tcc 2 Final - Sistemas de Informação

Transcrição

1
FACULDADE DE BALSAS
CURSO DE SISTEMAS DE INFORMAÇÃO
PROCESSAMENTO DE IMAGENS DIGITAIS E
RECONHECIMENTO FACIAL PARA CAPTURA DE FACES DE
ALUNOS EM SALA DE AULA
ALEX ROGALESKI MARQUES
BALSAS – MA
2013
2
FACULDADE DE BALSAS
CURSO DE SISTEMAS DE INFORMAÇÃO
PROCESSAMENTO DE IMAGENS DIGITAIS E
RECONHECIMENTO FACIAL PARA CAPTURA DE FACES DE
ALUNOS EM SALA DE AULA
Por
ALEX ROGALESKI MARQUES
Trabalho de Conclusão de Curso apresentado como
exigência parcial para obtenção do título de Bacharel em
Sistemas de Informação à Faculdade de Balsas, sob a
orientação do Professor Jefferson Fontinele da Silva.
BALSAS – MA
2013
3
AGRADECIMENTOS
Agradeço a todos os alunos que se disponibilizaram para serem fotografados e ter suas
imagens guardadas em um banco de imagens, que foi utilizado no desenvolvimento deste
projeto.
4
RESUMO
Com a evolução do processamento de imagens e reconhecimento de faces, eles puderam ser
aplicada em ser aplicados em diversas áreas, mas o reconhecimento de faces ainda tem
limitações e para que ele possa ser usando em algumas aplicações é necessário que sejam
feitos testes, como por exemplo o ambiente abordado neste trabalho, que é a sala de aula.
O objetivo deste projeto é utilizar técnicas de processamento de imagens digitais e
reconhecimento facial, para desenvolver um software de reconhecimento de faces, que possa
reconhecer o maior número possível de faces, tendo assim uma alta cobertura de
reconhecimento em sala de aula, podendo ser utilizado futuramente para o desenvolvimento
de um software para reconhecimento e verificação automática da presença dos alunos, já a
exigência mínima de 75% (setenta e cinco por cento) de frequência do total de horas letivas
para aprovação. Após ter sido desenvolvido passou por uma série de testes com várias
configurações a fim de gerar dados para análise de seu desempenho, dessa forma podendo
chegar a melhor configuração a ser usada.
Depois da análise desses dados em forma de gráficos foi possível então chegar a melhor
configuração a ser utilizada.
Palavras-chave: Processamento de imagens. Reconhecimento Facial. Desenvolvimento de
Software. Alta cobertura.
5
ABSTRACT
With the development of image processing and recognition of faces, they could be applied to
be applied in various areas, but the face recognition still has limitations and that he may be
using in some applications it is necessary that tests be conducted, such as example the
environment discussed in this work, which is the classroom.
The objective of this project is to utilize processing techniques of digital images and face
recognition to develop a face recognition software which can recognize the greatest possible
number of faces , thus having a high coverage of recognition in the classroom and can be used
future for the development of software for automatic recognition and verification of the
presence of students , since the minimum requirement of 75 % (seventy five percent)
frequency of total teaching hours for approval. Having been developed underwent a series of
tests with various configurations in order to generate data for analysis of performance, thus
reaching the best configuration to be used.
After analyzing the data in graph form was then possible to get the best configuration to be
used.
Key Words: Image Processing. Facial Recognition. Software Development. High coverage.
6
LISTA DE FIGURAS
Figura 1 - Etapas do problema de reconhecimento automático de faces. ..................... 15
Figura 2 - Erro de compilação eclipse .......................................................................... 26
Figura 3 - Código do arquivo CMake ........................................................................... 27
Figura 4 - Erro de compilção CMake ........................................................................... 27
Figura 5 - Foto tirada do ângulo central da sala de aula. .............................................. 28
Figura 6 - Fotos tiradas de 2 pontos da sala de aula. .................................................... 29
Figura 7 - Fotos tiradas de 3 pontos da sala de aula. .................................................... 29
Figura 8 - Captura da área central da sala de aula. ....................................................... 30
Figura 9 - Captura da área direita da sala de aula. ........................................................ 30
Figura 10 - Captura da área esquerda da sala de aula. .................................................. 31
Figura 11 – Imagem da sala de aula completa. ............................................................. 31
Figura 12 - Include das bibliotecas necessárias ............................................................ 32
Figura 13 - Declaração da variável para receber os XML de padrões .......................... 32
Figura 14 - Carregamento do XML de padrões ............................................................ 33
Figura 15 - Envio das Imagens para a Função de reconhecimento .............................. 33
Figura 16 - Função detectMultiScale ............................................................................ 34
Figura 21 - Faces reconhecidas ..................................................................................... 36
Figura 22 - Faces não reconhecidas .............................................................................. 36
Figura 24 - Gráfico dos dados do reconhecimento de faces ......................................... 38
Figura 27 - Gráfico do teste T-Pareado ........................................................................ 41
Figura 28 – Imagem da Sala 0206 ................................................................................ 42
Figura 29 – Imagem das salas 0205 e 0301 respectivamente ....................................... 42
Figura 30 - Gráfico da Cobertura por sala .................................................................... 43
Figura 31 – Gráfico da Precisão por sala ...................................................................... 43
Figura 32 – Gráfico da Medida-F por sala.................................................................... 44
Figura 33 - Imagem da sala 0101 ................................................................................. 45
7
LISTA DE TABELAS
Tabela 1 - Variação do minNeighbors .......................................................................... 35
Tabela 2 - Exemplo de tabela com os dados do reconhecimento ................................. 37
Tabela 3 - Exemplo de valores estatísticos ................................................................... 39
Tabela 4 - Relação de populações e teste T-Pareado .................................................... 40
8
LISTA DE APÊNDICES
Apêndice 1 - Código completo I ................................................................................... 50
Apêndice 2 - Código completo II ................................................................................. 51
Apêndice 3 - Código completo III ................................................................................ 52
Apêndice 4 - Análise de salas com ScaleFactor = 1.1, minNeighbors = 1. .................. 53
Apêndice 10 - Análise de salas com ScaleFactor = 1.5, minNeighbors = 1. ................ 59
Apêndice 11 - Análise das imagens com ScaleFactor = 1.1, minNeighbors = 1. ......... 61
Apêndice 12 - Gráfico da configuração ScaleFactor = 1.1, minNeighbors = 1............ 61
Apêndice 18- Gráfico da configuração ScaleFactor = 1.2, minNeighbors = 3............. 67
9
SUMÁRIO
1
2
INTRODUÇÃO .................................................................................................... 10
1.1
JUSTIFICATIVA ........................................................................................... 11
1.2
OBJETIVOS ................................................................................................... 11
REFERENCIAL TEÓRICO ............................................................................... 12
2.1
PROCESSAMENTO DE IMAGENS DIGITAIS .......................................... 12
2.2
RECONHECIMENTO DE FACES ................................................................ 14
2.3
PCA (ANÁLISE DE COMPONENTES PRINCIPAIS) ................................ 15
2.4
EIGENFACES ................................................................................................ 18
2.5
FISHERFACE ................................................................................................ 19
2.6
FERRAMENTAS ........................................................................................... 22
2.6.1 OPENCV ................................................................................................... 22
2.6.2 C / C ++ ..................................................................................................... 24
2.6.3 VISUAL STUDIO 2012 ............................................................................ 24
3
DESENVOLVIMENTO ...................................................................................... 26
3.1
INSTALAÇÃO DAS FERRAMENTAS........................................................ 26
3.2
CAPTURA DAS IMAGENS.......................................................................... 28
3.3
DESENVOLVIMENTO DO SOFTWARE .................................................... 32
3.4
ANÁLISE DOS RESULTADOS ................................................................... 35
3.4.1 CONTAGEM INICIAL DAS FACES ...................................................... 35
3.4.2 ANÁLISE DOS RESULTADOS FINAIS ................................................ 37
4
CONCLUSÃO ...................................................................................................... 46
5
REFERÊNCIAS ................................................................................................... 47
10
6
1
APÊNDICES ......................................................................................................... 50
INTRODUÇÃO
Os métodos de processamento digital de imagem são aplicados em duas áreas
principais: melhoria da imagem para interpretação humana e processamento de dados de
imagem para transmissão, armazenamento e representação para a interpretação por máquinas
(GONZALES; WOODS, 2007).
