DETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES

Transcrição

1 DETECÇÃO AUTOMÁTICA DE OBJETOS ESTRANHOS NA REGIÃO DAS PERNAS EM IMAGENS DE SCANNER HUMANO UTILIZANDO TEXTURAS E CLASSIFICADORES THOMAZ. M. ALMEIDA 1, DANIEL F. COLAÇO, TARIQUE. S. CAVALCANTE, VICTOR H. F. ALENCAR 1, LUIZ. A. L. NETO 1, JOHN H. S. FELIX 3 1. Megatech Controls Indústra, Comérco e Servço Ltda R. Dr. Ernesto Montero, Sapranga - Fortaleza - CE, E-mals: thomaz@megatechcontrols.com.br, vctorhugo@megatechcontrols.com.br, luz@megatechcontrols.com.br. Insttuto Oron de Cênca e Tecnologa - IOCT R. Dr. Ernesto Montero, Alagadço Novo - Fortaleza - CE, E-mals: colaco@oct.com.br, tarquesc@gmal.com 3. Unversdade da Integração Internaconal da Lusofona Afro-Braslera - UNILAB Campus dos Palmares, Rodova CE 060 km51 Acarape-CE, E-mals: ohnfelx@unlab.edu.br Abstract In ths artcle we ntroduce a new method for automatc dentfcaton of suspcous obects n body scanner s mages n the leg s regons. The method s based on a combnaton of texture and a classfer, whch may be the KNN, K-means or the neural network. The methods are appled on 0 body scanner s mages, n the leg s regons of volunteers. The accuracy of the method s verfed by the ht rate presented n graphcal form and the presence of false postves. The results ndcate that the method that combnes textures wth provdes a ht of 0.91 and 0.08 false postves, the KNN classfer hts 0.89 and provdes 0.01 of falsepostve whle K-means obtaned a ht of 0,81 and 0.03 of false postves. Gven the results, t s concluded that the method that combnes texture and acheved the dentfcaton of suspcous obects more effectve than the other classfers used n ths work. Keywords body scanner mage, KNN, K-means,. Resumo Neste trabalho apresentamos um novo método de dentfcação automátca de obetos estranhos em magens de body scanner nas regões das pernas. O método é formado pela combnação de textura e um classfcador, que poder ser o KNN, K-médas ou a rede neural. Os métodos são aplcados em 0 magens de body scanner, nas regões das pernas, de voluntáros. A precsão do método é verfcada por meo da taxa de acerto apresentado em forma de gráfco e pela presença de falsos-postvos. Os resultados ndcam o método que combna texturas e com a obteve 0,91 de acerto e 0,08 de falsos-postvos, enquanto o classfcador KNN obteve 0,89 de acerto e 0,01 de falsos-postvos e o K-médas obteve 0,81 de acerto e 0,03 de falsos-postvos. Dante dos resultados apresentados, conclu-se que o método que combna textura e obteve a dentfcação de obetos estranhos mas efetva em relação aos demas classfcadores utlzados neste trabalho. Palavras-chave magens de body scanner, KNN, K-médas,. 1 Introdução Os Raos-x são utlzados em dversos equpamentos, que têm sdo aplcados na ndústra, medcna, segurança, dentre outra áreas. Na segurança os raos-x são aplcados para examnar as bagagens em aeroportos para se verfcar a presença de armas, bombas e substâncas líctas. Nas fronteras, as cargas também são examnadas de forma semelhante para evtar o trânsto legal de mercadoras (Ahmed et al., 011). Os equpamentos de raos-x possbltam a dentfcação de obetos e substâncas líctas levadas por pessoas, seam em bagagens, seam fxados no própro corpo ou até mesmo em seu nteror como no caso de drogas. Por outro lado, estes equpamentos requerem um especalsta trenado para o reconhecmento de tas obetos e substâncas líctas. A análse vsual do especalsta é suscetível a subetvdade e lmtações relaconadas a cada observador (Coxson, et al., 001; Felx et al., 008). Além dsso, há a fadga vsual ocasonada pela nspeção de váras magens. Os métodos computaconas têm contrbuído sgnfcatvamente para os avanços em dagnóstcos médcos, reconhecmento por snas bométrcos, magens de satéltes, dentre outros. A segurança é uma área que tem nvestdo prncpalmente no desenvolvmento de equpamentos, tas como: raos-x para cargas, body scanner (Scanner de pessoas), dentre outros.

