFTV) EDERSON JOSÉ PROF. DALTON SOLANO DOS REIS, Orientador

Leia mais

QFD: Quality Function Deployment QFD: CASA DA QUALIDADE - PASSO A PASSO

QFD: Quality Function Deployment QFD: CASA DA QUALIDADE - PASSO A PASSO QFD: CASA DA QUALIDADE - PASSO A PASSO 1 - INTRODUÇÃO Segundo Akao (1990), QFD é a conversão dos requisitos do consumidor em características de qualidade do produto e o desenvolvimento da qualidade de

Leia mais

ArpPrintServer. Sistema de Gerenciamento de Impressão By Netsource www.netsource.com.br Rev: 02

ArpPrintServer. Sistema de Gerenciamento de Impressão By Netsource www.netsource.com.br Rev: 02 ArpPrintServer Sistema de Gerenciamento de Impressão By Netsource www.netsource.com.br Rev: 02 1 Sumário INTRODUÇÃO... 3 CARACTERÍSTICAS PRINCIPAIS DO SISTEMA... 3 REQUISITOS DE SISTEMA... 4 INSTALAÇÃO

Leia mais

GARANTIA DA QUALIDADE DE SOFTWARE

GARANTIA DA QUALIDADE DE SOFTWARE GARANTIA DA QUALIDADE DE SOFTWARE Fonte: http://www.testexpert.com.br/?q=node/669 1 GARANTIA DA QUALIDADE DE SOFTWARE Segundo a NBR ISO 9000:2005, qualidade é o grau no qual um conjunto de características

Leia mais

AUTOR: DAVID DE MIRANDA RODRIGUES CONTATO: davidmr@ifce.edu.br CURSO FIC DE PROGRAMADOR WEB VERSÃO: 1.0

AUTOR: DAVID DE MIRANDA RODRIGUES CONTATO: davidmr@ifce.edu.br CURSO FIC DE PROGRAMADOR WEB VERSÃO: 1.0 AUTOR: DAVID DE MIRANDA RODRIGUES CONTATO: davidmr@ifce.edu.br CURSO FIC DE PROGRAMADOR WEB VERSÃO: 1.0 SUMÁRIO 1 Conceitos Básicos... 3 1.1 O que é Software?... 3 1.2 Situações Críticas no desenvolvimento

Leia mais

Capítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho

Capítulo 3. Avaliação de Desempenho. 3.1 Definição de Desempenho 20 Capítulo 3 Avaliação de Desempenho Este capítulo aborda como medir, informar e documentar aspectos relativos ao desempenho de um computador. Além disso, descreve os principais fatores que influenciam

Leia mais

PRINCÍPIOS DE INFORMÁTICA PRÁTICA 08 1. OBJETIVO 2. BASE TEÓRICA. 2.1 Criando Mapas no Excel. 2.2 Utilizando o Mapa

PRINCÍPIOS DE INFORMÁTICA PRÁTICA 08 1. OBJETIVO 2. BASE TEÓRICA. 2.1 Criando Mapas no Excel. 2.2 Utilizando o Mapa PRINCÍPIOS DE INFORMÁTICA PRÁTICA 08 1. OBJETIVO Aprender a utilizar mapas, colocar filtros em tabelas e a criar tabelas e gráficos dinâmicos no MS-Excel. Esse roteiro foi escrito inicialmente para o Excel

Leia mais

Cálculo de volume de objetos utilizando câmeras RGB-D

Cálculo de volume de objetos utilizando câmeras RGB-D Cálculo de volume de objetos utilizando câmeras RGB-D Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Bruno Alberto Soares OLIVEIRA 1,3 ; Marlon MARCON 2,3 1 Estudante de Engenharia de

Leia mais

Guia Site Empresarial

Guia Site Empresarial Guia Site Empresarial Índice 1 - Fazer Fatura... 2 1.1 - Fazer uma nova fatura por valores de crédito... 2 1.2 - Fazer fatura alterando limites dos cartões... 6 1.3 - Fazer fatura repetindo última solicitação

Leia mais

Análise de Dados do Financeiro

Análise de Dados do Financeiro Análise de Dados do Financeiro Introdução Para reunir em um só local as informações de contas a pagar e receber cadastradas e/ou geradas no sistema TTransp existe a interface de análise de dados do financeiro.

