Identificação Visual de Caixas de Medicamentos Usando ... · Identificação Visual de Caixas de Medicamentos Usando Features Correspondentes Xiankleber Cavalcante Benjamim Dissertação

Identificação Visual de Caixas de Medicamentos

Usando Features Correspondentes

Xiankleber Cavalcante Benjamim

Orientador: Prof. Dr. Aquiles Filgueira de Medeiros Burlamaqui

Dissertação de Mestrado apresentada ao

Programa de Pós-Graduação em Engenharia

Elétrica da UFRN (área de concentração:

Engenharia de Computação) como parte dos

requisitos para obtenção do título de Mestre

em Engenharia de Computação e Elétrica.

Número de ordem PPgEE: M000

Natal, RN, julho de 2012

UFRN / Biblioteca Central Zila Mamede

Catalogação da Publicação na Fonte

Benjamim, Xiankleber Cavalcante.

Identificação visual de caixas de medicamentos usando features correspondentes / Xiankleber Cavalcante

Benjamim. – Natal, RN, 2012.

61 f. : il.

Orientador: Prof. Dr. Aquiles Medeiros Filgueira Burlamaqui.

Dissertação (Mestrado) – Universidade Federal do Rio Grande do Norte. Centro de Tecnologia. Programa de

Pós-Graduação Engenharia Elétrica e da Computação.

1. Visão computacional - Algoritmos - Dissertação. 2. Algoritmos - Visão ocular - Dissertação. 3. Features de

identificação - Dissertação. 4. Open Source Computer Vision Library - Dissertação. 4. Medicamentos -

Dissertação. 5. Deficiência visual - Dissertação. I. Burlamaqui, Aquiles Medeiros Filgueira. II. Universidade Federal

do Rio Grande do Norte. III. Título.

RN/UF/BCZM CDU 004.93

Identificação Visual de Caixas de Medicamentos

Usando Features Correspondentes

Xiankleber Cavalcante Benjamim

Dissertação de Mestrado aprovada em 30 de julho de 2012 pela banca examinadora composta

pelos seguintes membros:

_____________________________________________________________________________

Prof. Dr.Aquiles Filgueira de Medeiros Burlamaqui(orientador) . . . . . . . . . . . DCA/UFRN

_____________________________________________________________________________

Prof. Dr. Ricardo Alexsandro de Medeiros Valentim. . . . . . . . . . . . . . . . . . . . DCA/UFRN

Prof.a Dr.a Angélica Félix De Castro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .UFERSA

Dedico este trabalho aos meus pais

Alda e Teodorico (in memoriam),

bem como a tia Alba, que sempre me

apoiaram e me ofereceram toda a

educação necessária ao exercício da

cidadania. À minha esposa, Eloyse,

pela força e ajuda na nossa luta

diária. Finalmente, à Comunidade,

esperando ter contribuído, de

alguma forma, para esclarecer

algumas questões do seu interesse

AGRADECIMENTOS

Primeiramente, agradeço a Deus por ter me proporcionado persistência, dedicação, toda a força e

energia para a conclusão de mais uma etapa na minha vida.

Agradeço à minha família que sempre me apoiou nos momentos mais difíceis.

Agradeço a todos os professores, em especial àqueles que me inspiraram e orientaram, Aquiles

Burlamaqui, Luiz Eduardo Cunha Leite e Luiz Affonso H. Guedes de Oliveira os Coordenadores

do Programa Andres Ortiz Salazar e Luiz Marcos G Goncalves.

Agradeço também àqueles que contribuíram, quer de forma direta ou indireta durante todo o

mestrado, a saber:

- Aos meus amigos Rafael Gomes Bezerra e Gutemberg Santiago, pelas horas e horas de estudo

na construção da dissertação.

- À diretora da Rádio Universitária, Sandra Mara Oliveira de Souza; ao jornalista e ao locutor

Fernando Luiz Amaral Ferreira de Souza, e ao Editor de Áudio, Eduardo Pandolphi.

- Aos demais colegas de pós-graduação, pelas críticas construtivas e sugestões.

RESUMO

Este trabalho utiliza algoritmos de visão computacional relacionados às features na

identificação de caixas de medicamentos para deficientes visuais. O sistema é para pessoas que

apresentam alguma enfermidade que comprometa sua visão, prejudicando a identificação do

medicamento correto a ser ingerido. Utilizamos a câmera, disponível em vários dispositivos

populares como computadores, televisores e celulares, para identificar a caixa do medicamento

correto através da imagem e áudio, mostrando ao deficiente as informações sobre a medicação,

tais como: a posologia, indicação e contra indicações da medicação. Para isso, utilizamos um

modelo de detecção de objetos, usando algoritmos, para identificar as features nas caixas dos

medicamentos e tocando o áudio na hora da detecção das feauteres nas referidas caixas. Os

experimentos realizados com 15 pessoas mostram que onde 93% acreditam que o sistema é útil e

muito útil para identificar os medicamentos pelas caixas. Portanto, torna-se necessário fazer uso

dessa tecnologia para ajudar várias pessoas com deficiência visual a tomarem o medicamento

certo, na hora indicada, previamente pelo médico.

Palavras-chave: Health, Feature, identificação de caixas de medicamento.

ABSTRACT

This work uses computer vision algorithms related to features in the identification of

medicine boxes for the visually impaired. The system is for people who have a disease that

compromises his vision, hindering the identification of the correct medicine to be ingested. We

use the camera, available in several popular devices such as computers, televisions and phones,

to identify the box of the correct medicine and audio through the image, showing the poor

information about the medication, such: as the dosage, indication and contraindications of the

medication. We utilize a model of object detection using algorithms to identify the features in the

boxes of drugs and playing the audio at the time of detection of feauteres in those boxes.

Experiments carried out with 15 people show that where 93 % think that the system is useful and

very helpful in identifying drugs for boxes. So, it is necessary to make use of this technology to

help several people with visual impairments to take the right medicine, at the time indicated in

advance by the physician.

Keywords: Health, Feature, identification of medicine boxes.

SUMÁRIO

Sumário i

Lista de Figuras iii

Lista de Tabelas v

1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .13

1.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

1.3 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 Embasamento Teórico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.1 Visão Computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 18

2.2 FEATURES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19

2.2.1 SIFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .19

2.2.2 SURF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.2.3 Detector Heissiano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 21

2.3 Deficiência visual. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.3.1 Catarata. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . .. . . . .23

2.3.2 Glaucoma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.3.3 Degeneração Macular Relacionada à Idade – DMRI. . . . . . . . . . . . . . . . . . . . . . . . . . .. 25

2.3.4 Retinopatia Diabética. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.3.5 Cegueira Infantil. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .27

2.3.6 Tracoma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..27

2.3.7 Oncocerose. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .29

3 Trabalhos Relacionados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . .31

3.1 Visão em tempo real usando fóvea móvel com multi-resolução . . . . . . . . . . . . . . . . . . . .31

3.2 Bengala Eletrônica para a navegação de cego. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .32

3.3 Voz ativada para calcular a dosagem de insulina para diabetes em deficientes visuais. . .34

3.4 Detecção de Objetos Rápidos através de um robô em um ambiente desordenado. . . . . . 36

3.5 Reconhecimento de imagens usando técnicas visuais . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.6 Google Goggles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

4 Identificação Visual dos Medicamentos através das Features . . . . . . . . . . . . . . . . . . . . . .45

4.1 Reconhecimento das caixas utilizando recursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.1.1 Detecção das imagens pelo Algoritmo SURF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.1.2 Aplicando a Fóvea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . 48

4.1.3 Reprodução do Áudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 48

4.2 Interação Humano X Computador . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . . . . . . . . . . . . . 50

5 Experimentos e Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

5.1 Experimentos e Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

5.1.1 Recurso na detecção dos objetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

5.1.2 Comportamento com olhos vendados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

6 Conclusões e Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

Referências Bibliográficas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59

i

Lista de Figuras

1.1 Detecção da caixa de medicamento usando uma Câmera . . . . . . . . . . . . . . . . . . . . . . . . ..15

2.1 Reconhecimento entre duas imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.2 Exemplo de extração de features SURF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.3 Exemplo de uso de imagens integrais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . .22

3.1 Rastreamento de uma bola usando uma fóvea em movimento . . . . . . . . . . . . . . . . . . . . . 32

3.2 (a) Diagrama do projeto SmartVision. (b) projeto SmartVision com as

etiquetas RFID no chão. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.3 Diagrama de nível do bloco do sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.4 Sistema de robô móvel equipado com uma câmera Flea2, um SR-4000

TOF sensor, e um sensor de UTM-30LX LRF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.5 Diagrama do Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .38

3.6 Visão geral de detecção de objetos, que consiste em extração de características,

caixa deslizante, e cálculo da similaridade. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . 39

3.7 Ambiente de destino: (A) layout da sala, e (B) do mapa em 2D criado por

SLAM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . 40

3.8 Exemplos de imagens capturadas durante o rastreamento automático . . . . . . . . . . . . . . . 40

3.9 Imagens de 59 objetos-alvo, dispostos em ordem aproximada de tamanho

cada vez maior de cima da esquerda para a direita. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.10 Fotos pertencentes a cada classe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .42

3.11 Google Goggles caixa do carregador Ipod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.1 Diagrama do sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . . . . .. . . . . . . .45

4.2 Detecção das features pelo algoritmo Surf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.3 Imagens Originais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .49

4.4 Imagens com as remoções . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

5.1 Detecção da caixa pelas features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

5.2 Detecção da caixa pelas features . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

iii

Lista de Tabelas

5.1 Tempos de processamento das características de extração de cada caixa da

medicação computado apenas uma vez. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

5.2 Taxa de sucesso na detecção das caixas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

5.3 Dimensões das Caixas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

5.4 Aplicação do Formulário . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56

v

15

Capítulo 1

Introdução

Uma pesquisa realizada pelo Instituto Brasileiro de Geografia e Estatística (IBGE) revela

que no Brasil temos 9,6 % de analfabetos na população com idade acima de 15 anos. A maioria

dos analfabetos no país está concentrada na região Nordeste, representando 53,3 % (7,43

milhões) de todos os brasileiros que não sabem nem ler nem escrever. Esta porcentagem é maior

do que no ano de 2000, quando era de 51,4% (IBGE, 2010). Mesmo assim, o brasileiro agrega

muito valor a dispositivos como celular e TV. Hoje temos mais de um celular por pessoa no

Brasil, e a TV está presente em 96% das residências brasileiras.