2 Apesar dos nvestmentos na área de segurança, até o presente momento, não fo dentfcado na lteratura, trabalhos que menconem métodos/técncas de segmentação e/ou detecção de obetos e substâncas líctas em corpos humano utlzando magens de body scanner. Dante do exposto, o obetvo deste trabalho é apresentar um método de detecção automátca de obetos estranhos ao corpo em magens de body scanner (Scanner de pessoas). Para tal, são utlzadas meddas de texturas. Além dsso, são avalados o classfcador dos k-vznhos mas próxmos, o classfcador k-médas e a rede neural perceptron multcamadas..1 Aqusção de magens Materas e Métodos Neste trabalho são utlzadas 0 magens de Scanner de pessoas voluntáras em pé. Essas magens fazem parte de um banco de magens de raos-x do fabrcante do equpamento, utlzadas para fns de trenamento dos operadores. Cada uma dessas 0 magens apresenta algum tpo de obeto estranho ao corpo humano na regão dos membros nferores, tas como pstolas, facas, canetas, chaveros, dentre outros.. Textura A textura é uma mportante característca na percepção vsual de magens naturas, pos contém nformações mportantes. Ela é geralmente utlzada pelo ser humano para a nterpretação e análse de város tpos de magens, podendo ser analsada como relações espacas e arranos de elementos báscos de uma magem (Chrstodoulou et al., 003). Geralmente texturas são utlzadas para ndcar propredades ntrínsecas de superfíces ou regões, especalmente para aquelas que não possuem uma varação suave de ntensdade, sendo tão pequenas que não conseguem separar obetos na resolução observada (Sabno et al., 004). Na lteratura, são encontrados dversos sstemas de Vsão Artfcal que utlzam texturas para fornecer nformações mportantes na dentfcação de superfíces ou obetos em dferentes tpos de magens. Apesar da vasta usabldade e mportânca não exste uma abordagem formal para defnção de textura (Haralck et al., 1973). Logo, esta é representada por propredades ntutvas como rugosdade, granulação e regulardade dentre outras. Em Processamento Dgtal de Imagens (PDI), texturas podem ser defndas como um conunto de propredades de uma determnada regão da magem (Lvens, 1998). Os métodos para extrar textura são dversos, refletndo em dferentes concetos orgnados nas áreas de aplcação da mesma. Neste trabalho é abordada a extração das característcas de texturas por meo de estatístcas de segunda ordem, baseado na repetção de pares de pxels proposto por Haralck, Shanmugam e Dnsten (Haralck et al., 1973). As estatístcas de segunda ordem são calculadas a partr da função de probabldade da co-ocorrênca de dos pares de pxels na magem. Esta função de probabldade é também defnda como matrz de co-ocorrênca. A matrz de co-ocorrênca é defnda como: I( k, l) I( m, n) [ u( k, l), v( m, n)]; ( k, l);( m, n) M N d d ( d cos, d sn) v u d d, ) ( M dx)( N dy) em que e são, respectvamente, a ntensdade de dos pxels localzados em (k, l) e (m, n), separados por uma dstânca d na orentação de θ com a horzontal. Desta forma, é possível defnr a matrz S de dependênca espacal do nível de cnza (SGLDM - Spatal Gray Level Dependence Matrx) como: em que, S S S S S135 (1) d,0º) d,0º)' S0( d) d,45º) d,45º)' S45( d) d,90º) d,90º)' S90( d) d,135º) d,135º)' S135( d) De posse desta matrz, é possível calcular as texturas a segur (Haralck, 1979): (C) Homogenedade (H) Energa (En) C ( H 1 ( En Probabldade (MAX) Entropa (Ent) (Corr) Ent MAX max( ) Corr.log ( )... Autocorrelação (A) A.. (10) Covarânca (Cov) Cov ( )( ). (11) Proemnênca (P) () (3) (4) (5) (6) (7) (8) (9)