O objetivo do uso do processamento digital de imagens é fazer com que elas possam
ser usadas posteriormente para outros tipos de processamentos, como o reconhecimento
facial. A área de processamento digital de imagens tem atraído grande interesse nas últimas
duas décadas, resultando na evolução desta tecnologia, bem como o desenvolvimento de
novos algoritmos e técnicas.
Devido a evolução, a tecnologia de processamento de imagens ampliou seus domínios,
que incluem diversas áreas, como por exemplo: meteorologia por meio de imagens de
satélites, análise de recursos naturais, obtenção de imagens médicas por ultrassom, análise de
imagens biomédicas, técnicas de tomografia computadorizada, aplicações em automação
industrial envolvendo o uso de sensores visuais em robôs, Biometria, detecção de faces e
outros (MARQUES FILHO, 1999; VIEIRA NETO, 1999).
Existem vários algoritmos de reconhecimento facial, no entanto, esses algoritmos
sofrem várias limitações, como a aplicabilidade, a eficiência, a resistência à resolução, e a
capacidade de discriminação das características. Várias novas técnicas de reconhecimento
facial têm sido propostas, Algumas delas incluem o reconhecimento por varreduras
tridimensionais (3D), reconhecimento de alta resolução de imagens fixas, reconhecimento de
várias imagens fixas, multe - reconhecimento facial, algoritmos de pré-processamento para
corrigir a iluminação e variações da imagem (MANCHULA, 2013; ARUMUGAM, 2013).
Os sistemas de reconhecimento de facial 2D atuais alcançam um bom desempenho em
ambientes restritos, porém eles enfrentam dificuldades durante o manuseio de grandes
quantidades de variações faciais, tais como poses da cabeça, condições de iluminação e
expressões faciais (MANCHULA, 2013; ARUMUGAM, 2013).
Assim, diante das dificuldades citadas acima, em relação ao processo de
reconhecimento facial, torna-se necessária a pesquisa e utilização de algoritmos de
11
processamento de imagens digitais, para que o algoritmo de reconhecimento facial escolhido
tenha um melhor desempenho e consiga a melhor cobertura de reconhecimento de faces
possível em sala de aula.
1.1 JUSTIFICATIVA
Devido a evolução, a tecnologia de processamento de imagens ampliou seus domínios,
segundo MACHULA (2013) Os sistemas de reconhecimento de facial 2D atuais alcançam um
bom desempenho em ambientes restritos, porém eles enfrentam dificuldades durante o
manuseio de grandes quantidades de variações faciais. E para que os algoritmos de
reconhecimentos sejam utilizados em ambientes com essa variação é necessário que sejam
adequados a situação que serão utilizados a partir de testes nos ambientes.
Neste trabalho foi escolhido o ambiente de reconhecimento sendo as salas de aula já
que segundo a LEI DE DIRETRIZES E BASES DA EDUCAÇÃO NACIONAL e segundo os
termos da Portaria/MEC n° 1.792, de 6 de novembro de 2006, a exigência mínima de 75%
(setenta e cinco por cento) de frequência do total de horas letivas para aprovação, caso
contrário, ele pode ser reprovado, esse projeto pode complementar a verificação de presenças
atual, fazendo o reconhecimento de alta cobertura dentro da sala de aula, e armazenando todas
as faces reconhecidas, para uma futura verificação sobre a presença de algum dos alunos se
necessário, e possibilitando um futuro banco de dados com imagens dos alunos da instituição
ou até mesmo em um projeto futuro criar um software para registrar as presenças
automaticamente.
1.2 OBJETIVOS
Objetivo geral: Desenvolver uma aplicação capaz de identificar faces com uma alta
cobertura, ou seja identificando uma quantidade considerável de faces em uma imagem digital
de uma sala de aula.
Objetivos específicos:

Utilizar os métodos de reconhecimento de faces pesquisados para o proposito
deste trabalho.
12

Identificar requisitos para um software de reconhecimento de faces em uma
sala de aula.
Teste no ambiente de sala de aula com os algoritmos de reconhecimento de faces pesquisados,
com fotos e vídeos.
2
REFERENCIAL TEÓRICO
2.1 PROCESSAMENTO DE IMAGENS DIGITAIS
O grande impulso para a área de processamento de imagens digitas surgiu na década
de 60, com o surgimento dos grandes computadores e o início do programa espacial norteamericano, que recebeu imagens da lua vindas de uma sonda espacial, essas imagens era
processadas por computador para corrigir oscilações e distorções nas imagens (MARQUES
FILHO, 1999; VIEIRA NETO, 1999).
O interesse em métodos de processamento de imagens digitais decorre principalmente
em duas áreas: melhoria da informação pictórica para o ser humano interpretação e
processamento de dados de imagem para o armazenamento, transmissão e representação para
a percepção de máquina (GONZALES, 2007).
Uma imagem pode ser definida como uma série de funções bidimensionais, f (x, y),
onde x e y são as coordenadas espaciais (plano), e a amplitude de f em qualquer par de
coordenadas (x, y) representa a intensidade ou nível de cinzento da imagem nesse ponto.
Quando x, y, e os valores de intensidade de f são todos finitos, com quantidades discretas,
chamamos a imagem de uma imagem digital. O campo da imagem digital processamento
refere-se ao processamento de imagens digitais por meio de um computador digital
(GONZALES, 2007).
Note que uma imagem digital é constituída por um número finito de elementos. Cada
um tem um determinado local e valor. Esses elementos são chamados de elementos da
imagem, pels e pixels. Pixel, é o termo mais amplamente utilizados para denotar os elementos
de uma imagem digital (GONZALES, 2007).
13
A visão é o mais avançado dos nossos sentidos, por isso não é surpreendente que
imagem desempenhe o papel mais importante na percepção humana. No entanto, ao contrário
dos seres humanos, que estão limitados à banda visual eletromagnética (EM) espectro,
máquinas de imagem podem cobrir praticamente todo o espectro EM, que vão desde ondas
gamma até ondas rádio. Eles podem operar em imagens geradas por fontes geradoras onde os
seres humanos não são acostumados a associar-se com as imagens. Assim, o processamento
de imagens digitais abrange um vasto campo de aplicações e variadas (GONZALES, 2007).