Outra informação importante, considerando os objetivos deste trabalho, é salientar o

número igualmente expressivo de pessoas idosas que segundo o IBGE (2000) a quantidade de

idosos (60 anos e mais de idade) chega a 14,5 milhões, passando a representar 9,1% da

população brasileira.

A visão é o principal sentido para percebermos o ambiente em que vivemos. Porém,

grande parcela da população possui algum grau de cegueira ou baixa visão. Uma pesquisa

estatística afirma que cerca de 36 milhões (0,57%) da população mundial são cegos e 124

milhões têm baixa visão (2%) (RESNIKOFF et al., 2004). Entre as causas estão: catarata,

glaucoma, DMRI, retinopatia diabética, cegueira infantil, tracoma e oncocercose, que serão

detalhadas do Capítulo 2. Relaciona-se à velhice o aparecimento de doenças oculares que podem

levar à baixa visão, associando-se à perda da autonomia e independência. A baixa visão é

relatada como o terceiro maior problema crônico do idoso, após as artrites e as cardiopatias, e

não podem ser corrigidas por cirurgias, tratamento clínico, ou lentes convencionais, sendo

indicada uma conduta reabilitacional (GASPARETTO, 2012). Além de ajudar idosos com

deficiência visual este trabalho poderá ser estendido a uma grande parcela da população, que

apresenta certos tipos de deficiências, as quais comprometem a capacidade de enxergar, e que, de

alguma maneira, a impedem de fazer uso de sua medicação correta. Apesar de a Associação

Nacional de Vigilância Sanitária (ANVISA) ter publicado, no dia 23 de dezembro de 2009, em

16

seu Diário Oficial, uma norma na qual diz que os fabricantes de medicamentos são obrigados a

colocar nas caixas o nome do medicamento em braile, além de incluir informações sobre

conservação e prazo de validade do produto após a abertura, grande parcela da população não é

familiarizada com o método braile.

Pessoas com deficiência visual usam outros sentidos como o tato e a audição para

perceber o ambiente. Todavia, muitas tarefas necessitam da visão para a sua realização, como a

verificação de um semáforo, reconhecimento de edifícios, atravessar a rua e muitas outras. Para

pessoas com baixa visão, ou com certos tipos de deficiência visual, existem ampliadores de

óculos, telescópios e dispositivos eletrônicos, que as auxiliam nas tarefas diárias (MARGRAIN,

2000; SCOTT et al., 1999).

No nosso trabalho, propomos um sistema que utiliza técnicas de visão computacional

para detectar caixas de medicamentos (Figura 1.1). Uma pessoa com deficiência visual pode usar

este sistema para obter informações sobre o medicamento, identificar o nome da medicação, a

posologia e as indicações e contraindicações, sem a ajuda de outra pessoa.

17

Figura 1.1: Detecção da caixa de medicamento usando uma Câmera.

Visão computacional é o conjunto de métodos e técnicas, através dos quais, sistemas

computacionais são capazes de interpretar imagens. A interpretação de uma imagem pode ser

definida em termos computacionais, como a transformação de um conjunto de dados digitais,

representando uma imagem (TRUCCO e VERRI, 1998). Visão é o processo de descoberta, a

partir de imagens que estão presentes no mundo (MARR, 1993).

1.1 Motivação

A população mundial está envelhecendo, o número de pessoas idosas está tornando-se

cada vez maior; fato comum em países de primeiro mundo, hoje vem tornando-se realidade em

países em desenvolvimento, como no Brasil (KALACHE, 1987). A perspectiva é que, em 2025,

o Brasil venha a ser o sexto país do mundo em número de idosos. A prevalência da deficiência

visual na população idosa é alta. A acuidade visual diminuída têm repercussões importantes na

função visual e na capacidade funcional dos idosos. Há na visão várias alterações orgânicas

18

comumente manifestadas durante o envelhecimento e que levam à diminuição da acuidade

visual, a qual pode ser ou não restabelecida (GASPARETTO, 2012). As doenças da visão se

apresentam não somente na terceira idade, mas são muito numerosas também em indivíduos

mais jovens, na vida adulta. De acordo com o Censo de 2000, 57,16% da população têm alguma

dificuldade de enxergar, 9,90% da população têm grande dificuldade de enxergar e 0,6% da

população é incapaz de enxergar (NERI, 2004).

O surgimento de novas tecnologias nos move a pensar em iniciativas eficientes que

venham a contribuir com a melhoria da saúde e qualidade de vida, principalmente, dos idosos.

Pensando nisso este trabalho propõe-se, através de uma câmera instalada em qualquer

dispositivo (Computador, celular ou televisão), a reconhecer as imagens das caixas dos

medicamentos utilizando as Features, ajudando os idosos, os deficientes visuais em geral, os

analfabetos, e outras pessoas que, por motivos diversos, apresentam problemas na visão, a

tomarem seus medicamentos certos. Ao fazer uso dos medicamentos receitados pelo médico,

sabendo da posologia do medicamento, das indicações e contraindicações, haverá uma melhoria

tanto em qualidade quanto na expectativa de vida desta parcela da população.

1.2 Objetivo

O objetivo deste trabalho é ajudar adultos em geral e idosos em particular, alfabetizados

ou não, portadores de deficiência visual, a identificar os medicamentos através das Features,

utilizando uma câmera em qualquer dispositivo (Computador, Celular, TV) para assim melhorar

a qualidade de vida desta parcela da população.

1.3 Metodologia

Para identificar as features das caixas dos remédios, devemos apontar a caixa para a

câmera onde a mesma irá identificar os pontos da imagem. Para isso, utilizamos a biblioteca

OpenCV (Open Source Computer Vision Library), originalmente desenvolvida pela Intel, em

2000; essa biblioteca é multiplataforma e totalmente livre para uso acadêmico e comercial. No

desenvolvimento de aplicativos na área de Visão Computacional basta seguir o modelo de

19

licença da BSD Intel. O OpenCV possui módulos de Processamento de Imagens e Video I/O,

Estrutura de dados, Álgebra Linear, GUI (Interface Gráfica do Usuário) básica com sistema de

janelas independentes, controle de mouse e teclado, além de mais de 350 algoritmos de Visão

Computacional como: filtros de imagem, calibração de câmera, reconhecimento de objetos,

análise estrutural e outros (BRADSKY et al, 2006).

20

Capítulo 2

Embasamento Teórico

2.1 Visão Computacional

Com o surgimento da visão computacional na década de 70, pesquisadores

implementaram técnicas para processar imagens. Uma das técnicas utilizada foi subdividida em

partes específicas da visão computacional. Uma dessas subdivisões foi a utilização dos

algoritmos de processamento de imagem: filtros, detecção de borda, etc., para extrair

características humanas de uma imagem.

Em visão computacional existem algumas etapas importantes como:

a) Aquisição de Imagem: O processo de aquisição de imagem consiste em obter uma

sequência de imagens digitais através, de sensores contidos em câmeras digitais.

b) Pré-processamento: O pré-processamento de imagem tem como objetivo preparara

imagem para as etapas seguintes. Entre as técnicas comumente utilizadas em visão

computacional está à correção da distorção barril, redução de ruídos de imagens e ajuste de

contraste (TRUCCO e VERRI, 1998).

c) Extração de características: Alguns pontos da imagem são mais representativos que os

demais. Esses pontos são caracterizados, por exemplo, por cantos, textura, bordas, etc. Tais

pontos são denominados de características (features). Existem diversos algoritmos propostos na

literatura que visam extrair tais pontos na imagem, como SURF (BAY et al., 2006) e SIFT

(LOWE, 2004).

d) Detecção e segmentação: A detecção e segmentação destacam uma região da imagem

e a segmentam, guardando a informação para um processamento posterior.

e) Processamento de alto nível: Nessa etapa, as informações obtidas pelo processamento

de mais baixo nível são utilizadas para o processamento de mais alto nível. Por exemplo, as

features podem ser utilizadas para detectar um objeto na cena (GONZALES e WOODS, 1992).

21

Uma vez detectado o objeto, um módulo de inteligência artificial pode utilizar essa informação

para algum processo de decisão.

Nas aplicações de visão computacional, os computadores já são pré-programados para

resolver uma determinada função. Os métodos de inteligência artificial estão se tornando cada

vez mais comuns. A visão computacional é uma área bastante utilizada atualmente, como, por

exemplo, em sistemas de aprendizagem ao analisar as imagens para reconhecimento de padrões,

como o reconhecimento facial, que identifica e diferencia uma face da outra, ou também, para

sistemas de rastreamento e para que robôs possam enxergar.

2.2 FEATURES

As features são pontos na imagem com variações constantes que destacam-se na região.

Vários métodos estão disponíveis para detecção de features, tais como filtro de Roberts, filtro de

Sobel e detectores de cantos, como o detector de Canny e o detector de Harris (GONZALES e

WOODS, 1992).

Quando trabalhamos com as features, utilizamos dois modelos: SIFT (LOWE, 2004) e

SURF (BAY et al., 2006). São features projetadas para serem invariantes à escala e à rotação.

Quando a região ao redor de uma feature esteja numa rotação ou num escalonamento, o ponto

continua a ser detectado como features.