Leia mais

ISO/IEC 12207: Gerência de Configuração

ISO/IEC 12207: Gerência de Configuração ISO/IEC 12207: Gerência de Configuração Durante o processo de desenvolvimento de um software, é produzida uma grande quantidade de itens de informação que podem ser alterados durante o processo Para que

Leia mais

Sistemas ERP. Profa. Reane Franco Goulart

Sistemas ERP. Profa. Reane Franco Goulart Sistemas ERP Profa. Reane Franco Goulart Tópicos O que é um Sistema ERP? Como um sistema ERP pode ajudar nos meus negócios? Os benefícios de um Sistema ERP. Vantagens e desvantagens O que é um ERP? ERP

Leia mais

Portal do Projeto Tempo de Ser

Portal do Projeto Tempo de Ser Sumário Portal do Projeto Tempo de Ser O que é um Wiki?...2 Documentos...2 Localizando documentos...3 Links...3 Criando um Documento...4 Criando um link...4 Editando um Documento...5 Sintaxe Básica...5

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação SOFT DISCIPLINA: Engenharia de Software AULA NÚMERO: 10 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir os conceitos de coesão e acoplamento. DESENVOLVIMENTO Projetar

Leia mais

Conteúdo. Disciplina: INF 02810 Engenharia de Software. Monalessa Perini Barcellos

Conteúdo. Disciplina: INF 02810 Engenharia de Software. Monalessa Perini Barcellos Universidade Federal do Espírito Santo Centro Tecnológico Departamento de Informática Disciplina: INF 02810 Prof.: (monalessa@inf.ufes.br) Conteúdo 1. Introdução 2. Processo de Software 3. Gerência de

Leia mais

Programação Básica em STEP 7 Operações Binárias. SITRAIN Training for Automation and Drives. Página 6-1

Programação Básica em STEP 7 Operações Binárias. SITRAIN Training for Automation and Drives. Página 6-1 Conteúdo Página Operações Lógicas Binárias: AND, OR...2 Operações Lógicas Binárias: OR Exclusivo (XOR)...3 Contatos Normalmente Abertos e Normalmente Fechados. Sensores e Símbolos... 4 Exercício...5 Resultado

Leia mais

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA

PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA INF2608 FUNDAMENTOS DE COMPUTAÇÃO GRÁFICA RELATÓRIO: IMAGENS SÍSMICAS VISUALIZAÇÃO E DETECÇÃO

Leia mais

Notas da Aula 17 - Fundamentos de Sistemas Operacionais

Notas da Aula 17 - Fundamentos de Sistemas Operacionais Notas da Aula 17 - Fundamentos de Sistemas Operacionais 1. Gerenciamento de Memória: Introdução O gerenciamento de memória é provavelmente a tarefa mais complexa de um sistema operacional multiprogramado.

Leia mais

Aula 2 Aquisição de Imagens

Aula 2 Aquisição de Imagens Processamento Digital de Imagens Aula 2 Aquisição de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br EESC/USP Fundamentos de Imagens Digitais Ocorre a formação de uma imagem quando

Leia mais

PARA A CONSTRUÇÃO DOS GRÁFICOS

PARA A CONSTRUÇÃO DOS GRÁFICOS 1 PARA A CONSTRUÇÃO DOS GRÁFICOS Apresentamos dois materiais feitos por estudantes do Curso de Psicologia da Faculdade de Ciências Humanas e da Saúde para construção de gráficos. As instruções das páginas

Leia mais

04/08/2012 MODELAGEM DE DADOS. PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS. Aula 2. Prof. Rafael Dias Ribeiro. M.Sc.