3 Sombra (S).3 Classfcadores 3 P ( ). 4 S ( ). (1) (13) A classfcação é uma etapa fundamental no reconhecmento de padrões. É nesta etapa que os dados são submetdos a um sstema (classfcador), para que este os classfque de acordo com o conhecmento alcançado por experênca nas observações e análses de exemplos de trenamento num prévo processo de aprendzagem. Esta classfcação vsa atrbur a uma determnada regão da magem, baseado nos valores das meddas de textura dos pxels daquela regão, a qual classe ela tem maor probabldade de pertencer, dentre as três classes defndas: osso, músculo, obetos estranhos. O sucesso na etapa de classfcação depende de qual classfcador é utlzado na solução do problema em questão. Para tanto, são necessáros testes de classfcadores vsando o melhor resultado da classfcação de obetos estranhos. Os classfcadores testados são: KNN, K-médas e..3.1 Classfcador k-vznhos mas Próxmos O classfcador dos k-vznhos mas próxmos (KNN: k- nearest neghbor) é, sem dúvda, um dos mas smples e antgo método utlzado no reconhecmento e classfcação de padrões (Cover; Hart, 1967). Sea um conunto de dados D composto por N amostras, em que D = X1,X,X3,..Xn e y um novo elemento, que não pertence ao conunto D. Este método consste em atrbur a mesma classfcação para o elemento desconhecdo y à classe da maora dos k vznhos mas próxmos. A fm de classfcar o novo elemento y procuram-se as k amostras mas próxmas contdas no conunto D. A classe mas frequente é atrbuída à y. Este algortmo se basea em uma métrca de dstânca entre dos elementos, calculada no espaço de atrbutos, dada, por exemplo, pela dstânca eucldana: d( x, y).3. Classfcador k-médas n 1 ( x y) (14) A técnca de classfcação k-médas utlza o algortmo de agrupamento de dados por k-médas (k-means clusterng) para classfcar dados (MacQueen, 1967). Assm como o KNN, este método atrbu uma classe a um elemento desconhecdo baseado em uma métrca de dstânca. Esta técnca consste em partconar um conunto de dados D = X1,X,X3,..Xn em k grupos de elementos semelhantes. O centrode de cada grupo, ou partção, é calculado baseado em seus atrbutos, que, nesse caso, é dado pela méda dos valores de textura: c t x ( k ) 1 (15) nk em que k é o k-ésmo centrode do conunto de dados, x é o -ésmo valor dentre t atrbutos de texturas e n k é o número de elementos daquela partção do conunto de dados. Dado um novo elemento desconhecdo y, a classe a que esse elemento pertence é estmada medante um cálculo de dstânca (eucldana, por exemplo) entre esse novo elemento e os k centrodes do conunto de dados. A classe de y é atrbuída àquele centrode onde ocorreu a menor dstânca. Logo, o centrode deste grupo é atualzado com as novas nformações do novo elemento y (Duda et al., 001)..3.3 Rede Neural A (Multlayer Perceptron) é uma técnca baseada em Redes Neuras Artfcas (RNA) que surgu com o ntuto de superar algumas lmtações do perceptron smples. Esse tpo de classfcador é ndcado para modelagem caxa-preta de mapeamentos não-lneares a partr de trenamento supervsonado, tornando-se atratva para aplcações complexas (Mederos, 008). Este classfcador consste de uma camada de neurônos na entrada, camadas ntermedáras (ocultas) e uma camada de saída, conforme descrto na Fgura 1. Fgura 1. Representação típca de uma rede com uma camada oculta. O trenamento desse tpo de classfcador é realzado através do algortmo de retropropagação de erros (backpropagaton), cuo prncípo é calcular as saídas de todos os neurônos das camadas ocultas por meo de uma estmatva do efeto que estas camadas causam no erro dos neurônos da camada de saída (Rocha Neto, 006). Dessa forma, o erro na camada de saída do classfcador é retroalmentado para as camadas ocultas, possbltando o aperfeçoamento dos valores dos pesos entre as camadas..4 Etapas para Avalação dos Métodos O processo de dentfcação de obetos estranhos em magens de rao-x é dvddo em quatro etapas. A prmera etapa é a etapa de rotulação de regões. Esta etapa é de fundamental mportânca para o bom funconamento dos classfcadores, pos durante a rotulação város pxels são classfcados manualmente dentre as três classes possíves: Osso, Tecdo/Músculo e Outros (obetos estranhos ao corpo humano). Estes pxels e suas vznhanças são utlzados no cálculo da textura de regões da magem. Esses valores de texturas servem como exemplos para que o classfcador dference as classes Osso, Tecdo/Músculo e Outros entre s. Ao fnal desta etapa obtém-se um banco de rótulos contendo as coordenadas dos pxels rotulados e a classe a qual eles pertencem. Este processo é repetdo em cada uma das 0 magens utlzadas neste trabalho.