2.2.1 SIFT

Segundo Lowe (2004), o SIFT é um algoritmo que realiza a análise de qualquer imagem

e descreve a figura sucintamente, com pequenos dados da imagem. Informa e detecta a posição

dos pixels e uma determinada característica na imagem. Por exemplo, em uma foto da face de

uma pessoa ou animal, agrupam-se características dos olhos, boca e nariz. O SIFT transforma

uma imagem em diversos vetores; as características, são por sua vez invariante a translação,

escala, rotação, pouca variação às mudanças de iluminação, ruído de imagem e pequenas

mudanças de perspectivas. Os vetores de características são conhecidos como descritores

utilizados para comparar regiões de imagens diferentes. Com esta técnica, encontram-se

correspondências ponto a ponto entre duas imagens (SPERANDIO 2011) ,como podemos ver na

figura 2.1.

22

Figura 2.1Reconhecimento entre duas imagens.(SPERANDIO e SANTOS, 2011)

2.2.2 SURF

Segundo Bay et al (2006), o algoritmo SURF é inspirado parcialmente no SIFT, na

medida em que irá detectar os pontos de interesse de uma imagem com bom desempenho. O

algoritmo se divide em três etapas: Criação Integral da Imagem, Determinação de Pontos de

Interesse e Criação do Descritor de cada ponto-chave.

Quando o algoritmo do SURF detecta as features, diversas tarefas vão ser realizadas,

como: reconstrução 3D, SLAM, reconhecimento de objetos, etc. (BAY et al., 2006). Na figura

abaixo 2.2 temos um exemplo de features.

23

Figura 2.2: Exemplo de extração de features SURF. Fonte: BAY et al ( 2006)

No SURF os detectores têm como objetivo detectar pontos salientes, distensíveis das

imagens, como cantos. A repetição de um ponto refere-se a quanto esse mesmo ponto continua

sendo detectado sob outros pontos de vista.

O descritor de uma feature é um vetor que atribui um valor único. É desejável que esse

descritor seja robusto a ruído, às mudanças de iluminação e a deformações geométricas. Um

vetor grande pode identificar melhor cada feature, porém é mais custoso computacionalmente.

Enquanto um vetor curto tende a ser menos representativo, porém de baixo custo computacional.

2.2.3 Detector Hessiano

O detector usado é o mesmo proposto por Bay et al (2006), a matriz Hessiana.

Detecta-se como uma feature quando a determinante da matriz é maior que um

determinante limiar. A matriz Hessiana é dada por:

H(x,s) = "Lxx(x,s) Lxy(x,s) Lxy(x,s) Lyy(x,s) #

onde Lxx(x,s) é o resultado da convolação da imagem no ponto x com a derivada segunda

do gaussiano. Para acelerar o cálculo da resposta aos filtros, utilizam-se imagens integrais. Com

as imagens integrais é possível somar qualquer região da imagem utilizando 1 soma, 2 sub.

atrações e 4 consultas à matriz de imagem integral.

24

3 Imagens integrais.

As imagens integrais são definidas como:

Para se obter o somatório de uma região delimitada pelos pontos A, B, C e D, realiza-se

I(A)−I(B)−I(C)+I(D), conforme ilustra a Figura 2.3.

Figura 2.3 Exemplo de uso de imagens integrais. Fonte: [Bay et al. 2006].

Os filtros utilizados para calcular Lxy e Lyy, os dois primeiros filtros usam valores

flutuantes. Se utilizarmos somente pesos inteiros, podemos aproveitar os cálculos obtidos pela

imagem integral e obter a resposta ao filtro com poucas operações.

A determinante da Hessiana é calculada da seguinte forma [BAY et al. 2006):

det(Happrox) = DxxDyy−(wDxy)2 , onde w ≃ 0.9.

O espaço escala é dividido em oitavas. A cada oitava, a frequência de amostras é

reduzida pela metade. Então, na primeira oitava teremos candidatos a features em todos.

25

Derivadas parciais em Y e em XY, e a aproximação usando imagens integrais.Fonte:

(BAY et al. 2006)

Na segunda, passaremos por metade dessa frequência, isto é, de dois em dois pixels. Na

terceira oitava, teremos intervalo de 22 = 4 pixels, e assim por diante para as demais oitavas.

2.3 Deficiência Visual

Deficiência visual é a perda ou redução da capacidade visual em ambos os olhos, com

carácter definitivo, não sendo susceptível de ser melhorada ou corrigida com o uso de lentes e/ou

tratamento clínico ou cirúrgico. De entre os deficientes visuais, podemos ainda distinguir os

portadores de cegueira e os de visão subnormal.

As causas das deficiências visuais são de dois tipos, congênitas e adquiridas. Dentre as

congênitas existem as malformações oculares, glaucoma congênito, catarata congênita. As

adquiridas são traumas oculares, catarata, degeneração senil de mácula, glaucoma, alterações

relacionadas à hipertensão arterial ou diabetes.

Dentre os problemas mais comuns existem:

2.3.1 Catarata

A catarata, definida como qualquer opacificação do cristalino que reduza a acuidade

visual, acomete 75% dos indivíduos acima dos 70 anos de idade e pode causar cegueira

(FERRAZ et al., 2002). A cegueira por catarata é reconhecida como grave problema de saúde

pública nos países em desenvolvimento e, desta forma, programas de prevenção e controle têm

sido estabelecidos para diminuir sua ocorrência. Esta doença ocular que pode ser congênita (mais

rara) ou adquirida, que é a forma mais frequente. As cataratas adquiridas, em geral, ocorrem em

pessoas acima dos 60 anos e também são conhecidas como cataratas senis (envelhecimento do

cristalino). Traumas oculares, uso de corticoesteróides, inflamações intraoculares, exposição

excessiva à radiação ultravioleta e diversas doenças associadas, como o diabetes, por exemplo,

são causas conhecidas. (LOTTEN EYES, 2012)

Além de causar a diminuição da visão, as pessoas podem observar imagens duplas,

confusão para ver e distinguir cores, alteração frequente do grau de óculos, muita dificuldade

26

para a leitura e a distância também e visão pior com luminosidade. Pode ocorrer bilateralmente e

ainda é a maior causa de cegueira no mundo, atingindo milhões de pessoas.

Não existe tratamento clínico para catarata, este é sempre cirúrgico. A partir do momento

em que a baixa acuidade visual não é mais corrigida com o uso de correções ópticas há indicação

cirúrgica. O momento propício para a realização da cirurgia depende também do prejuízo e do

comprometimento que esta opacificação vem trazendo ao cotidiano e as funções habituais do

paciente. A técnica cirúrgica mais moderna para o tratamento da catarata, consiste da remoção do

cristalino por microfragmentação e aspiração do núcleo, num processo chamado Faco-

emulsificação com implante de lente intra-ocular, onde após a retirada completa da catarata, é

implantada uma nova lente. Atualmente, temos também a opção de corrigir erros refrativos

(miopia, hipermetropia, astigmatismo e presbiopia) na cirurgia de catarata, ou seja, além de

retirarmos a catarata contamos com uma variedade de lentes intra-oculares que ajudam a corrigir

esses erros refrativos. Consulte o nosso especialista em catarata para saber qual a lente intra-

ocular é a mais indicada para melhor satisfazer a sua visão no pós-operatório (LOTTEN EYES,

2012).

2.3.2 Glaucoma

Glaucoma é uma doença ocular causada principalmente pela elevação da pressão

intraocular que provoca lesões no nervo ótico e, como consequência, comprometimento visual.

Se não for tratado adequadamente, pode levar à cegueira. Há vários tipos de glaucoma.

Glaucoma é uma doença assintomática no início. A perda visual só ocorre em fases mais

avançadas e compromete primeiro a visão periférica. Depois, o campo visual vai estreitando

progressivamente até transformar-se em visão tubular. Sem tratamento, o paciente fica cego. A

principal característica do glaucoma de ângulo fechado é o aumento súbito de pressão

intraocular. O glaucoma congênito (forma mais rara) acomete os recém-nascidos e o glaucoma

secundário que é decorrente de enfermidades como diabetes, uveítes, cataratas, etc.(VARELLA,

2012).

Inicialmente, o tratamento é clínico e à base de colírios. Existem drogas por via oral que

só são usadas em casos emergenciais.

Alguns tipos de glaucoma estão associados a distúrbios que requerem tratamento

específico. Cessada a causa, a pressão intra-ocular regride e o problema visual desaparece.

27

Portanto, a medicação oftalmológica é usada por prazo curto enquanto se trata a outra doença

que provocou o glaucoma, por exemplo, diabetes. (ABRAG, 2012)

O glaucoma crônico – tipo mais comum da doença – exige o uso constante de colírios

pela vida inteira, porque não tem cura. Como pode ser controlado por meio de medicação,

cirurgia ou raio laser, o paciente precisa ser mantido sob controle ininterruptamente. Tratamento

inadequado ou falta de tratamento podem levar à cegueira. (ABRAG, 2012)

2.3.3 Degeneração Macular Relacionada à Idade – DMRI

A Degeneração Macular Relacionada à Idade (DMRI) ou Age Related Macular

Degeneration (AMD) é uma condição freqüentemente relacionada ao envelhecimento, de causa

desconhecida, na qual ocorre crescimento anormal dos vasos sangüíneos sob a retina

especificamente sob o tecido da coróide. A mácula é afetada e o resultado é a baixa súbita ou

progressiva da visão central. É comum em pacientes com mais de 55 anos e chega a atingir, em

todas as suas formas, mais de 25% dos pacientes acima de 75 anos. A falta de tratamento

adequado pode levar à cegueira. Entre a retina (camada do olho altamente sensível aos raios

luminosos) e a esclerótica (camada de proteção mecânica do olho, o branco do olho) existe a

coróide (camada rica em vasos sanguíneos e células pigmentares estas funcionando como a

câmara escura de uma máquina fotográfica). Entre 85 e 90% dos portadores de DMRI

apresentam a forma seca da doença, mais branda e de evolução mais lenta. Entre 10 e 15%

apresentam a forma exsudativa, bem mais agressiva. Cerca de 90% dos casos de cegueira ou de

incapacitação ocorrem entre os que sofrem da forma úmida da doença (LAVINSKY, 2001).