04/08/2012 MODELAGEM DE DADOS. PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS. Aula 2. Prof. Rafael Dias Ribeiro. M.Sc. MODELAGEM DE DADOS PROF. RAFAEL DIAS RIBEIRO, M.Sc. @ribeirord MODELAGEM DE DADOS Aula 2 Prof. Rafael Dias Ribeiro. M.Sc. @ribeirord 1 Objetivos: Revisão sobre Banco de Dados e SGBDs Aprender as principais

Leia mais

Análise de Sistemas. Visão Geral: Orientação a Objetos. Prof. José Honorato Ferreira Nunes honorato.nunes@bonfim.ifbaiano.edu.br

Análise de Sistemas. Visão Geral: Orientação a Objetos. Prof. José Honorato Ferreira Nunes honorato.nunes@bonfim.ifbaiano.edu.br Análise de Sistemas Visão Geral: Orientação a Objetos Prof. José Honorato Ferreira Nunes Prof. José Honorato Ferreira Nunes honorato.nunes@bonfim.ifbaiano.edu.br Resumo: VISÃO GERAL: Modelagem de sistemas

Leia mais

Dadas a base e a altura de um triangulo, determinar sua área.

Dadas a base e a altura de um triangulo, determinar sua área. Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares

Leia mais

Disciplina: Introdução à Informática Profª Érica Barcelos

Disciplina: Introdução à Informática Profª Érica Barcelos Disciplina: Introdução à Informática Profª Érica Barcelos CAPÍTULO 4 1. ARQUITETURA DO COMPUTADOR- HARDWARE Todos os componentes físicos constituídos de circuitos eletrônicos interligados são chamados

Leia mais

Barra de ferramentas padrão. Barra de formatação. Barra de desenho Painel de Tarefas

Barra de ferramentas padrão. Barra de formatação. Barra de desenho Painel de Tarefas Microsoft Power Point 2003 No Microsoft PowerPoint 2003, você cria sua apresentação usando apenas um arquivo, ele contém tudo o que você precisa uma estrutura para sua apresentação, os slides, o material

Leia mais

Plano de Aulas AutoCAD 2011

Plano de Aulas AutoCAD 2011 Aula 1 Iniciar os alunos no uso do AutoCAD 2011. Capítulo 1 Introdução ao AutoCAD 2011 Capítulo 2 Área de Trabalho do AutoCAD 2011 Capítulo 3 Sistemas de Coordenadas no AutoCAD 2011 Computadores que possuam

Leia mais

Teste de Software: Um Breve Estudo do Importante Processo no Desenvolvimento de Softwares

Teste de Software: Um Breve Estudo do Importante Processo no Desenvolvimento de Softwares Teste de Software: Um Breve Estudo do Importante Processo no Desenvolvimento de Softwares André Assis Lôbo de Oliveira Francisco Guerra Fernandes Júnior Faculdades Alves Faria, 74445190, Brasil andrelobin@hotmail.com,

Leia mais

Status. Barra de Título. Barra de Menu. Barra de. Ferramentas Padrão. Caixa de nomes. Barra de. Ferramentas de Formatação. Indicadores de Coluna

Status. Barra de Título. Barra de Menu. Barra de. Ferramentas Padrão. Caixa de nomes. Barra de. Ferramentas de Formatação. Indicadores de Coluna O que é uma planilha eletrônica? É um aplicativo que oferece recursos para manipular dados organizados em tabelas. A partir deles pode-se gerar gráficos facilitando a análise e interpretação dos dados

Leia mais

Especificação técnica de Videodetecção ECD/DAI

Especificação técnica de Videodetecção ECD/DAI Especificação técnica de Videodetecção ECD/DAI 1. Esta Especificação destina se a orientar as linhas gerais para o fornecimento de equipamentos. Devido às especificidades de cada central e de cada aplicação,

Leia mais

O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2

O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 3.2 O Espaço Nulo de A: Resolvendo Ax = 0 11 O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 Esta seção trata do espaço de soluções para Ax = 0. A matriz A pode ser quadrada ou retangular. Uma solução imediata

Leia mais

1. Introdução pág.3 2. Apresentação do sistema Joomla! pág.4 3. Acessando a administração do site pág.4 4. Artigos 4.1. Criando um Artigo 4.2.