Não há um consenso geral entre os autores a respeito de onde o processamento de
imagens para, e outras áreas afins, tais como análise de imagens e visão computacional,
começam. Às vezes, uma distinção é feita através da definição de processamento de imagem
como uma disciplina em que a entrada e a saída de um processo são imagens. Por exemplo,
sob esta definição, mesmo a tarefa trivial de cálculo da intensidade da média de uma imagem
(que produz um único número) não seria considerada uma operação de processamento de
imagem. Por outro lado, existem campos tais como visão computacional cujo objetivo final é
usar computadores para simular a visão humana, incluindo aprender e ser capaz de fazer
inferências e tirar base de ações em entradas visuais. Esta área é um ramo da inteligência
artificial (AI) cujo objetivo é imitar a inteligência humana. O campo de AI está em suas
primeiras fases da infância em termos de desenvolvimento, devido as seu progresso ter sido
muito mais lento do que o inicialmente previsto. A área de análise de imagem (também
chamada compreensão da imagem) está entre processamento de imagem e visão
computacional (GONZALES, 2007).
Baseado nas observações anteriores, vemos que um lugar lógico de sobreposição entre
o processamento de imagem e análise de imagem, é a área de reconhecimento de regiões
individuais de objetos, em uma imagem. Assim, o que chamamos de processamento de
imagens digitais em processos cuja entrada e saída são a imagem e, além disso, que
compreende extrair atributos das imagens, incluindo o reconhecimento de objetos individuais.
Como exemplo para esclarecer estes conceitos, considere a área de análise automática de
texto. Os processos de aquisição de uma área da imagem que contém o texto, que o préprocessamento de imagem, extraindo (segmentação) os caracteres individuais, descrevendo os
caracteres em uma forma adequada para o processamento do computador, e reconhecendo os
caracteres individuais estão no escopo do que chamamos de processamento digital de
imagens. Fazendo sentido do conteúdo da página pode ser vista como estando em um domínio
14
de análise de imagem e de visão computacional, dependendo do nível de complexidade
implícita pela declaração "fazer sentido"(GONZALES, 2007).
2.2 RECONHECIMENTO DE FACES
Reconhecer, conhecer de novo, assim como os humanos reconhecem, algo ou alguém
a partir das memórias, de coisas, ou pessoas que já conheceu, para que a máquina consiga
reconhecer algo, é preciso um aprendizado sobre o que ela irá reconhecer, gerando uma base
de conhecimento.
Esta base de conhecimento pode ser implementada diretamente no código, através, por
exemplo, de um sistema baseado em regras, ou esta base de conhecimento pode ser aprendida
a partir de um conjunto de amostras dos objetos a serem reconhecidos utilizando técnicas de
aprendizado de máquina (MARENGONI, 2009).
Os processos de reconhecimento de imagem normalmente são antecedidos por
processamento de imagem, o espectro que vai do processamento de imagens até a visão
computacional pode ser dividido em três níveis: baixo-nível, nível-médio e alto-nível. Os
processos de baixo-nível envolvem operações primitivas, tais como a redução de ruído ou
melhoria no contraste de uma imagem. Os processos de nível-médio são operações do tipo
segmentação (particionamento da imagem em regiões) ou classificação (reconhecimento dos
objetos na imagem). Os processos de alto-nível estão relacionados com as tarefas de cognição
associadas com a visão humana (GONZALES, 2007).
É possível dividir os sistemas de reconhecimento automático em três tipos: o
reconhecimento, a identificação e a categorização de faces. O reconhecimento é responsável
por confirmar se a imagem é uma face ou não, sem necessidade de liga-la a um nome. A
identificação realiza o reconhecimento associando a face a uma pessoa conhecida. E a
categorização, trata da identificação do estado emocional, sexo, ou raça da imagem
apresentada (RODRIGUES, O. 2003).
O reconhecimento de faces está diretamente relacionado à detecção de objetos dentro
das imagens apresentadas como entrada de um sistema reconhecedor. Assim levando um
15
reconhecedor automático de faces a detecção da presença de um rosto na imagem
(RODRIGUES, O. 2003).
Esses objetos detectados dentro da imagem seguem padrões, que posteriormente serão
utilizados pelo sistema reconhecedor para que ocorra a identificação, assim como no diagrama
contido na figura 1.
Figura 1 - Etapas do problema de reconhecimento automático de faces.
FONTE: Rodrigues (2003).
Segundo (Kriegman, 2002) a Análise de Componentes Principais (PCA) é utilizada
para definir o subespaço melhor representando um conjunto de padrões de face reconhecidos,
e utilizando o método eigenfaces (Kriegman, 2002) que com poucas imagens para o
treinamento é capas de alcançar uma taxa de 95% de classificações corretas.
2.3 PCA (ANÁLISE DE COMPONENTES PRINCIPAIS)
A Análise de Componentes Principais é uma técnica estatística útil que encontrou
aplicação em áreas como reconhecimento facial e de compressão de imagem, e é uma técnica
comum para encontrar padrões em dados de alta dimensão (SMITH, 2002).
Esses padrões são identificados e os dados são expressos, de tal maneira que sejam
destacadas suas semelhanças e diferenças. Desde padrões nos dados que podem ser difíceis de
encontrar até dados de maior dimensão, onde a representação gráfica de boa qualidade não
estiver disponível, a PCA é uma poderosa ferramenta de análise de dados. Outra vantagem
principal do PCA é que depois de ter encontrado esses padrões no de dados, eles podem ser
compactados reduzindo seu número de dimensões sem perca de informação. Esta técnica é
utilizada na compressão de imagens (SMITH, 2002). É um método matemático linear que
16
pode ser aplicado na eliminação da redundância ou detecção de padrões em um conjunto de
dados. Segundo (Penharbel,2005) na redução do conjunto são utilizados os componentes que
mais contribuem com a variação do espaço, ou seja, as componentes cujos auto-vetores
estejam relacionados com os maiores auto-valores e desprezando com valores mais baixos.
Algoritmo PCA:
17
1.
É organizada uma matriz D onde a primeira linha será formada pelos componentes
da primeira amostra, a segunda a linha formada pelos componentes da segunda amostra
e a N-ésima linha será formada pelos componentes da N-ésima amostra, como na matriz
abaixo:
2. É criado um vetor média E, formado pelas médias de cada coluna:
3. É subtraído de cada item de cada coluna M da matriz D a média μM correspondente a
coluna da qual o item pertença.
4. É feito o cálculo da matriz de covariância COVD:
5. São calculados os auto-vetores e auto-valores da matriz COVD gerando um vetor
AVAL e uma atriz AVET.
6. São ordenados os auto-vetores na matriz AVET de auto-vetores pela ordem crescente
dos auto-valores no vetor AVAL correspondentes.
18
2.4 EIGENFACES
O Eigenfaces é um método de reconhecimento de faces que utiliza padrões obtidos a
partir do método PCA para fazer o reconhecimento.
Esse método tem uma abordagem holística para fazer o reconhecimento: a imagem
facial é um ponto no espaço de imagem de alta-dimensional e uma representação de dimensão
inferior é encontrado, onde a classificação se torna fácil. O subespaço de menor dimensão é
encontrado com PCA (Análise de Componentes Principais), que identifica os eixos com
variação máxima. Embora este tipo de transformação seja ideal do ponto de vista de
reconstrução, não é preciso levar em conta qualquer classe específica. Em uma situação onde
a variação gerada a partir de fontes externas é muito pequena, os eixos com variação máxima
não necessariamente contêm alguma informação discriminativa, daí a classificação se torna
impossível. Assim, uma projeção de uma classe específica, com uma análise discriminante
linear foi aplicada para fazer o reconhecimento. A ideia básica é a de minimizar a variação
dentro de uma classe, enquanto maximiza a variância entre as classes ao mesmo tempo
(OPENCV DEV TEAM, 2013).