O diagnóstico é comprovado pela cuidadosa avaliação biomicroscópica da mácula

(região central da retina que é responsável pelo detalhamento da visão) com lentes de contato e

por vários testes angiográficos do olho.

Segundo Lavinsky (2001) as opções terapêuticas para tratamento até recentemente, eram

limitadas à fotocoagulação por laser ou observação, dependendo do tamanho dos vasos sub-

retinianos anormais e a sua posição em relação à fóvea. Houve um grande aumento nas opções

de tratamento, incluindo terapia fotodinâmica com a verteporfirina, radiação, termoterapia

transpupilar, fotocoagulação de vaso nutridor, cirurgias de translocação macular, bem como

novas terapias, ainda em estudo, com drogas antiangiogênicas e angiostáticas.Na verdade não

existe um tratamento único efetivo e a tendência é associar os vários recursos existentes para

28

obter um melhor resultado. A terapia fotodinâmica com verteporfirina tem como perspectiva ser

associada à terapia antiangiogênica à terapia com esteróide modificado ou desde já, com a

terapia sobre o vaso nutridor, à termoterapia transpupilar (TTT), à fotocoagulação com laser

argônio, à cirurgia submacular e à translocação macular.

Existem alguns fatores de risco para a Degeneração Macular Relacionada à Idade que

são: idade (acima de 40 anos), sexo (ocorrência mais comum no sexo feminino), dieta e nutrição

(deficiente em frutas e vegetais), incidência de luz solar, fumo, doenças cardíacas e

hereditariedade.

2.3.4 Retinopatia Diabética

A diabetes é uma doença complexa e progressiva que afeta os vasos sanguíneos do olho.

Um material anormal é depositado nas paredes dos vasos sanguíneos da retina que é a região

conhecida como "fundo de olho", causando estreitamento e às vezes bloqueio do vaso sanguíneo,

além de enfraquecimento da sua parede – o que ocasiona deformidades conhecidas como micro-

aneurismas. Estes micro-aneurismas frequentemente rompem ou extravasam sangue causando

hemorragia e infiltração de gordura na retina. Existem duas formas de retinopatia diabética:

exsudativa e proliferativa. Em ambos os casos, a retinopatia pode levar a uma perda parcial ou

total da visão. O diabetes melittus é o fator desencadeante desta doença, na qual o corpo humano

não pode fazer uso adequado de alimentos, especialmente de açúcares. O problema específico é

uma quantidade deficiente do hormônio insulina nos diabéticos. As pessoas que têm diabetes

apresentam um risco de perder a visão 25 vezes mais do que as que não portam a doença. A

Retinopatia Diabética atinge mais de 75% das pessoas que têm diabetes há mais de 20 anos. O

controle cuidadoso da diabetes com uma dieta adequada usa de pílulas hipoglicemiantes, insulina

ou com uma combinação destes tratamentos, que são prescritos pelo médico endocrinologista,

são a principal forma de evitar a Retinopatia Diabética. Outro tratamento seria a fotocoagulação

por raios laser, que é o procedimento pelo qual pequenas áreas da retina doente são cauterizadas

com a luz de um raio-laser na tentativa de prevenir o processo de hemorragia. O ideal é que este

tratamento seja administrado no início da doença, possibilitando melhores resultados por isso é

extremamente importante a consulta periódica ao oftalmologista (BOELTER et al., 2003).

29

2.3.5 Cegueira Infantil

A cegueira infantil continua sendo um problema global sério, principalmente nos países

em desenvolvimento. Quando doenças ou outros problemas oculares acometem as pessoas ainda

na infância e não são tratados, eles podem resultar em deficiência visual ou cegueira. As causas

principais variam e são determinadas, sobretudo por condições socioeconômicas e acesso aos

cuidados básicos de saúde e atendimento oftalmológico. (BRITO e VEITZMAN, 2000)

Em países com baixa renda per capita, a cegueira infantil é normalmente causada por

cicatrizes na córnea provocadas por sarampo e falta de vitamina A. Em países com renda média

per capita, a retinopatia prematura (desenvolvimento anormal de vasos sanguíneos na retina de

recém-nascidos) é uma das principais causas de cegueira infantil. Em todos os países, a cegueira

infantil pode ser causada por anomalias congênitas, como catarata e glaucoma. Estima-se que 1,4

milhão de crianças são cegas e que 500.000 novos casos surgem a cada ano. Desses novos casos,

50% das crianças morrem em um ou dois anos. Em 1992, a OMS estimava em 1,5 milhões o

número de cegos menores do que 16 anos no mundo, 90% dos quais viviam em países em

desenvolvimento. Aquelas que sobrevivem, enfrentam grandes dificuldades para se

desenvolverem educacional, física e socialmente e para viverem sem enxergar. O impacto

econômico é substancial nas crianças e famílias, pois na maioria das vezes, a falta de

oportunidades de aprendizagem e treinamento impossibilita as pessoas com deficiência visual de

trabalharem. Os casos de deficiência visual infantil causada por Erro Refrativo Não Corrigido

podem ser facilmente diagnosticados e corrigidos com o uso de óculos, lentes de contato ou

cirurgia refrativa. A cegueira causada por catarata pode ser tratada com uma cirurgia simples e

econômica (BRITO e VEITZMAN, 2000).

2.3.6 Tracoma

O tracoma é uma afecção inflamatória crônica da conjuntiva e da córnea, uma

ceratoconjuntivite crônica recidivante que em decorrência das infecções repetidas pode levar a

cicatrizes na conjuntiva palpebral. Em casos mais graves evoluem para sequelas, provocando

lesões corneanas importantes, podendo produzir cegueira.

30

O agente etiológico do tracoma é a Chlamydia trachomatis, uma bactéria de

aproximadamente 200 a 300 milimicra, GRAM negativa, de vida obrigatoriamente intracelular.

Apresenta um tropismo pelas células epiteliais, onde se instala e se multiplica, formando

inclusões citoplasmáticas. Além do tracoma, a Chlamydia trachomatis é responsável pela

conjuntivite de inclusão, pelo linfogranuloma venéreo e por outros quadros de doenças

sexualmente transmissíveis. Indivíduos até 10 anos de idade com infecção ativa são considerados

o maior reservatório de transmissão da doença em uma comunidade. Crianças com tracoma

também podem portar C. trachomatis nos tratos respiratório e gastrointestinal. Não há

reservatório animal do tracoma e a Clamídia sobrevive mal fora do hospedeiro humano

(FREITAS, 1976).

A transmissão da doença ocorre de forma direta, de olho para olho, ou de forma indireta,

através de objetos contaminados. Os insetos podem atuar como vetores mecânicos, em especial a

mosca doméstica e a mosca Hippelates sp (lambe-olhos) de importância em algumas regiões. O

período de incubação dura em média de 5 a 12 dias. A doença é transmissível enquanto

persistirem as lesões ativas da conjuntiva. A infectividade é maior no início da doença e quando

coexistem infecções bacterianas agudas ou crônicas. Todos indivíduos são suscetíveis à doença,

sendo que crianças reinfectam-se com maior frequência dependendo das condições do meio

(LUNA, 1993).

A resposta imune celular é considerada necessária para a cura da infecção, mas

provavelmente, também contribuí para o desenvolvimento das lesões conjuntivais cicatriciais.Os

anticorpos responsáveis pela proteção podem ser diferentes dos que causam reações deletérias.

Se fosse possível estimular, especificamente, as respostas imunológicas protetoras então teriam

uma vacina de tracoma eficaz (PELICIONI, 1992).

O objetivo do tratamento é a cura da infecção, com a consequente interrupção da cadeia

de transmissão da doença, feito com antibióticos. Todos os casos de tracoma inflamatório

devem ser examinados para controle de tratamento após 6 meses do tratamento e serem revistos

pelo menos uma vez, a cada 6 meses, para o controle da cura, por um período total de 1 (um)

ano. (LUNA, 1993)

31

2.3.7 Oncocerose

A Oncocercose, conhecida também como Cegueira dos rios, doença de Robles,

volvulose, erisipela da costa, mal morado, é uma doença parasitária humana crônica. Pode atingir

ombros, membros inferiores, pelves e cabeça. Em infecções muito intensas, pode-se encontrar

microfilárias na urina, lágrima, escarro e sangue, podendo causar cegueira. A doença ocorre na

África, Mediterrâneo, América Central e América do Sul. No Brasil, a maioria dos casos advém

dos estados de Roraima e Amazonas, com ocorrência nas reservas das populações Yanomami e

Makiritari. A prevalência da Oncocercose é influenciada pela proximidade dos rios e afluentes,

locais de desenvolvimento larvar do vetor. Adultos, principalmente do sexo masculino, são

afetados nas zonas endêmicas (BRASIL, MINISTÉRIO DA SAÚDE, 2010).

Esta enfermidade (oncocercose ou oncocerciase) se adquiere através da inoculacão das

larvas da Onchocerca volvulus pela picada da mosca negra o Simulium, e em especial pela

Simulium damnosus, «mosca dos búfalos». O simulídeo é conhecido popularmente como

“borrachudo”, “pium”, que proliferam em córregos e rios de correnteza rápida. É caracterizada

pelo aparecimento de nódulos subcutâneos fibrosos sobre superfícies ósseas, em várias regiões, a

exemplo de ombros, membros inferiores, pelves e cabeça. Esses nódulos são indolores e móveis

e neles são encontrados os vermes adultos que eliminam as microfilárias, as quais, ao se

desintegrarem na pele, causam manifestações cutâneas agudas, como o prurido intenso, ou

crônicas, caracterizadas por xerodermia, liquenificação ou pseudoictiose, despigmentação nas

regiões pré-tibial e inguinal, atrofia, estase linfática (lesões típicas de dermatite crônica). Um dos

mais graves comprometimentos do verme ocorre nos olhos causando a cegueira, como ilustra a

figura ao lado (BRASIL, MINISTÉRIO DA SAÚDE, 2010).