1. Introdução pág.3 2. Apresentação do sistema Joomla! pág.4 3. Acessando a administração do site pág.4 4. Artigos 4.1. Criando um Artigo 4.2. 1. Introdução pág.3 2. Apresentação do sistema Joomla! pág.4 3. Acessando a administração do site pág.4 4. Artigos 4.1. Criando um Artigo 4.2. Editando um Artigo 4.3. Excluindo um Artigo 4.4. Publicar

Leia mais

ATENÇÃO: * Arquivos com tamanho superior a 500 KB NÃO SERÃO ACEITOS * SOMENTE serão aceitos documentos do formato: PDF

ATENÇÃO: * Arquivos com tamanho superior a 500 KB NÃO SERÃO ACEITOS * SOMENTE serão aceitos documentos do formato: PDF TUTORIAL DE DIGITALIZAÇÃO DIRIGIDO AO USO DO PROCESSO ELETRÔNICO Adaptado do tutorial elaborado pelo colega MAICON FALCÃO, operador de computador da subseção judiciária de Rio Grande. Introdução Este tutorial

Leia mais

Tabela de Símbolos. Análise Semântica A Tabela de Símbolos. Principais Operações. Estrutura da Tabela de Símbolos. Declarações 11/6/2008

Tabela de Símbolos. Análise Semântica A Tabela de Símbolos. Principais Operações. Estrutura da Tabela de Símbolos. Declarações 11/6/2008 Tabela de Símbolos Análise Semântica A Tabela de Símbolos Fabiano Baldo Após a árvore de derivação, a tabela de símbolos é o principal atributo herdado em um compilador. É possível, mas não necessário,

Leia mais

Como incluir artigos:

Como incluir artigos: Como incluir artigos: O WordPress é uma ferramenta muito flexível, com muitas variações e ajustes que podem torná-lo algo muito simples e também muito sofisticado conforme os recursos que são configurados

Leia mais

Estudo de técnicas de rastreamento de objetos aplicadas à detecção de múltiplas larvas

Estudo de técnicas de rastreamento de objetos aplicadas à detecção de múltiplas larvas Estudo de técnicas de rastreamento de objetos aplicadas à detecção de múltiplas larvas Guilherme de Oliveira Vicente Orientador: Prof. Dr. Hemerson Pistori Coorientador: Prof. Me. Kleber Padovani de Souza

Leia mais

Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO)

Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Análise e Desenvolvimento de Sistemas ADS Programação Orientada a Obejeto POO 3º Semestre AULA 03 - INTRODUÇÃO À PROGRAMAÇÃO ORIENTADA A OBJETO (POO) Parte: 1 Prof. Cristóvão Cunha Objetivos de aprendizagem

Leia mais

Capacidade = 512 x 300 x 20000 x 2 x 5 = 30.720.000.000 30,72 GB

Capacidade = 512 x 300 x 20000 x 2 x 5 = 30.720.000.000 30,72 GB Calculando a capacidade de disco: Capacidade = (# bytes/setor) x (méd. # setores/trilha) x (# trilhas/superfície) x (# superfícies/prato) x (# pratos/disco) Exemplo 01: 512 bytes/setor 300 setores/trilha

Leia mais

Unidade VI. Validação e Verificação de Software Teste de Software. Conteúdo. Técnicas de Teste. Estratégias de Teste

Unidade VI. Validação e Verificação de Software Teste de Software. Conteúdo. Técnicas de Teste. Estratégias de Teste Unidade VI Validação e Verificação de Software Teste de Software Profa. Dra. Sandra Fabbri Conteúdo Técnicas de Teste Funcional Estrutural Baseada em Erros Estratégias de Teste Teste de Unidade Teste de

Leia mais

1) MANUAL DO INTEGRADOR Este documento, destinado aos instaladores do sistema, com informações de configuração.