Um dos primeiros exemplos de vetores próprios para reconhecimento facial foi
realizado por Kohonen 1989, na qual uma simples rede neural é treinada para executar o
reconhecimento facial com os rostos alinhados e normatizados. A rede neural calcula uma
descrição rosto através da aproximação dos autovetores da matriz de autocorrelação da
imagem. Estes autovetores são mais tarde conhecido como Eigenfaces (KRIEGMAN, 2002).
Kirby e Sirovich 1990, demonstrado que imagens de faces podem ser linearmente codificados
usando um número modesto de imagens base. Esta demonstração é baseado na transformação
de Karhunen-Loe’ve, também chamada de, a Análise de Componentes Principais ou
transformação de Hotelling. A idéia é, sem dúvida proposta pela primeira vez por Pearson em
1901 e, em seguida, por Hotelling em 1933. Dada uma coleção de n por m imagens de
treinamento de pixels representada, como um vector de tamanho m x n, vetores de base
abrangendo um subespaço ideal são determinados de tal forma que a média de erro quadrático
entre a projeção das imagens de treinamento para este subespaço, e as imagens originais é
minimizado. Eles chamam o conjunto de vetores de bases ótimas eigenpictures, que são
apenas os autovetores da matriz de covariância calculados a partir das imagens de faces
vetorizadas no conjunto de treinamento (KRIEGMAN, 2002).
19
Aplicada a análise de componentes principais a detecção e reconhecimento de faces
semelhante a, análise de componentes principais em um conjunto de treinamento de imagens
é realizado para gerar o Eigenpictures (aqui chamado Eigenfaces), que abrangem um
subespaço (chamado de espaço de face) do espaço da imagem. Imagens de faces são
projetadas no subespaço, da mesma forma, a formação de não-faces nas imagens que são
projetadas sobre o mesmo subespaço. Desde que as imagens das faces não mudem
radicalmente quando projetada no espaço, a projeção de imagens não-faces irá aparecer bem
diferente (KRIEGMAN, 2002).
Para detectar a presença de um rosto em uma cena, a distância entre um região de
imagem e o espaço de rosto é calculado para todas as localizações na imagem. A distância da
face no espaço é utilizado como uma medida de "faceness", e o resultado de cálculo da
distância a partir do espaço da face é um "mapa do rosto." Uma face pode então ser detectada
a partir de mínimos locais do mapa. Muitas obras de detecção de rosto, reconhecimento e
extrações característica adotaram a idéia de eigenvector (KRIEGMAN, 2002).
O método Eigenface realiza reconhecimento facial por projeção de todas as amostras
de treinamento para o subespaço PCA. Projetando a imagem de consulta para o subespaço
PCA e encontrando o vizinho mais próximo entre as imagens projetadas de treinamento e da
imagem de consulta projetada (OPENCV DEV TEAM, 2013).
2.5 FISHERFACE
Fisher’s Linear Discriminant (FLD), é um método amplamente usada de extração de
características e redução de dimensionalidade em reconhecimento de padrões. FLD tenta
encontrar o "melhor" projeto direção em que as amostras de formação pertencentes a
diferentes classes são mais separados. Matematicamente, FLD seleciona a projeção Wfld de tal
modo que a razão e a determinante da matriz de dispersão entre a classe das amostras
projetadas e a matriz de dispersão dentro da classe de amostras projetadas é maximizada. Para
um problema de classe c, a matriz de dispersão entre a classe é definido como segue (SHAN,
2002):
20
Onde Pr ( Ωi) é a probabilidade da classe anterior, μi é a média da amostra da classe
Ωi, e μ é a média da amostra de todas as classes . A matriz de dispersão dentro de cada classe
é definida como se segue (SHAN, 2002):
Onde Ni é o número de amostras na classe Ωi. Se Sw é não-singular, o projeto matriz
Wfld pode ser escolhida da seguinte forma (SHAN, 2002):
Em seguida, Wfld pode ser calculado resolvendo o problema generalizado do auto
vetor (SHAN, 2002):
Em aplicações de reconhecimento de rostos, no entanto a classe interna de dispersão
da matriz Ws é sempre singular. Porque o posto de
é no máximo N-c, em que N
é o número de imagens no conjunto de treino, e N é tipicamente muito menor do que n, que é
o número de pixels em cada imagem. Para superar esta dificuldade, PCA é usado pela
primeira vez para reduzir a dimensão das imagens a partir de n ou de N-c ou menos, então
recalculada de Sw será não-singular e FLD pode ser usado para encontrar o projeto matriz
Wfld, o que é referido como Fisherface. Análise de Componentes Principais (PCA), conhecido
como Método eigenface em reconhecimento de face, também é amplamente utilizado recurso
do método de extração. No PCA, a matriz de projeto Wpca é escolhido para maximizar a
21
determinante do total da matriz de dispersão das amostras projetadas. A dispersão total matriz
é definida como se segue (SHAN, 2002):
Onde N é o número de todas as amostras e μ é a amostra média. Wpca pode então ser
calculada por resolver o eigenvalue problema (SHAN, 2002):
A partir da definição acima de PCA, pode-se concluir que o projeto matriz Wpca
maximiza as distâncias entre todas as amostras no espaço projetado. As distâncias entre as
amostras de treinamento são devido não só à as diferenças entre as diferentes classes, mas
também diferenças entre as amostras de treinamento da mesma classe. Numa aplicação
específica, se as amostras da mesma classe diferem significativamente, PCA, pode ser
inadequado para fins de classificação. Pelo contrário, FLD minimiza a dispersão dentro de
cada classe enquanto maximiza a dispersão entre classes. Consequentemente, os exemplos de
classes diferentes no espaço são projetadas separadamente e os da mesma classe são
aglomeradas. No problema de reconhecimento de faces, que tem sido observado que "a
variações entre as imagens da mesma face, devido a iluminação e direção de visualização são
quase sempre maior do que variações de imagem diferentes devido à mudança na identidade
rosto ". Assim, Fisherface é mais adequado para reconhecimento de face que Eigenface
(SHAN, 2002).
22
2.6 FERRAMENTAS
2.6.1 OPENCV
OpenCV (Open Source Computer Vision) é uma biblioteca de funções de programação
para a visão computacional em tempo real (OPENCV DEV TEAM, 2013).
A biblioteca OpenCV foi desenvolvida pela Intel, e idealizada com o objetivo de
tornar a visão computacional acessível a usuários e programadores nas áreas de interação
humano-computador em tempo real e robótica (DR. DOOB’S, 2013).
É liberado sob a licença BSD, portanto, é gratuito tanto para uso acadêmico e
comercial. É compatível com Windows, Linux, Android e Mac OS. A em sua da comunidade
de usuários tem mais de 47 mil pessoas (OPENCV DEV TEAM, 2013).
A biblioteca está disponível com o código fonte e os executáveis (binários) otimizados
para os processadores Intel. Um programa OpenCV, ao ser executado, invoca
automaticamente uma DLL (Dynamic Linked Library) que detecta o tipo de processador e
chama em tempo de execução a DLL apropriada. Se o processador ou DLL não puderem ser
determinados, será carregada uma DLL otimizada em Código C. Juntamente com o pacote
OpenCV é oferecida a biblioteca IPL (Image Processing Library), da qual a OpenCV depende
parcialmente, além de documentação e um conjunto de códigos exemplos (DR. DOOB’S,
2013).
OpenCv Dev Team (2013), OpenCV tem uma estrutura modular, o que significa que o
pacote inclui várias bibliotecas compartilhadas ou estáticas. Os seguintes módulos estão
disponíveis:

Núcleo - um módulo compacto definição de estruturas de dados básicos,
incluindo arrays multidimensionais mat e funções básicas utilizadas por todos
os outros módulos (OPENCV DEV TEAM, 2013).