4 De posse do banco de rótulos é possível gerar o banco de dados com as texturas de cada regão rotulada em cada magem. Esta é a etapa de geração de bancos, onde são combnadas as 10 texturas entre s agrupando-as uma a uma e gerando um banco dferente para cada combnação: C C10; C10;3 C10;4 C10;5 C10;6 C10;7 C10;8 C10;9 10; 10 10;1 C (16) Ao fnal, totalzam-se 103 bancos de texturas dferentes. Cada lnha do banco representa uma amostra de regão que é composta por n texturas e, ao fnal, a classe daquela regão. Cada banco gerado é utlzado para trenar e testar cada classfcador na etapa segunte. Este processo destna-se a encontrar a combnação deal com as texturas que produzem maores taxas de acerto. A tercera etapa é a etapa de classfcação. Nesta etapa, cada um dos 103 bancos de texturas é dvddo em treno e teste: 70% das n amostras é reservada para treno e 30% para teste. Depos de dvddo, o banco é trenado e testado com cada um dos três classfcadores. Após cada teste as taxas de acerto são salvas para, ao fnal, serem ordenadas. São necessáros dos tpos de ordenação: ordenação decrescente da taxa de acerto geral e ordenação crescente da taxa de falso-postvo da classe Outros. A últma etapa destna-se a testar os classfcadores com as confgurações de texturas encontradas após a etapa de classfcação. Esta etapa se resume em segmentar os membros nferores nas magens de rao-x do corpo humano, aplcar a combnação de texturas deal e classfcar os pxels entre as três classes exstentes. Um dagrama contendo o fluxo das etapas é mostrado na Fgura. onde não há a presença de obetos estranhos, mas mesmo assm foram classfcadas como tal. A segunda parte de análse é mportante porque apesar de serem rotuladas três classes nesse trabalho, a classe Outros é a únca que traz resultados sgnfcatvos reas, não mportando se o classfcador confunde a classe Osso com a classe Tecdo/Músculo. Vsando a análse da taxa de acerto, é computado o acerto de cada técnca na etapa de classfcação, após o banco de texturas ser dvddo em treno e teste de manera aleatóra. Cada uma das 103 combnações de texturas produz uma taxa de acerto dferente. Estas taxas são mostradas na Fgura 3 para cada classfcador. Taxa de acerto global kmédas knn Combnação de textura Fgura 3. Taxas de acertos dos classfcadores: knn, kmédas e. A taxa de acerto é ordenada de manera decrescente. Desta forma, têm-se as cnco melhores confgurações de textura em termos de taxa de acerto global para cada classfcador, conforme é mostrado na Tabela 1. Tabela 1. Confgurações de texturas para cada classfcador Fgura. Fluxograma das etapas de classfcação e dentfcação de obetos estranhos, nas pernas, em magens de Scanner de pessoas. 3 Resultados e Dscussões Para avalar a efcáca dos classfcadores utlzados nesse trabalho, os resultados obtdos são dvddos em duas partes: quanto à maor taxa de acerto geral e quanto à menor taxa de falsos-postvos da classe Outros, que são regões da magem Classfcação KNN 1ª ª Proemnênca 3ª 4ª 5ª K-médas Covarânca Autocorrelação Autocorrelacao,Max ma Probabldade,Covarânca Maxma Covarânca Proemnênca