Os nódulos de parasitas adultos são identificados por técnicas de imagiologia (tomografia

computadorizada ou ecografia) ou por análise microscópica de amostra de biópsia. As

microfilárias são detectadas em biópsias da pele, assim como frequentemente vistas diretamente

pela observação do fundo do olho com um oftalmoscópio. Existe ainda uma técnica de detecção

do DNA do parasita por PCR (BRASIL, MINISTÉRIO DA SAÚDE, 2010).

O tratamento é feito com ivermectina contra as microfilárias, porém é pouco eficaz

contra o verme adulto. Utiliza-se remoção cirúrgica dos nódulos dos adultos. As microfilárias

eram antigamente tratadas com antiparasíticos, que ainda são usados na prevenção em zonas

32

endêmicas. Contudo a descoberta de que as microfilárias são dependentes de bactérias rickettsias

endossimbiontes existentes dentro dos seus corpos, levou ao desenvolvimento da terapia com o

antibiótico doxiciclina, que é hoje preferível pelos seus menores efeitos secundários (BRASIL,

MINISTÉRIO DA SAÚDE, 2010).

33

Capítulo 3

Trabalhos Relacionados

Prover um sistema visual a deficientes visuais é um grande passo para aplicações em

visão computacional, onde a ideia consiste em os deficientes visuais identificarem seus remédios

sem a intervenção humana no ambiente em que se encontram. Porém, o processamento de

imagens em tempo real ainda hoje é um dos grandes desafios em visão computacional. Os dados

visuais adquiridos através de câmeras instaladas em vários dispositivos são requisitados em

tempo real. O problema torna-se crítico quando se extrair diversas informações das caixas de

medicamentos podendo haver na hora a troca dos remédios.

3.1 Visão em tempo real usando fóvea móvel com multi-resolução

Os robôs esforçam-se e levam um tempo relativamente longo para detectar imagens em

um espaço físico. Existem vários algoritmos que visam melhorar as estimativas do robô na hora

de detectar as imagens. De acordo com Hespanha et al.(1998), e Murray e Little (2000) afirmam

que existem outras formas de usar a visão nos robôs, sendo elas através das características:

textura, bordas, movimento, wavelets.

Esse procedimento melhora a detecção de imagens, através das câmeras do robô, em

tempo real, com o mínimo esforço físico, utilizando multi-resolução e as características citadas

Rafael Gomes et al (2008), utiliza o modelo da fóvea móvel para o desenvolvimento de sistemas

de visão ativa, na implementação de processos visuais em tempo real Segundo Marr e Batista

(1993) e Batista et al. (2000). Para realizar este trabalho utilizamos o este modelo fóvea móvel

para melhorar a velocidade quando processa as imagens das caixas dos medicamentos.

Na Figura 3, temos uma mão segurando uma bola na frente da câmera; o usuário sinaliza

a posição inicial da fóvea (na bola); o sistema proposto deve acompanhá-lo utilizando a fóvea

sem esforço físico do robô, apenas mudando a posição da fóvea na imagem dentro do campo de

visão. Usando a abordagem fóvea móvel é possível desengatar a partir da posição atual e engajá-

la em outra posição, a partir de um quadro para outro, em tempo real. A principal vantagem

34

desse trabalho é que o robô não precisa deslocar-se para a detecção de imagens, só a câmera

acompanha a imagem em tempo real, porém uma das desvantagens é à distância da câmera para

a detecção das imagens as quais não têm um alcance muito longo.

Figura 3.1: Rastreamento de uma bola usando uma fóvea em movimento Fonte [Gomes 2008]

3.2 Bengala Eletrônica para a navegação de cegos

Existem muitas pessoas no mundo com deficiência visual que se movimentam em

ambientes internos e externos, e que precisam detectar obstáculos em vários cenários diferentes.

A maioria das pessoas com essa deficiência usam um cão-guia ou uma bengala, porém ainda

existem certas limitações para chegar a determinados lugares. Há alguns trabalhos científicos

feitos visando melhorar a condição de locomoção dos deficientes visuais como o uso de RFID

(rádio frequência), em ambientes interiores (CHUMKAMON et al., 2008), e nos ambientes

exteriores, utilizando GPS (WILLIS e HELAL, 2005). Sensores implantados nos ambientes

internos e externos e sensores de RFID são implantados nas bengalas, conectados com algum

dispositivo como PDA, através de uma antena instalada na bengala, e comunica-se com as tags

instaladas no ambiente através de Bluetooth.

35

No sistema o SmartVision utiliza visão estéreo, tags e RFID para minimização dos erros

nas coordenadas enviadas pelo GPS para o deficiente chegar ao seu destino; os sinais são

enviados através dos pontos de acesso; essas informações enviadas aos deficientes estão

armazenadas no servidor chamado GIS que funciona gerenciando e atualizando as informações,

como é mostrado na figura 3.2. Essas tecnologias são utilizadas com dois objetivos, o primeiro

diz respeito à localização dos usuários cegos, e o segundo refere-se à orientação, fornecendo

informações sobre o meio ambiente (FARIA et al., 2010).

Figura 3.2: (a) Diagrama do projeto SmartVision. (b) projeto SmartVision com as etiquetas RFID no chão.

Fonte:[Faria et al. 2010].

A bengala apresentou algumas dificuldades para detectar e transmitir as coordenadas ao

deficiente, e o tempo de resposta foi bastante lento e desordenado para enviar as coordenadas

para a bengala do paciente por causa dos barulhos, buracos, movimentação de várias pessoas, na

cidade.

O trabalho da bengala eletrônica auxilia um deficiente visual a se localizar, onde utiliza a

RFID para guiar um deficiente visual pelas ruas de uma cidade e já no nosso utilizamos

uma câmera para identificar medicamentos usados pelos deficientes visuais.

36

3.3 Voz ativada para calcular a dosagem de insulina para diabetes em

deficientes visuais.

O número de pessoas portadoras de diabetes, tipos 1 e 2, está crescendo mundialmente,

por isso um dos objetivos deste trabalho foi abordar as deficiências de calculadoras. bolus para

os usuários diabéticos que têm deficiência visual. A deficiência visual é uma complicação para

diabéticos, atrapalhando usuário ao utilizar as ferramentas disponíveis para controlar sua doença.

Estima-se que 23,6 milhões de pessoas, somente nos Estados Unidos, têm diabetes,

(DIABETES, 2011); destes, aproximadamente 40 a 45% sofrem de alguma forma de retinopatia

diabética. A retinopatia diabética varia em gravidade, de visão turva à cegueira (DISEASE,

2012).

Esta diminuição da visão limita a capacidade do usuário para utilizar telas pequenas.

Durante as refeições da manhã e à noite, uma dose basal de insulina é administrada nos pacientes

com diabetes para coincidir com a taxa metabólica basal. Além disso, o usuário deve calcular

este bolus com base na quantidade de carboidratos a serem consumidos e o desvio do nível de

glicose no sangue. Para realizar esse cálculo, o usuário utiliza a calculadora bolus, que foi

desenvolvida para auxiliar no cálculo na hora das suas medicações.

No entanto, modelos testados para os diabéticos, com uso da calculadora, têm botões

pequenos para operá-los, criando uma barreira ao ser usado pelos diabéticos que são deficientes

visuais.

Este trabalho propõe um pequeno dispositivo portátil que irá automatizar a calculadora

bolus, através de uma interface de voz. A figura 3.3 mostra um diagrama de nível, através de um

bloco de sistema. Pressionando um único botão grande do dispositivo, o usuário começa a

introduzir a sua refeição, falando em um microfone wireless e um micro telefone utilizados perto

da boca, enquanto os cálculos que a calculadora realiza são exibidos na tela de um monitor; o

açúcar no sangue é visualizado e realiza as leituras da glicemia, com isso, os resultados serão

corrigidos pela calculadora bolus. O dispositivo utilizado tem um grande display LCD com

botões adicionais. O paciente fala o nome de um alimento, através da interface de voz que já está

gravado na tabela de alimentos, e o dispositivo recebe a informação da dosagem para calcular a

quantidade de carboidratos e fibras, que tem no alimento. Estas variáveis são passadas para o

módulo de cálculo, juntamente com uma medição de açúcar no sangue, onde a calculadora bolus

calcula e exibe para o usuário (RADFAR et al., 2011).

37

Figura 3.3: Diagrama de nível do bloco do sistema. Fonte: Radfar et al. (2011).

O sistema só funciona com um número limitado de palavras, porém seu vocabulário pode

ser estendido. O sistema de reconhecimento foi proposto pela primeira vez por.

O algoritmo consistiu em duas fases: na primeira fase foram utilizados quatro alto-

falantes e convidadas quatro pessoas para proferir o conteúdo das palavras relacionadas, que são

gravadas com um microfone de alta qualidade. As palavras selecionadas compreendem os

quarenta alimentos compostos na tabela, utilizados pelos pacientes. Na segunda fase, conhecida

como a fase de teste, utilizou-se alto-falantes, fazendo uma comparação com os modelos de

referência conhecida como tempo dinâmico. No teste final, escolheu-se o modelo de referência, e

falou-se palavras sem estarem gravadas em uma tabela de alimentos (RABINER e JUANG,

1994).

Esta experiência gerou bons resultados nas duas fases, utilizando a interface de voz para

deficientes visuais e utilizando a calculadora bolus. Assim houve um controle maior da glicose

no sangue dos diabéticos.

Com base neste trabalho implementamos as identificações dos medicamentos através do

áudio.

38

3.4 Detecção de Objetos Rápidos através de um robô em um ambiente

desordenado.

Muitas pessoas têm dificuldade de localizar objetos em um ambiente interno

desordenado. Isto é comum em um escritório ou laboratório, onde os objetos são muitas vezes

perdidos, porque eles foram mudados de lugar.

Este trabalho trata do desenvolvimento de um robô móvel (ver figura 3.4) para localizar,

automaticamente, objetos, em um vasto ambiente interior, no qual pessoas residem ou trabalham.