Imgproc - um módulo de processamento de imagem, que inclui filtragem de
imagens lineares e não-lineares, transformações geométricas de imagens
23
(redimensionar, remapeamento genérico baseado em tabela), conversão de
espaço de cores, histogramas (OPENCV DEV TEAM, 2013).

Vídeo - um módulo de análise de vídeo, que inclui a estimativa de movimento,
subtração de fundo, e os algoritmos de rastreamento de objetos (OPENCV
DEV TEAM, 2013).

calib3d - algoritmos básicos de multi-visão geométrica, calibração simples e
estéreo de câmera, postura de objeto, algoritmos de correspondência estéreo e
elementos de reconstrução 3D (OPENCV DEV TEAM, 2013).

features2d - detectores de importantes recursos, descritores e descritores
equivalentes (OPENCV DEV TEAM, 2013).

Objdetect - detecção de objetos e instâncias das classes pré-definidas (por
exemplo, rostos, olhos, canecas, pessoas, carros, e assim por diante) (OPENCV
DEV TEAM, 2013).

Highgui - uma ferramenta de fácil uso para captura de vídeo, imagem e vídeo
codecs, também capacidades de interface do usuário simples (OPENCV DEV
TEAM, 2013).

Gpu - algoritmos acelerados por GPU de diferentes módulos do OpenCV
(OPENCV DEV TEAM, 2013).
 ... alguns outros módulos auxiliares, tais como flann e pacote de teste do
Google, ligações Python, entre outros (OPENCV DEV TEAM, 2013).
24
2.6.2 C / C ++
A linguagem C ++, que tem algumas melhorias em relação a C, sua antecessora. Esta
linguagem foi escolhida por que tem uma melhor integração com a biblioteca OpenCV.
A linguagem C foi inventada e implementada primeiramente por Dennis Ritchie em
um DEC PDP-11 que utilizava o sistema operacional UNIX. C é o resultado de um processo
de desenvolvimento que começou com uma linguagem mais antiga, chamada BCPL, que
ainda está em uso, em sua forma original, na Europa. BCPL foi desenvolvida por Martin
Richards e influenciou uma linguagem chamada B, inventada por Ken Thompson. Na década
de 1970, B levou ao desenvolvimento de C (SCHILDT, 1996).
Por muitos anos, de fato, o padrão para C foi a versão fornecida com o sistema
operacional UNIX versão 5. Ele é descrito em The C Programing Language, de Brian
Kernighan e Dennis Richie (Englewood Cliffs, N.J.: Prentice Hall, 1978). Com a
popularidade dos microcomputadores, um grande número de implementações de C foi criado.
Os códigos-fonte aceitos por essas implementações eram altamente compatíveis. (Isto é, um
programa escrito com um deles podia normalmente ser compilado com sucesso usando-se um
outro.) Porem, por não existir nenhum padrão, havia discrepâncias. Para remediar essa
situação, o ANSI (American National Standart Institute) estabeleceu, no verão de 1983, um
comitê para criar um padrão que definiria de uma vez por todas a linguagem C (SCHILDT,
1996).
C ++ é uma versão estendida e melhorada de C que é projetada para suportar
programação orientada a objetos (OOP, do inglês Object Oriented Programming). C++
suporta toda a linguagem C e mais um conjunto de extensões orientadas a objetos. (Ou seja, C
++ é um superconjunto de C.) Como C ++ é construída sobre os fundamentos de C, você pode
programar em C ++ se não entender C (SCHILDT, 1996).
2.6.3 VISUAL STUDIO 2012
O Visual Studio é um conjunto abrangente de ferramentas para criação de aplicativos,
para a plataforma Microsoft. Suportando diversas linguagens como C#, C++, C, Java, Visual
25
Basic, e pode ser usado para testar e depurando um aplicativo HTML/JavaScript (VISUAL
STUDIO).
26
3 DESENVOLVIMENTO
3.1 INSTALAÇÃO DAS FERRAMENTAS
A primeira instalação das ferramentas foi feita no Sistema operacional Linux, Ubuntu
versão 13.04. Foram instalados, a IDE Eclipse Juno, e nela instalado o plug-in de suporte para
desenvolvimento C++, o compilador C++ funcionou perfeitamente junto ao Eclipse.
Posteriormente foi feito o download da biblioteca OpenCV versão 2.4.4, a versão mais
recente até a data. Ocorreram alguns problemas durante a instalação, porém após pesquisar a
documentação do OpenCV foi encontrado um explicativo passo-a-passo, assim a instalação
da biblioteca ocorreu sem problemas. Com a biblioteca instalada foi feia a criação de um novo
projeto C++ no Eclipse, neste projeto seria necessário a configuração dos paths da nova
biblioteca para que ela pudesse ser usada, esta configuração também está presente na
documentação, porem mesmo seguindo todos os passos da configuração ao tentar rodar um
exemplo a IDE não podia achar arquivos da biblioteca necessários para o funcionamento
correto o erro segui na Figura 2, foram feitas várias pesquisas no entanto o problema não pode
ser corrigido.
Figura 2 - Erro de compilação eclipse
Logo foi testada a compilação do código via terminal, já que o problema poderia ser
com a integração das IDE Eclipse e biblioteca OpenCV. Foi utilizado o método CMake como
mostra a Figura 3:
27
Figura 3 - Código do arquivo CMake
No entanto mesmo usando a compilação via terminal, os erros continuaram como
mostra a Figura 4:
Figura 4 - Erro de compilção CMake
Como estes erros estavam prestes a atrasar o cronograma do projeto foi feita então
uma mudança de plataforma, para o Sistema Operacional Microsoft Windows versão 8. Foi
feita a instalação da IDE Visual Studio 2013, que já está em sua versão final, que já tem o
compilador C++ integrado. Foi feito o download da biblioteca OpenCV 2.4.4, para a
plataforma Windows, e posteriormente sua instalação.
Foi então criado um novo projeto C++, e feita a configuração da biblioteca para
adicionar seus paths ao projeto. Com IDE biblioteca e projeto configurados foi feito o teste
usando o código de exemplo contido na documentação da biblioteca, que funcionou
perfeitamente. Então essa plataforma foi utilizada para o desenvolvimento do software de
Reconhecimento de Faces.
28
3.2 CAPTURA DAS IMAGENS
Para o desenvolvimento do software e posteriores testes foi necessário um banco de
imagens de salas de aula, que foram obtidas, com a captura de imagens das salas da Faculdade
de Balsas – Unibalsas.
Este banco de imagens trata-se de um repositório onde as imagens em arquivos foram
armazenadas. Para a captura das imagens algumas salas foram visitadas e com o
consentimento dos professores e alunos as imagens foram capturadas, sempre pedindo para
que todos os alunos permanecessem olhando para a câmera para que suas faces ficassem bem
visíveis, embora alguns tenham virado o rosto durante a captura das imagens.
Todas as imagens foram tiradas utilizando uma câmera de celular de 5 megapixels,
pois o intuito é que as imagens seja capturadas com aparelhos simples que um professor por
exemplo poderia possuir em sala de aula.
Após tirar fotos das salas de aula de ângulos diferentes foi estabelecido a melhor
forma para aquisição das imagem, que serão utilizadas para montagem do banco de imagens,
e testes do software que será desenvolvido.
Os primeiros testes forma feitos tirando fotos frontais da sala de aula como mostra a
figura 5, porém não foi conseguida uma cobertura satisfatória da sala de aula.