5 Covarânca Sombra A análse da quantdade de falsos-postvos leva em consderação prmeramente, a taxa de acerto da classe Outros, que está lustrada na Fgura 4, e a quantdade de falsos-postvos da mesma classe, lustrado na Fgura 5. Nesta análse excluem-se todas as combnações de texturas que geraram taxas de acerto nferores a 0,7. Dentre as que permaneceram, ordenam-se os arquvos de acordo com a maor taxa de acerto e o menor falso-postvo para, enfm, se obter as cnco melhores confgurações de textura (Ver Tabela ). Taxa de acerto da classe "Outros" kmédas knn Combnação de textura Fgura 4. Taxas de acertos obtdos pelos classfcadores: knn, kmédas e. Para a classe Outros. Falso-postvo da classe "Outros" kmédas knn Combnação de textura Fgura 5. Quantdades de falsos-postvos obtdos pelos classfcadores: knn, kmédas e. Para a classe Outros. Tabela. Cnco melhores confgurações de texturas para cada classfcador Classfcação 1ª KNN K-médas Probabldade ª Probabldade 3ª probabldade probabldade Probabldade 4ª probabldade 5ª Probabldade Unformdade Entropa Ao analsar os valores das cnco maores taxas de acerto global para os três classfcadores, apresentados na Tabela 3, percebe-se uma varação da ordem de, no máxmo, 1% entre as combnações de textura e de 4% entre os classfcadores. Isso mostra sgnfcável semelhança entre as técncas com o classfcador sobressando em relação aos demas. Tabela 3. Taxa de acerto global obtda por cada classfcador KNN K-médas 0,6748 0,6879 0,711 0,6748 0,6874 0,7106 0,6738 0,6866 0,7105 0,679 0,6863 0,709 0,679 0,6855 0,7091 A stuação em relação à segunda análse, da taxa de acerto da classe Outros e da quantdade de falso-postvo, de acordo com a Tabela 4, é semelhante à taxa de acerto global. Há pouca dferença entre as cnco melhores combnações de texturas. Analsando cada classfcador separadamente, percebe-se, novamente, o classfcador com as maores taxas de acerto em relação à classe Outros e o classfcador k-nn com as menores quantdades de falsos-postvos. Tabela 4. Taxa de acerto da classe Outros e da quantdade de falsospostvos (FP) obtdos por cada classfcador KNN K-médas Acertos FP Acertos FP Acertos FP 0,8974 0,011 0,8187 0,0384 0,9144 0,0885 0,878 0,0149 0,816 0,035 0,9115 0,0857 0,8763 0,0155 0,8135 0,0346 0,9115 0,0857 0,8709 0,015 0,8119 0,038 0,9110 0,085 0,86 0,06 0,8116 0,0377 0,9109 0,0850 Desta manera, as combnações de textura que geraram a maor taxa de acerto global, a maor taxa de acerto da classe Outros e a menor quantdade de falso-postvo são testadas nas magens durante a etapa de testes em dentfcação de obetos estranhos. Na Fg. 6a é apresentada uma magem orgnal com obetos estranhos na regão das pernas (ndcado por círculos vermelhos), enquanto na Fg. 6b é mostrado um exemplo de classfcação automátca de regões, sendo as regões verdes os obetos estranhos (classe Outros ) e as regões azus e vermelhas (classe Osso e Tecdo/Músculo ) pertencentes ao corpo humano. O método utlzado é a combnação de texturas com.