1) MANUAL DO INTEGRADOR Este documento, destinado aos instaladores do sistema, com informações de configuração. O software de tarifação é uma solução destinada a rateio de custos de insumos em sistemas prediais, tais como shopping centers. O manual do sistema é dividido em dois volumes: 1) MANUAL DO INTEGRADOR Este

Leia mais

Sistema de Controle de Solicitação de Desenvolvimento

Sistema de Controle de Solicitação de Desenvolvimento Sistema de Controle de Solicitação de Desenvolvimento Introdução O presente documento descreverá de forma objetiva as principais operações para abertura e consulta de uma solicitação ao Setor de Desenvolvimento

Leia mais

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens

Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Universidade Federal de Goiás Instituto de Informática Processamento Digital de Imagens Prof Fabrízzio Alphonsus A M N Soares 2012 Capítulo 2 Fundamentos da Imagem Digital Definição de Imagem: Uma imagem

Leia mais

Na medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia.

Na medida em que se cria um produto, o sistema de software, que será usado e mantido, nos aproximamos da engenharia. 1 Introdução aos Sistemas de Informação 2002 Aula 4 - Desenvolvimento de software e seus paradigmas Paradigmas de Desenvolvimento de Software Pode-se considerar 3 tipos de paradigmas que norteiam a atividade

Leia mais

Roteiro para a escrita do documento de Especificação de Requisitos de Software (ERS)

Roteiro para a escrita do documento de Especificação de Requisitos de Software (ERS) Roteiro para a escrita do documento de Especificação de Requisitos de Software (ERS) Definição Geral: Disciplina de Compiladores Prof. Jorge Bidarra (UNIOESTE) A especificação de requisitos tem como objetivo

Leia mais

INSTITUTO FLORENCE DE ENSINO COORDENAÇÃO DE PÓS-GRADUAÇÃO CURSO DE PÓS-GRADUAÇÃO EM (TÍTULO DO PROJETO) Acadêmico: Orientador:

INSTITUTO FLORENCE DE ENSINO COORDENAÇÃO DE PÓS-GRADUAÇÃO CURSO DE PÓS-GRADUAÇÃO EM (TÍTULO DO PROJETO) Acadêmico: Orientador: INSTITUTO FLORENCE DE ENSINO COORDENAÇÃO DE PÓS-GRADUAÇÃO CURSO DE PÓS-GRADUAÇÃO EM (TÍTULO DO PROJETO) Acadêmico: Orientador: São Luis 2015 (TÍTULO DO PROJETO) (NOME DO ALUNO) Projeto de Pesquisa do Programa

Leia mais

Informática Aplicada a Radiologia

Informática Aplicada a Radiologia Informática Aplicada a Radiologia Apostila: Imagem Digital parte I Prof. Rubens Freire Rosa Imagem na forma digital A representação de Imagens na forma digital nos permite capturar, armazenar e processar

Leia mais

ADMINISTRAÇÃO I. Família Pai, mãe, filhos. Criar condições para a perpetuação da espécie

ADMINISTRAÇÃO I. Família Pai, mãe, filhos. Criar condições para a perpetuação da espécie 1 INTRODUÇÃO 1.1 ORGANIZAÇÃO E PROCESSOS A administração está diretamente ligada às organizações e aos processos existentes nas mesmas. Portanto, para a melhor compreensão da Administração e sua importância

Leia mais

Figura 01: Aplicações do Filtro Espacial Passa-Baixa.

Figura 01: Aplicações do Filtro Espacial Passa-Baixa. 791 IMPLEMENTAÇÃO DE TÉCNICAS DE PRÉ-PROCESSAMENTO E PROCESSAMENTO DE IMAGENS PARA RADIOGRAFIAS CARPAIS Rafael Lima Alves 1 ; Michele Fúlvia Angelo 2 Bolsista PROBIC, Graduando em Engenharia de Computação,

Leia mais