Figura 5 - Foto tirada do ângulo central
da sala de aula.
29
Posteriormente as imagens foram tiras de 2 pontos da sala de aula, porem também não
se obteve uma boa cobertura como mostra a figura 6.
Figura 6 - Fotos tiradas de 2 pontos da sala de aula.
E por fim foram tiradas três fotos da sala de aula como mostra a figura 7, onde se
obteve uma cobertura de todos os alunos da sala de aula, sendo assim o método escolhido para
a aquisição das imagens.
Figura 7 - Fotos tiradas de 3 pontos da sala de aula.
As figuras 8, 9 e 10, são exemplos de imagens tiradas nas salas de aula que fazem
parte do banco de imagens que foi criado.
30
Figura 8 - Captura da área central da sala de aula.
Figura 9 - Captura da área direita da sala de aula.
31
Figura 10 - Captura da área esquerda da sala de aula.
Dessa forma cada sala é composta por 3 imagens, para esse banco foram capturadas 90
imagens que resultaram em 29 salas, 1 sala a menos por que algumas imagens foram
desconsideradas, já que não cobriam a área correta da sala. A Figura 11 a seguir mostra um
exemplo de sala de aula completa.
Figura 11 – Imagem da sala de aula completa.
32
3.3 DESENVOLVIMENTO DO SOFTWARE
O software foi desenvolvido na plataforma Desktop, programação estruturada,
utilizando a linguagem C++, com o objetivo de ter uma alta cobertura, para que possa
reconhecer o maior número de faces na sala de aula, ele faz uma varredura na imagem ou
vídeo movendo uma matriz por todo o espaço da imagem digital, e dentro dessa matriz é feito
o teste de reconhecimento de faces, todas as faces reconhecidas são guardadas dentro de um
vetor, todas as faces contidas no vetor são escritas em um diretório especificado no código.
Todas as imagens contidas no banco de imagens passaram pelo processo de reconhecimento 7
vezes, com parametrizações diferentes, para que se pudesse analisar os resultados obtidos
chegando a configuração que geraria a maior cobertura.
Para que se possa utilizar as funções da biblioteca OpenCV é necessário fazer os
includes no código como mostra a Figura 12 a seguir:
Figura 12 - Include das bibliotecas necessárias
E para que seja possível utilizar a função de reconhecimento é preciso informar o
nome do arquivo xml que contém os padrões de treinamento para reconhecimento de faces
que se encontra do diretório do projeto, Figura 13 e depois carrega-lo Figura 14:
Figura 13 - Declaração da variável para receber os XML de padrões
33
Figura 14 - Carregamento do XML de padrões
Logo depois é feita a leitura do diretório do banco de imagens, e feito um laço de
repetição para que todas as imagens sejam enviadas para a função de reconhecimento
detectAndisplay, Figura 15:
Figura 15 - Envio das Imagens para a Função de reconhecimento
A função detectAndDisplay transforma a imagem para tom cinza para que a variação
de iluminação das imagens não interfira no desempenho do software, logo depois a imagem
contida na matriz frame_gray é enviada para a função detectMultiScale para que as faces
sejam reconhecidas como mostra a Figura 16:
34
Figura 16 - Função detectMultiScale
A função detectMultiScale é a responsável pelo reconhecimento das faces e os testes
foram feitos a partir da variação de seus parâmetros que são:
image - Matrix que contem a Imagem.
objects – Vetor onde são armazenadas as faces encontradas.
scaleFactor - Escala de redução da imagem, que implicará no tamanho da matriz de
reconhecimento. Já que os padrões do rosto são dados em relação a escala da imagem.
minNeighbors - Número mínimo de vizinhos para que a face seja válida.
minSize – Tamanho mínimo do objeto no caso a face.
Nos teste os parâmetros alterados foram scaleFactor e minNeighbors, o minSize, foi
passado com tamanho 1x1 porque a função cobre todas as matrizes de tamanho maior ou igual
ao tamanho informado.
O scaleFactor tem seu valor mínimo como 1.1, os testes foram feitos com a variação
do seu valor mínimo 1.1 até 1.5, está escala se refere a variação da escala da matriz menor que
irá percorrer a matriz da imagem da sala, e quando esta matriz menor encontra os conjunto de
padrões igual aos do arquivo XML e então encontra uma face, como nas imagens de sala de
aula existem faces com escalas diferentes, os alunos situados nas primeiras cadeiras tem faces
de escala maior e os das últimas cadeiras tem escala menor, por isso foram feitos testes com a
variação desta escala, para que se encontrasse um valor mediano onde a função conseguiria
reconhecer faces em todo o espaço da imagem.
O minNeighbors tem valor mínimo como 1 e máximo 3, foi alterado duas vezes para
cada valor de scaleFactor, sendo que para cada escala seu valor recebeu 1 e depois 3, este
parâmetro faz com que a função erre mais ou menos, com valor 1 ele aceita que uma
35
vizinhança tenha apenas um padrão, por exemplo que dentro da vizinhança seja encontrado só
um par de olhos, mas não nariz e boca. Já o valor 3 requer que a vizinhança tenha 3 padrões
para que seja válida, ou seja torna a função mais criteriosa, como mostra a Tabela 1:
Tabela 1 - Variação do minNeighbors
Depois de ter as imagens reconhecidas armazenadas dentro de um vetor, elas são
gravadas no diretório que foi anteriormente atribuído a uma variável global. Presente nos
Apêndices 1, 2, 3 o código completo do software.
3.4 ANÁLISE DOS RESULTADOS
3.4.1 CONTAGEM INICIAL DAS FACES
Todas as imagens do banco de imagens foram analisadas e foram contados quantas
faces visíveis cada uma delas tinha, e essa quantidade foi guardada em uma planilha, junto
com o nome de cada imagem, para que fosse possível fazer a comparação entre a quantidade
de faces real e a quantidade de faces reconhecidas pelo software.
Para essa planilha inicial fora considerados apenas as faces que estavam com a face
direcionada para a câmera, já que o software não reconhece faces de perfil, como mostra na
Figura 17, as faces reconhecidas pelo software.
36
Figura 17 - Faces reconhecidas
Já na Figura 18 podemos ver que os rostos abaixados ou de perfil não foram
reconhecidos.
Figura 18 - Faces não reconhecidas
37
E o fato de as faces serem reconhecidas apenas frontalmente é explicado pelos padrões
contidos no arquivo XML haarcascade_frontalface_alt.xml, que são padrões frontais de
faces.
3.4.2 ANÁLISE DOS RESULTADOS FINAIS
Na execução do software as faces contidas em cada imagem foram salvas em
subpastas de um diretório com o nome da imagem de origem, esse processo foi feito 7 vezes,
com cada uma das configurações citadas na Tabela 2. Depois de todos os resultados já
estarem gerados, foi feita a contagem das faces reconhecidas, erros e faces reconhecidas
repetidamente em cada imagem, esses resultados foram guardados em planilhas junto ao
nome de cada imagem e a quantidade de faces visíveis reais em cada imagem, Tabela 2,
abaixo. Os apêndices 4 a 24 mostram as tabelas completas.