De forma automática, o robô atualiza os dados do ambiente em cena 3D; quando o sistema envia

um pedido para procurar um objeto específico, o robô executa uma pesquisa global dos dados

nas cenas em 3D e seleciona várias regiões em que aparecem mais objetos semelhantes ao objeto

a ser encontrado. O robô então prossegue para cada uma destas áreas, em ordem decrescente de

similaridade, para localizar o objeto.

Figura 3.4: Sistema de robô móvel equipado com uma câmera Flea2, um SR-4000 TOF sensor, e um sensor de

UTM-30LX LRF. Fonte: Kanezaki et al. (2011).

39

O foco dessa experiência é a detecção de objetos, usando os dados de cenas em 3D de um

meio ambiente. Existem várias abordagens para a detecção de objetos em um ambiente 3D; uma

delas envolve a detecção de pontos-chave através do SURF (BAY et al., 2006) ou em imagens

2D do meio ambiente, comparando-os aos pontos-chave nas imagens do objeto (LOWE, 2004).

Em seguida, verificar a validade 3D geométrico dos keypoints selecionados; a abordagem é para

coincidir com o ponto 3D no ambiente e os dos alvos dos objeto do modelo 3D, e então,

considerar a similaridade da cor e texturas nestes pontos.

Um diagrama do sistema de busca é mostrado na figura 3.5. O robô rotineiramente rasteja

em torno de um ambiente interno, fazendo a atualização regular dos dados das cenas em 3D do

meio ambiente.

Quando o sistema recebe um pedido para localizar um objeto, ele executa uma pesquisa

global dos dados da cena em 3D. Neste processo, o sistema realiza uma pesquisa para calcular

todas as semelhanças entre as regiões e locais do objeto a ser localizado, e, em seguida, gera uma

lista de regiões com similaridades superiores num certo limite. Com a movimentação da área em

ordem decrescente de similaridade, o robô procura na área os dados atualizando, as cenas em 3D,

e repetitivamente executa detecção de objetos. Se o objeto de destino não é descoberto, o robô se

move para a próxima área na lista. Se o alvo do objeto não pode ser encontrado em qualquer uma

das zonas na lista, o robô reinicia sua rotina e busca-o em todo o ambiente novamente

(KANEZAKI et al., 2011).

O sistema de detecção de objetos é mostrado na figura 3.6. Dados de cor do voxel de um

ambiente são divididos em pequenas regiões cúbicas de uma grade e, em seguida, apresentam

vetores que são calculados por sub-região. Quando o alvo do objeto é dado, o sistema encontra o

comprimento máximo (mm) dos lados do objeto, delimitando a faixa.

40

Figura 3.5: Diagrama do Sistema Fonte: Kanezaki et al. (2011)

41

Figura 3.6: Visão geral de detecção de objetos, que consiste em extração de características, caixa deslizante, e

cálculo da similaridade. Fonte: Kanezaki et al. (2011).

O local utilizado para testar o robô foi o laboratório em que eles trabalhavam (Figura 3.7

(a), que tem 7,950 (comprimento) x 11,800 (largura) x 2700 (altura) mm. Como uma etapa de

pré-processamento, criaram um mapa; 2D (Fig. 3.7 (b); os pesquisadores moviam o robô,

manualmente, em torno do quarto; as cenas iniciais 3D foram os dados utilizados para a

aprendizagem de projeção. Para coleta dos dados das cenas em 3D para o teste, o robô foi

movido ao redor da sala, automaticamente, ao longo de uma rota circular dada ao robô.

Neste experimento, foram coletadas 18 amostras diferentes das cenas de toda a sala dos

objetos-alvo (figura. 3.8) em diferentes orientações e em diferentes locais. Exemplos das

imagens captadas são mostrados na figura 3.9. O robô aprendeu os alvos dos objetos durante um

pré-processamento das imagens exibidas uma por uma para ele.

42

Figura 3.7: Ambiente de destino: (A) layout da sala, e (B) do mapa em 2D criado por SLAM Fonte: Kanezaki et al.

(2011).

Figura 3.8: Exemplos de imagens capturadas durante o rastreamento automático. Fonte: Kanezaki et al. (2011).

43

Figura 3.9: Imagens de 59 objetos-alvo, dispostos em ordem aproximada de tamanho cada vez maior de cima da

esquerda para a direita. Fonte: Kanezaki et al.(2011).

Nesta situação ou contexto foi desenvolvido um sistema robótico móvel, que realiza o

rastreamento automático em um ambiente interior, e reconstrói os dados das cores em 3D do

ambiente para a detecção de objetos, através de uma pesquisa local e global. Com isso, o sistema

robótico ajuda a encontrar objetos dentro de um ambiente, pelo reconhecimento 3D.

Em relação a este trabalho, conseguimos relacionar a identificação dos remédios através

dos pontos das imagens presente na caixa do medicamento utilizando o algoritmo SURF.

3.5 Reconhecimento de imagens usando técnicas visuais e classificando

características visuais

O número de pessoas que possui máquinas fotográficas e aparelhos celulares com

câmeras vem aumentando a cada dia. Partindo dessa ideia, este trabalho foi desenvolvido através

da utilização de algoritmos para avaliar e analisar as características de imagens.

Foram avaliadas características de fotos global e local. Como era esperado, as

características locais tiveram desempenho melhor dado a sua capacidade de ser menos afetada.

Entre as características locais, os algoritmos de SIFT (LOWE, 2004) e SURF (BAY et

al., 2006) superaram o ColorSIFT (BURGHOUTS e GEUSEBROEK, 2009).

44

Os smartphones equipados com câmeras têm a capacidade de procurar informações na

web, simplesmente apontando a câmera do aparelho para imagens como: um monumento, um

restaurante, uma pintura. Considerar a este respeito o serviço experimental "Google Goggles”

lançado em 2010 pelo Google, que permite que você obtenha informações sobre uma imagem,

através de seu smartphone.

Com os algoritmos utilizados neste trabalho (SIFT, Color SIFT e SURF) pudemos

observar analisar e em seguida escolherual usar na nossa pesquisa. Optamos por utilizar o SURF,

pois foi o mais rápido na hora da detecção dos medicamentos.

O conjunto de dados construídos, ou seja, as características extraídas das fotos utilizadas

e seus rótulos estão disponíveis para o público, na internet (AMATO et al., 2010).

A lista de rótulos atribuídos para as fotos e o número de fotos pertencentes a cada classe

pode ser verificada na figura 3.10.

Figura 3.10: Fotos pertencentes a cada classe Fonte: Amato et al. (2010).

45

3.6 Google Goggles

O Google lançou uma nova ferramenta de busca visual que é o goggles, criada para

smartphones com Android. O Goggles tem a capacidade de reconhecer recentes anúncios,

impressos em grandes revistas e jornais americanos, e retornar uma página de buscas sobre o

produto ou marca. O usuário aponta a câmera do aparelho para uma placa, um papel, um livro,

enfim, aperta um botão, aguarda o programa capturar a informação escrita, escolhe um idioma e,

em instantes, terá a tradução. Na figura 3.11 abaixo temos um exemplo do google goggles

identificando a caixa do carregador de Ipod.

Esta ferramenta do google nos auxiliou a criar, utilizar e melhorar um algoritmo no

momento da identificação das caixas de medicamento.

46

Figura 3.11: Google Goggles caixa do carregador Ipod

47

Capítulo 4

Identificação Visual dos Medicamentos através das Features

Como já foi citado anteriormente, esse trabalho é uma contribuição para pessoas com

deficiência visual, como glaucoma, alta miopia, ou outras retinopatias, ao ajudar a identificar os

nomes dos medicamentos pelas imagens e pelo áudio, como também associar o momento correto

de fazer uso das determinadas medicações. Para realizar este trabalho, foram utilizados

algoritmos para a identificação das caixas de medicação, através das Features, ajudando os

deficientes visuais a identificarem seus medicamentos, usando a câmera instalada num

dispositivo (Computador, celular, tv) e também a tomarem seus medicamentos certos, escutando

através do áudio a posologia, a indicação e contraindicação da medicação a ser utilizada.

O diagrama (figura 4.1) abaixo mostra o funcionamento do sistema. Primeiramente, se

executa o programa deixando a câmera pronta, depois o paciente identifica onde está a câmera e

aponta a caixa de remédio para a mesma, até ser identificada; em seguida, inicia-se o

funcionamento do áudio com a posologia, indicações e contraindicações do remédio; se não for o

medicamento correto, o paciente troca a caixa da medicação, e aponta novamente para câmera

até achar o remédio certo.

Figura 4.1: Diagrama do sistema

48

4.1 Reconhecimento das caixas utilizando recursos

Cada caixa de remédio é detectada através de suas características visuais. Recentemente,

entre os recursos mais utilizados são: SIFT (LOWE, 2004) e SURF (BAY et al., 2006).

São recursos destinados a ser invariantes de escala e rotação. Nesta condição, ambas as

propriedades permitem que o sistema detecte o medicamento.

Ao calcular uma homografia entre duas imagens usando o casamento de pontos entre o

modelo do objeto e a imagem capturada, e o modelo para o sistema da coordenada da imagem

através da decomposição em valores singulares (SVD), obtêm-se a matriz de homografia, e as

características dos seus pontos são extraídos e combinados. No entanto, todas as características

devem ser coplanares.

Normalmente, cada caixa de medicamento é reconhecida pelo seu lado frontal, que é

plano. A parte traseira pode também ser usada, mas pode não ser tão eficaz quanto ao número de

acertos como o lado da frente da caixa. No entanto, pode-se optar por registrar ambos os lados, a

fim de que o utilizador possa apresentar a caixa à câmera, usando os dois lados.

4.1.1 Detecção das imagens pelo Algoritmo SURF

O processamento da detecção é uma questão importante, porque o sistema deve fornecer

um feedback ao usuário sobre a detecção do objeto em tempo real, caso contrário, o utilizador

teria que estar com a caixa de medicamento por um longo período de tempo até que o sistema

resolvesse detectá-lo. Dentre tantas características sugeridas pela literatura, optamos por utilizar

as do SURF porque, atualmente, é uma das mais rápidas em termos de cálculo (BAY et al.,

2006). Geralmente, as características são extraídas toda a imagem, o que requer muito tempo de

processamento. Por exemplo, no processamento para extrair 780 características, o SURF leva

cerca de 150 ms utilizando um Intel Core i5 de 2,3 GHz.