6 Como trabalho futuros se pretende mnmzar ou elmnar a presença de falsos-postvos, prncpalmente, nas bordas das pernas em uma etapa de pós-processamento. 5 Agradecmentos Os autores agradecem ao CNPq - Conselho Naconal de Desenvolvmento Centífco e Tecnológco pelo apoo fnancero. a) b) Fgura 6. Resultado de classfcação automátca de obetos estranhos nas pernas. Em a) magem orgnal e b) segmentação das classes: Outros (cor verde), Ossos (cor azul) e Tecdo/Músculo. Na Fg. 7a é apresentado outro exemplo de magem com obetos estranhos crculados em vermelho. As regões classfcadas automatcamente como regões estranhas ao corpo humano estão soladas e mostradas na Fg. 7b. É possível perceber a ncdênca de falsos-postvos em regões recorrentes como, por exemplo, nas bordas das pernas e na regão da rótula. a) b) Fgura 7. Resultado de classfcação automátca de obetos estranhos nas pernas. Em a) magem orgnal e em b) a classes Outros (cor verde). 4 Conclusão Neste trabalho é apresentado um novo método de dentfcação automátca de obetos estranhos em magens de Scanner de pessoas, nas regões das pernas. Este método é formado pela combnação de meddas de texturas e um classfcador. Foram testados os classfcadores KNN, K- médas e a. Os resultados obtdos com o método, que combna textura com a rede neural, foram mas efetvos em relação aos classfcadores KNN e K-médas testados. Uma restrção deste método é a presença de falsos-postvos nas bordas das pernas e na regão da rótula. 6 Referencas Ahmed, W.M.; Zhang, M. and Al-Kofah O. Hstorcal comparson of vehcles usng scanned x-ray mages. IEEE Workshop on WACV, pp.88,93, 5-7 Jan. 011 Coxson, H.O.; Rogers, R.M.; Whttall, K.P.; D yachkova, Y.; Paré, P.D.; Scurba, F. C. et al, A quantfcaton of the lung surface area n emphysema usng computed tomography. Amercan Journal of Respratory and Crtcal Care Medcne, vol. 159, no. 3, pp , Erratum n: Amercan Journal of Respratory and Crtcal Care Medcne, vol. 163, no. 6, pp , 001. Felx, J.H.S.; Cortez, P.C.; Rebouças-Flho, P.P.; Alexandra, A.R.; Costa, R.C.S. and Holanda, M.A. Identfcaton and Quantfcaton of Pulmonary Emphysema through Pseudocolors. Lecture Notes n Computer Scence, vol. 5317, pp , 008. Chrstodoulou, C. I. S. C. Mchaeldes, C. S. Pattchs, Multfeature texture analyss for the classfcaton of clouds n satellte magery, IEEE Transactons on Geoscence and Remote Sensng, vol. 41, no. 11, pp , 003. Sabno, D.M.U. et al. A texture approach to leukocyte recognton. Real-Tme Imagng, vol. 10, pp , 004. Haralck, R.M.; Shanmugam, K. and Dnsten, I. Textural features for mage classfcaton. IEEE Transactons on Systems, Man, and Cybernetcs, vol. 3, no. 6, pp , S. Lvens, Image Analyss for Materal Characterzaton. Tese (Doutorado)-Departamento de Físca, Unversdade of Antwerpa, Bélgca, Haralck, R.M. Statstcal and Structural Approaches to Texture. Proceedngs of IEEE, vol. 67, no. 5, pp , Cover, T.M. and Hart, P.E. Nearest neghbor pattern classfcaton, IEEE Transc. on Informaton Theory, vol.13, pp. 1 7, MacQueen, J.B. Proc. of the ffth Berkeley Symposum on Mathematcal Statstcs and Probablty, 1, pp Unversty of Calforna Press, Duda, R.O. Hart, P.E. and Stork, D.G. Pattern Classfcaton, New York: John Wley & Sons, 001, pp. xx + 654, ISBN: J. Classf. 4, (Sept. 007), Mederos, C.M.S. Uma Contrbução ao Problema de Seleção de Modelos Neuras Usando Prncípo de dos Erros. Tese (Doutorado), Unversdade Federal do Ceará, 008. Rocha Neto, A.R. SINPATCO Sstema Intelgente para Dagnóstco de Patologas da Coluna Vertebral. Dssertação (Mestrado), Unversdade Federal do Ceará, 006.