Tabela 2 - Exemplo de tabela com os dados do reconhecimento
A figura 19 mostra o gráfico com os valores da quantidade de faces, quantidade de
faces reconhecidas, erros, e repetições. Nele pode se notar de forma mais nítida os resultado
do software. Nesse gráfico o software estava utilizando a configuração scaleFactor = 1.1,
38
minNeighbors = 1, que não gerou muitas repetições, porém cometeu vários erros, esse são
algumas partes da imagem que ele reconheceu como faces mas na verdade eram qualquer
outro objeto, como uma garrafa de agua, uma sombra, ou uma parte da cadeira por exemplo,
como o minNeighbors utilizado era com valor 1, qualquer padrão encontrado dentro da
imagem seria reconhecido como uma face, apesar de essa configuração ter um percentual de
acerto considerável, como mostra o gráfico, ela mostra também vários erros. Pode-se notas na
imagem IMG_0275, no gráfico uma baixa taxa de reconhecimento, e isso é explicado pela
próprio imagem que se encontra muito tremida, já na imagem IMG_0435 nota-se que a
quantidade de faces reconhecidas foi a mesma de imagens existentes na foto, já que a imagem
original tinha boa qualidade.
Reconhecimento de Imagens em Sala de Aula
QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
IMG_0274
IMG_0275
IMG_0276
IMG_0277
IMG_0278
IMG_0279
IMG_0280
IMG_0281
IMG_0282
IMG_0283
IMG_0284
IMG_0285
IMG_0286
IMG_0287
IMG_0288
IMG_0289
IMG_0380
IMG_0381
IMG_0382
IMG_0383
IMG_0384
IMG_0385
IMG_0386
IMG_0387
IMG_0388
IMG_0389
IMG_0390
IMG_0391
IMG_0392
IMG_0393
IMG_0394
IMG_0395
IMG_0396
IMG_0397
IMG_0398
IMG_0399
IMG_0400
IMG_0401
IMG_0402
IMG_0403
IMG_0404
IMG_0405
IMG_0406
IMG_0407
IMG_0408
IMG_0409
IMG_0410
IMG_0411
IMG_0412
IMG_0413
IMG_0414
IMG_0415
IMG_0416
IMG_0417
IMG_0418
IMG_0419
IMG_0420
IMG_0421
IMG_0422
IMG_0423
IMG_0424
IMG_0425
IMG_0426
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0
Figura 19 - Gráfico dos dados do reconhecimento de faces
Após todas as faces estarem contabilizadas foram feitos os cálculos estatísticos de
Cobertura, Precisão, Medida-F, e o teste T-Pareado.
Cobertura:
𝐹𝑎𝑐𝑒𝑠 𝑟𝑒𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑎𝑠+𝐹𝑎𝑐𝑒𝑠 𝑅𝑒𝑝𝑒𝑡𝑖𝑑𝑎𝑠
𝐹𝑎𝑐𝑒𝑠 + 𝐸𝑟𝑟𝑜𝑠
* 100
39
Nesse caso a cobertura mostrará o percentual de faces verdadeiras que o software
conseguiu reconhecer levando em consideração além da quantidade real o erro cometidos ao
capturar objetos que não eram faces.
Precisão:
𝐹𝑎𝑐𝑒𝑠 𝑟𝑒𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑎𝑠+𝐹𝑎𝑐𝑒𝑠 𝑅𝑒𝑝𝑒𝑡𝑖𝑑𝑎𝑠
𝐹𝑎𝑐𝑒𝑠
* 100
Já a precisão irá mostrar o percentual de acertos do software em mostrar faces
verdadeiras.
Medida-F:
2 ∗ 𝑃𝑟𝑒𝑐𝑖𝑠ã𝑜 ∗ 𝐶𝑜𝑏𝑒𝑟𝑡𝑢𝑟𝑎
𝑃𝑟𝑒𝑐𝑖𝑠ã𝑜 + 𝐶𝑜𝑏𝑒𝑟𝑡𝑢𝑟𝑎
∗ 100
A medida-F ou Média Harmônica mede a eficiência do software considerando os
valores de cobertura e precisão. Dessa forma para que o software seja mais eficiente é
necessário que tenha percentuais de Cobertura e precisão com percentuais significativos. A
Tabela 3 a seguir mostra um exemplo de relação de salas com seus valores estatísticos.
SALA
0101
0102
0103
0104
0105
PESSOAS RECONHECIDAS ERROS REPETIDAS
49
48
7
0
51
49
4
0
51
45
5
0
61
46
0
0
60
52
2
0
PRECISÃO 111 COBERTURA 111 MÉDIA-F
98%
86%
96%
89%
88%
80%
75%
75%
87%
84%
111
91%
92%
84%
75%
85%
Tabela 3 - Exemplo de valores estatísticos
O teste T-Pareado, é utilizado para medir o coeficiente da diferença de duas
populações, tem sua implementação através de uma fórmula presente na planilha onde os
dados foram armazenados, este teste foi usado para mostrar a variação entre cada uma dos
testes feitos com configurações diferentes duas a duas, tendo como base a coluna de faces
reconhecidas, a Tabela 4 mostra essa variação em números, quanto menor o valor, melhor
será a segunda população em relação a primeira.
40
Tabela 4 - Relação de populações e teste T-Pareado
E na Figura 20 temos o gráfico mostrando essa oscilação. No gráfico pode-se
visualizar melhor a diferença dos valores, onde as populações121, 151, 151 não tem tanta
vantagem em relação as populações 113, 123, 141 respectivamente.
41
T-PAREADO
143-151
141-151
141-143
123-151
123-143
123-141
121-151
121-143
121-141
121-123
113-151
113-143
113-141
113-123
113-121
111-151
111-143
111-141
111-123
111-121
111-113
T-PAREADO
Figura 20 - Gráfico do teste T-Pareado
Os gráficos contidos nas Figura 23, 24 e 25 mostram respectivamente os resultados da
Cobertura, Precisão e Medida-F em percentual por sala de aula, em todos eles pode se notar
uma depressão na área referente as salas 0205, 0206 e 0301, isso se dá pelo fato de que as
imagens das salas 0205 e 0301 se encontravam com grande quantidade de alunos com as faces
viradas, abaixadas ou mesmo se encontravam atrás de um colega de classe como mostra a
Figura 22, já a sala 0206 mostra um número baixo em relação as outras salas por suas fotos
estarem bastante tremidas como mostra a Figura 21
42
Figura 21 – Imagem da Sala 0206
Figura 22 – Imagem das salas 0205 e 0301 respectivamente
43
GRÁFICO DE COBERTURA
COBERTURA 111
COBERTURA 113
COBERTURA 121
COBERTURA 141
COBERTURA 143
COBERTURA 151
COBERTURA 123
130%
120%
110%
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Figura 23 - Gráfico da Cobertura por sala
GRÁFICO DE PRECISÃO
PRECISÃO 111
PRECISÃO 113
PRECISÃO 121
PRECISÃO 141
PRECISÃO 143
PRECISÃO 151
140%
130%
120%
110%
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Figura 24 – Gráfico da Precisão por sala
PRECISÃO 123
44
MEDIDA - F
MEDIDA-F 111
MEDIDA-F 113
MEDIDA-F 121
MEDIDA-F 141
MEDIDA-F 143
MEDIDA-F 151
MEDIDA-F 123
140%
130%
120%
110%
100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
Figura 25 – Gráfico da Medida-F por sala
Já nas imagens das salas 0101 e 0102 por exemplo pode se notar nos gráficos um alto
percentual de reconhecimento, isso por que nessas salas os espaçamento e o ângulo em que os
alunos estavam olhando foi propicio como mostra a Figura 26. Pode se notar também nos
gráficos que em algumas salas o percentual passa de 100%, isso porque nessas configurações
algumas faces foram reconhecidas mais de uma vez, o que é considerado também como
acerto, já que o programa reconheceu uma face.