A característica SURF baseia-se em um detector Hessian. Para acelerar as respostas dos

filtros, o SURF usa imagens integrais (BAY et al., 2006). Com esta abordagem, é possível

integrar qualquer região da imagem, usando apenas 3 e 4 operações elementares de acesso de

49

dados. A escala de espaço é dividida em oitavas. Para cada oitava, a taxa de amostragem é

reduzida em 2. Na primeira oitava, os filtros têm uma dimensão de 9 x 9.

Os seguintes filtros têm uma incrementação de 6 pixels. Esta incrementação é dobrada

após cada oitava. Se a resposta a estes filtros é maior do que um limite, então o ponto centrado é

extraído como um recurso. Para cada recurso, um descritor é extraído. Este descritor é utilizado

para coincidir com características diferentes (ver Figura 4.2); a orientação da característica é

obtida pelo cálculo da resposta dentro de um círculo de raio 6s,que é a escala de recurso .

Figura 4.2: Detecção das features pelo algoritmo SURF

50

4.1.2 Aplicando a Fóvea

A fim de reduzir este tempo de processamento usamos uma fóvea, o modelo guiado por

mecanismos visuais de atenção. Este modelo fóvea é formado por um conjunto consecutivo de

pequenas imagens do mesmo tamanho. O primeiro nível contém a imagem inteira, o segundo

nível contém uma menor, e assim por diante. O último nível é um redimensionamento de uma

região do mesmo tamanho. Este nível está centrado numa posição chamada fóvea. Em outras

palavras, a vizinhança da fóvea tem uma maior resolução e zona periférica (representada pelos

primeiros níveis) (GOMES et al., 2008).

Neste trabalho, a quantidade de características extraídas é inversamente proporcional à

distância para fóvea.

4.1.3 Reprodução do Áudio

A caixa do medicamento, estando numa posição plana, é detectada com sucesso, usando

os recursos correspondentes entre duas imagens, porém podem ocorrer detecções falsas. Esses

falsos positivos podem levar a erros inaceitáveis, uma vez que o sistema não deve, sob nenhuma

circunstância, indicar o remédio errado.

Desta forma, um histograma é computado contando quantas vezes cada medicamento das

caixas utilizadas foi detectado. Se uma caixa de remédio é visualmente detectada, então o áudio é

reproduzido.

É necessário um tempo maior suportando a caixa em frente a câmera. Um tempo

relativamente longo para acionar o funcionamento do áudio pode irritar o usuário, contudo o

algoritmo pode exigir esse tempo. A imagem da caixa ao ser captada de maneira mais rápida

aumenta a taxa de detecção de falsos positivos.

Outro ponto importante sobre a detecção de caixa de etiquetas, usando características, é

que várias caixas de medicamentos no Brasil têm imagens semelhante nas etiquetas das caixas,

como avisos sobre a medicação e um rótulo genérico. Estas características que vêm nas caixas

têm a facilidade de uma detecção falsa. Desta maneira, os rótulos que vem em cada caixa foram

removidos, utilizando a ferramenta de software de imagem (ver Figura 4.3 e Figura 4.4). Caixas

51

de remédios também podem ser muito semelhantes entre si em algumas características, que

podem induzir a erro do sistema.

Figura 4.3: Imagens Originais

Figura 4.4: Imagens com as remoções

52

4.2 Interação Humano X Computador

Antes do início da aplicação do sistema, cada medicamento é registrado com uma

imagem e um arquivo de som. A ideia é que, quando uma caixa de medicamento é colocada em

frente da câmera, o sistema relata as características da caixa que utilizam a combinação com o

áudio. Há duas possibilidades quando um medicamento da caixa é detectado: o sistema está

bloqueado e o respectivo arquivo de áudio é reproduzido até que chega ao fim, ou até colocar

outra caixa para ser detectada. Outra possibilidade é usar o nome da medicação automaticamente

para a detecção, podendo utilizar arquivos que estão na web, de modo que o registro da caixa de

medicamento não seria necessário.

Mas, estas abordagens são sujeitas a erros e foram evitadas. Além de fala, utilizamos um

sintetizador para ler a medicação, mas depois de algum ensaios, decidimos pedir a um locutor de

rádio para gravar partes da medicação como: a posologia indicações e contraindicações da

medicação a ser ingerida pelos pacientes.

Os usuários podem usar o sistema, mas devem localizar a câmera, para poder apontar a

caixa da medicação para a mesma e assim, ocorrer à detecção do medicamento.

53

Capítulo 5

Experimentos e Resultados

5.1 Experimentos e Resultados

Para realizar estes testes, usamos algumas ferramentas como biblioteca OpenCV (Open

Source Computer Vision Biblioteca). Os módulos têm imagem OpenCV Processamento e Vídeo

I / O, estruturas de dados, álgebra linear,GUI(Graphical User Interface), Basic janela, sistema

independente, controlar o mouse e teclado, além de mais de 350 algoritmos, visão por

computador, tais como filtros de imagem, calibração da câmera, objeto de reconhecimento,

análise estrutural e outros.

As experiências foram divididas em duas partes. Na primeira parte (5.1.1), os usuários

estavam com os olhos abertos, e os resultados foram satisfatórios, na detecção dos objetos, ou

seja, o sistema detectou com sucesso os medicamentos. Na segunda parte (5.1.2) o mesmo

processo é feito com os usuários de olhos vendados.

5.1.1 Recurso na detecção dos objetos

As experiências foram realizadas com sete caixas de medicamentos, mostrados nas

figuras 4.3 e 4.4. Para detectar os medicamentos foi utilizado o algoritmo de extracção SURF. O

hardware utilizado foi um laptop Core i5 2.63GHz com 4GB-RAM e uma webcam com

resolução de imagem de 640 x 480. O tempo de processamento da detecção e do número de

características utilizadas nas experiências de cada medicamento pode ser visto na Tabela 5.1. A

taxa de sucesso de detecção de cada medicamento pode ser visto na Tabela 5.2. Note que o

número 4 da tabela 5.2 tem 90% de taxa de sucesso, enquanto as demais tiveram 100% de taxa

de sucesso. Isto significa que a caixa com 90% de sucesso na detecção tem menos recursos do

que as outras. Na verdade, o rótulo pequeno e o logotipo podem ser confundidos com outra caixa

de medicamento. A taxa de detecção é viável para ser usado em tempo real (30 fps em nosso

caso). É possível notar que a taxa de sucesso é proporcional ao número de características, e é

54

também proporcional ao tempo de processamento. A detecção de duas caixas pode ser visto na

Figura 5.1 e 5.2.

Figura 5.1: Detecção da caixa pelas features

55

Figura 5.2: Detecção da caixa pelas features

Caixa de Medicamentos Número de Features Processamento de Tempo(ms)

#1 345 40.02ms

#2 300 28.77ms

#3 434 33.47ms

#4 242 23.30ms

#5 135 14.50ms

#6 408 32.72ms

#7 325 24.35ms

Tabela 5.1: Tempo de processamento das características de extração de cada caixa da medicação

computado apenas uma vez.

56

Caixa da Medicação Taxa de Sucesso

#1

#2

#3

#4

#5

#6

#7

100%

100%

100%

90%

100%

100%

100%

Tabela 5.2: Taxa de sucesso na detecção das caixas

5.1.2 Comportamento com olhos vendados

O sistema proposto foi testado com 15 voluntários vendados. Embora estejam vendados,

eles não têm quaisquer informações visuais sobre o sistema. Já os deficientes visuais usando seus

outros sentidos mais aguçados são capazes de perceber o ambiente de forma diferente das

pessoas com os olhos vendados. Após as experiências de identificar os medicamentos, os

voluntários são convidados a preencher um formulário (ver Tabela IV), onde responderam sobre

o uso do sistema visual.

Os medicamentos escolhidos foram difíceis de identificar com recursos não-visuais,

alguns deles têm semelhança na textura, forma e cores (ver Tabela 5.3). As caixas dos sete

medicamentos foram espalhadas numa mesa e foi pedido ao paciente pega qualquer uma. Esta

metodologia foi implantada devido ao fato de que do paciente não conhecer as características do

medicamento. Em seguida, o utilizador apontará a caixa escolhida para a câmera.

57

Caixa da Medicação Dimensões

#1 (11:6 7:0 3:5)cm3

#2 (7:1 3:2 3:0)cm3

#3 (10:5 5:0 2:2)cm3

#4 (11:0 4:6 2:5)cm3

#5 (13:6 5:0 2:5)cm3

#6 (11:1 4:7 2:4)cm3

#7 (7:1 3:2 3:0)cm3

Tabela 5.3: Dimensões das Caixas

58

O sistema permitiu que você possa identificar

com sucesso uma caixa de remédio?

Sim ( ) Não ( )

Em uma escala de 1 a 5, quão útil você acha o

sistema na ajuda para deficientes visuais na

identificação de remédios?

( ) 1 Inútil ( ) 2 ( ) 3 Útil ( ) 4 ( ) 5 Muito útil

Em uma escala de 1 a 5, quão difícil foi utilizar

o sistema?

( ) 1 Muito fácil ( ) 2 Fácil ( ) 3 Razoável ( ) 4

Difícil ( ) 5 Muito difícil

Indique as dificuldades na utilização do

sistema:

( ) Demora para detectar a caixa

( ) Eu não consegui usar

( ) É difícil localizar a câmera e apontar o

remédio

( ) É desconfortável usar

( ) Tenho medo que o sistema detecte o

remédio errado

( ) Outra: ______________________

Sugestões?

Tabela 5.4: Aplicação do Formulário

Este experimento foi aplicado em 15 estudantes universitários. Todos eles verificaram

que o sistema detecta com êxito o medicamento das caixas. Sobre o quão útil o sistema é para o

deficiente visual, 80% disse que poderia ser muito útil (escala de 5), cerca de 13% disse que

poderia ser útil (escala de 4) e cerca de 6% (1 aluno) disse que é apenas um pouco útil (escala 2).

Quando perguntado sobre como é fácil usar o sistema, 40% disse que é razoável (escala 3), cerca

de 6% disse que é difícil (escala 4), cerca de 46% disse que é fácil e cerca de 6% disseram que é

muito fácil.

Sobre as dificuldades para usar o sistema, cerca de 86% disseram era difícil localizar a

câmera. Três alunos disseram que o sistema é lento para detectar uma caixa de remédios e 2

59

alunos disseram que tinham medo de que o sistema identificasse o medicamento errado. Nenhum

estudante disse que era incapaz de utilizar o sistema ou desconfortável para utilizar.

60

Capítulo 6

Conclusão e Trabalhos Futuros

Propomos um sistema de visão computacional que se destina a ajudar pessoas com

deficiência visual, detectando e fornecendo informações sobre medicamentos. O uso da detecção

das características das caixas dos medicamentos selecionadas tem sido um sucesso.

Porém, rótulos comuns podem dificultar a detecção do objeto. O pré-processamento das

imagens pode ser utilizado para remover estas peças manualmente ou automaticamente.

A utilização de uma fóvea modelo proposto por Rafael Gomes et al. (2008) reduziu o

processamento do tempo. Deste modo, estes parâmetros devem ter um ajustamento mais fino.

Claro, com os olhos vendados, as pessoas podem subestimar ou superestimar alguns aspectos

sobre a interação de sistema de visão e tarefas imunológicas. Para trabalhos futuros, pretendemos

testar um grupo selecionado de pessoas com deficiência visual.

Depois das experiências, 93% dos voluntários disseram que o sistema poderia ser útil ou

muito útil para eles. Observamos que, apesar da maioria das caixas da medicação conter o nome

da medicação em Braille, eles não têm posologia, indicações e contra indicações legíveis para

pessoas com deficiência visual. Desta forma, o nosso trabalho, também, além de identificar as

caixas, ajuda o usuário a lê-los.

A título de informação, esclarecemos que o artigo desse trabalho Visual Identification of

Medicine Boxes Using Features Matching foi aceito e apresentado no congresso internacional

Ieee International Conference on Vecims Virtual Enviroments Human- Computer Interfaces and

Measurement Systems, 2012, Tianjin (China).

Sugerimos ainda, realizar esta experiência com o maior número de deficientes visuais,

implantando um serviço de mensagens (SMS) no celular dos parentes deles, avisando que o

paciente utilizou este sistema para identificar a medicação a ser tomada, o que tranquilizaria mais

a família no sentindo de saber se o seu familiar está cumprindo a orientação do médico sobre

horário de cada remédio.

61

Referências Bibliográficas

ABRAG (Associação brasileira dos amigos, familiares e portadores de glaucoma). Tipos de

Glaucoma. Em: <http://www.abrag.org.br/index.php?tipos-de-glaucoma>. Acesso em 30 junho

2012.

AMATO, G.; FALCHI, F; BOLETTIERI, P. Recognizing landmarks using automated

classification techniques: Evaluation of various visual features. In: Advances in Multimedia

(MMEDIA) Second International Conferences. 2010. Atenas. p. 78 –83.

BATISTA, J.; PEIXOTO P; ARAÚJO H. Binocular tracking and accommodation controlled

by retinal motion flow. In: Pattern Recognition, 2000. Proceedings. 15° International

Conference on’, Vol. 1, p. 171–174.

BAY, H. et al. Surf: Speeded up robust features. In: ECCV. 2006. p. 404–417.

BOELTER, Maria Cristina. et al. Fatores de risco para retinopatia diabética. Arq Bras

Oftalmol. v.66, p. 239-47. 2003.

BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Departamento de Vigilância

Epidemiológica. Doenças infecciosas e parasitárias: guia de bolso. Ministério da Saúde,

Secretaria de Vigilância em Saúde, Departamento de Vigilância Epidemiológica. 8. ed. rev. –

Brasília : Ministério da Saúde, 2010.

BRITO, Patrícia Ribeiro; VEITZMAN, Sílvia. Causas de cegueira e baixa visão em ciranças.

Arq. Bras. Oftal. v.63. n.1.Fev. 2000.

BRADSKY, G. R. et al. Learning opencv, Computer Vision with the OpenCV Library. Springer.

2006

BURGHOUTS, G. J.; GEUSEBROEK, Jan-Mark. Performance evaluation of local colour

invariants, Comput. Vis. Image Underst. Vol.113. n.1. p. 48–62. 2009.

CHUMKAMON, S. et al. A blind navigation system using rfid for indoor environments, In:

Electrical Engineering/Electronics, Computer, Telecommunications and Information

Technology, 2008. ECTI-CON 2008. 5° International Conference. Vol. 2. p. 765 –768. Diabetes.

DISEASE, FACTS ABOUT DIABETIC EYE (2012). Facts about diabetic eye disease

nei health information. Em: www.diabetes.org/about- diabetes.jsp. Acesso em: 26 junho 2012

FARIA, J. Electronic white cane for blind people navigation assistance. In: World Automation

Congress (WAC). 2010. p. 1 –7.

FERRAZ, E. V. A. P. et al. Adaptação de questionário de avaliação da qualidade de vida para

aplicação em portadores de catarata. Arq Bras Oftalmol. v.65, p.293-8. 2002.

62

FREITAS, C. A. Prevalência do tracoma no Brasil.Rev. Bras. Malarial D.Trop., v.28.p. 227 –

380. 1976.

GASPARETTO, M. E. R. F. Perda visual em idosos.

Em: http://www.fcm.unicamp.br/auxiliosopticos/index.php/perda-visual-emidosos

33. Acesso em 26 Maio 2012.

GOMES, R. B. et al. Real time vision for robotics using a moving fovea approach with multi

resolution, In:IEEE International Conference on Robotics and Automation. pp. 2404–2409.

2008. Gonzales, Rafael C. & Richard E. Woods (1992), Digital Image Processing, Addison-

Wesley Publication Company.

HESPANHA, J.P et al. Decidability of robot positioning tasks using stereo vision systems, em

Decision and Control. 1998. Proceedings of the 37th IEEE Conference. v. 4. p. 3736 –3741

vol.4.

IBGE (2000). Ibge censo. Em:

http://www.ibge.gov.br/home/presidencia/noticias/25072002pidoso.sht. Acesso em 23 Maio

2012.

IBGE.Ibge censo.Em: http://www.ibge.gov.br/ Acesso em 23 Maio 2012.

KALACHE, A. et al. O envelhecimento da população mundial: Um desafio novo. Rev. Saude

publ. Sao Paulo. v. 2. n. 3. p.200-210. 1987.

KANEZAKI, A. et al. Fast object detection for robots in a cluttered indoor environment using

integral 3d feature table. In: Robotics and Automation (ICRA), 2011 IEEE International

Conference. p. 4026 –4033.

LEVINSKY, Jacó. Degeneração Macular relacionada à idade. 2001. Em: <

http://www.abcdasaude.com.br/artigo.php?98> Acesso em: 26 junho 2012.

LOTTEN EYES. O que é catarata. Em: < http://www.lotteneyes.com.br/patologias-catarata/>

Acesso em: 26 junho 2012.

LOWE, D. G. Distinctive image features from scale-invariant keypoints. Int.

J. Comput. Vision 60. p. 91–110. 2004.

LUNA, E. J. A. A epidemiologia do tracoma no Estado de São Paulo. 1993. Dissertação

(Mestrado em Saúde Coletiva)- Programa de Pós Graduação em Saúde coletiva. Faculdade de

Ciências Médica. Universidade Estadual de Campinas. Campinas, 1993.

MARGRAIN, T. H. Helping blind and partially sighted people to read: the effectiveness of low

vision aids. British Journal of Ophthalmology. n.84. v.8.p. 919–921. 2000.

MARR, D. Active Perception: Advances in Computer Vision Series. v. 1.

Lawrence Erlbaum Associates, New York, NY.1993

63

MURRAY, D.; LITTLE, J. Using real-time stereo vision for mobile robot navigation.

Autonomous Robots. 2000.

NERI, M.C.; SOARES, W.L. Idade incapacidade e o numero de pessoas com

Deficiência. R. bras. Est. Pop. Campinas. v. 21. n. 2. p. 303-321. 2004.

PELICIONI, M. C. F. e col.: Educação em saúde na prevenção, tratamento e controle do

tracoma: Rev. Bras. Saúde Esc. v. 2.2o sem. 1992.

RABINER, L.; JUANG B. J.Fundamental of speech recognition. Prentice Hall. 2ed. 1994.

RADFAR, M.H. et al. A voice activated device for insulin dosage calculations for visually

impaired diabetes, In: Electrical and Computer Engineering (CCECE), 2011. 24º Canadian

Conference. p. 904 –907.

RESNIKOFF, S. et al. Global data on visual impairment in the year. 2002. Bulletin of the World

Health Organization. v.82.p. 844 – 851.

SCOTT, I. U. et al. Quality of life of low-vision patients and the impact of low-vision services.

American Journal of Ophthalmology. n.128. v.1. p. 54 – 62.

SPERANDIO, C Mariana; SANTOS, E. Paulo. Interpretação de imagens de um

robô móvel usando logica probabilística. Centro universitário da Fei. 2011.

TRUCCO, E.; VERRI A. Introductory Techniques for 3-D Computer Vision, Prentice Hall PTR,

Upper Saddle River, NJ, USA. 1998.

VARELLA, Dráuzio. Glaucoma. Em: <http://drauziovarella.com.br/crianca-2/glaucoma/ >

Acesso em 30 junho 2012.

WILLIS, S.; HELAL, S. Rfid information grid for blind navigation and wayfinding,

In: Wearable Computers. 2005. Proceedings. Ninth IEEE International Symposium. p. 34 – 37.