45
Figura 26 - Imagem da sala 0101
No decorrer do testes forma notados alguns fatos interessantes em relação aos objetos
reconhecidos pelo software como por exemplo a incidência de uma garrafa de água como face
nas imagens em que ela estava presente, o mesmo aconteceu com o sapato de um aluno, isso
se dá por que provavelmente a função de reconhecimento localizou nesse objetos algum
padrão conhecido pelo arquivo XML.
Depois de analisar os gráficos estatísticos de Cobertura, Precisão e Medida-F, foi
possível localizar a melhor configuração para o software, a Linha que permanece a maior
parte do tempo acima das outra. Analisando principalmente o gráfico de Medida-F que é uma
média da cobertura e precisão do software, pode-se notar que a linha: MEDIDA-F 141, se
sobressai diante das outras configurações, o número 141, é a versão resumida da
configuração: scaleFactor = 1.4, minNeighbors = 1, essa configuração conseguiu o maior
número de faces reconhecida, em alguns momentos do gráfico até ultrapassando os 100%,
isso devido a essa configuração ter reconhecido algumas faces mais de uma vez. Sendo essa
então a melhor configuração.
46
4
CONCLUSÃO
Com o conhecimento adquirido em processamento de imagens digitais, e
reconhecimento de faces, foram descobertas as técnicas de cada área necessárias para o
desenvolvimento do software de reconhecimento de faces no decorrer do projeto foi possível
implementar um software de reconhecimento de faces utilizando a linguagem C++,
juntamente com a biblioteca OpenCV, uma biblioteca C/C++, que inclui funções próprias
para o processamento de imagens, e reconhecimento de objetos, tornando dessa forma o
desenvolvimento do software mais objetivo. E a partir do software gerar resultados utilizando
as imagens capturadas também no decorrer do projeto, resultados que foram utilizados para
gerar planilhas estatísticas, e assim foi possível descobrir qual a melhor configuração para
gerar uma alta cobertura de reconhecimento de faces em sala de aula, que é: scaleFactor =
1.4, minNeighbors = 1, assim conseguindo alcançar o objetivo do projeto.
47
5
REFERÊNCIAS
BRADSKI,
GARY;
The
OpenCV
Library.
Disponível
em:
<
http://www.drdobbs.com/open-source/the-opencv-library/184404319?pgno=1>. Acesso em:
14 de junho de 2013.
LEI DE DIRETRIZES E BASES DA EDUCAÇÃO NACIONAL (Brasil). Lei nº 9.394, de 20
de dezembro de 1996. Estabelece as leis e diretrizes da educação nacional.
CONSELHO NACIONAL DE ECUCAÇÃO (Brasil). Câmara de Educação Superior, Parecer
CNE/CES, n. 224/2006 de 20 de setembro de 2006. Independentemente de homologação, nos
termos da Portaria/MEC nº 1.792, de 6 de novembro de 2006, publicada no D.O.U. de 7 de
novembro de 2006, seção II, pág. 9 e nos termos da Síntese de Pareceres nº 1, republicada no
D.O.U. de 15 de janeiro de 2007, seção I, pág. 29-30, com retificação publicada no D.O.U. de
16 de janeiro de 2007, seção I, pág. 11.
GONZALEZ, R; WOODS, R. E. Digital Image Processing. 3rd ed. Prentice Hall, 2007.
976p.
KRIEGMAN, DAVID J.; YANG, MING-HSUAN; AHUJA, NARENDRA; Detection Faces
in Image: A Survey. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND
MACHINE INTELLIGENCE, v.24, n.1, January 2002.
MANCHULA, A.; ARUMUGAM, S; Robust Facial Data Recognition using Multimodal
Fusion Features in Multi-Variant Face Acquisition. International Journal of Computer
Applications (0975 – 8887). v. 64, n. 11, fevereiro 2013.
48
MARENGONI, RODRIGO; STRINGHINI, DENISE; Tutorial: Introdução a Visão
Computacional usando OpenCV, Rio Grande do Sul. RITA, v.16, n.1, 2009.
MARQUES FILHO, Ogê; VIEIRA NETO, Hugo. Processamento Digital de Imagens. Rio
de Janeiro: Brasport, 1999, 307p.
OPENCV
DEV.
TEAM;
OpenCv
2.4.5.0
documentation.
Disponível
em:
<
http://docs.opencv.org/modules/refman.html>. Acesso em: 7 de junho de 2013.
PENHARBEL A. ÉDER; WUTZKE, L. G. ERDIANE; SILVA, DOS S. MURILO;
BIANCHI A. C. REINALDO; E-Faces – Um classificador capaz de analizar imagens e
classifica-las como faces ou não faces utilizando o método Eigenfaces, São Paulo, Centro
Universitário da FEI – UNIFEI, Departamento de Ciência da Computação, 2005.
RODRIGUES, O. DOUGLAS. Reconhecimento de faces usando redes neurais e
biometria. 2003. 166f. Monografia (Pós-Graduação em Computação Aplicada) – Instituto
Nacional de Pesquisas Espaciais (INPE), 2003.
SCHILDT, HERBERT. C Completo e Total. 3rd Ed. São Paulo: MAKRON Books Ltda.
1996. 810p.
SHAN, SHIGUANG; CAO, BO; ZHAO, DEBIN; Extended fisherface for face feocognition
from a single example image per person, IEEE Internacional Symposium on Circuits and
Systems, v.2, may 2002.
SMITH, LINDSAY, I. A Tutorial on Principal Components Analysis, USA, Cornell
Iniversity, 2002.
49
VISUAL
STUDIO;
Desenvolvimento
de
Aplicativos.
Disponível
<http://www.visualstudio.com/pt-br>. Acesso em: 10 de novembro de 2013.
em:
50
6
APÊNDICES
Apêndice 1 - Código completo I
51
Apêndice 2 - Código completo II
52
Apêndice 3 - Código completo III
53
SALA
PESSOAS RECONHECIDAS
ERROS
0101
49
48
7
0102
51
49
4
0103
51
45
5
0104
61
46
0
0105
60
52
2
0106
65
56
1
0201
50
43
19
0202
48
43
14
0203
53
48
7
0204
46
36
7
0205
46
45
7
0206
58
34
11
0301
48
44
10
0302
48
42
5
0303
43
42
5
0304
46
46
6
0305
44
42
11
0306
41
41
7
0307
35
31
11
0401
69
66
8
0402
68
64
12
0403
70
70
12
0404
67
65
12
0405
68
65
13
0406
68
64
13
0407
67
64
12
0408
67
60
15
0409
69
64
11
0410
73
60
10
TOTAIS
1629
PRECISÃO
91%
COBERTURA
79%
MEDIA-F
84%
T-PAREADO6,49E-06
1475
257
REPETIDAS PRECISÃO 111
COBERTURA 111
MEDIDA-F 111
0
98%
86%
91%
0
96%
89%
92%
0
88%
80%
84%
0
75%
75%
75%
0
87%
84%
85%
0
86%
85%
85%
0
86%
62%
72%
0
90%
69%
78%
0
91%
80%
85%
0
78%
68%
73%
0
98%
85%
91%
0
59%
49%
54%
0
92%
76%
83%
0
88%
79%
83%
0
98%
88%
92%
0
100%
88%
94%
0
95%
76%
85%
0
100%
85%
92%
0
89%
67%
77%
0
96%
86%
90%
0
94%
80%
86%
0
100%
85%
92%
1
99%
84%
90%
0
96%
80%
87%
1
96%
80%
87%
1
97%
82%
89%
2
93%
76%
83%
3
97%
84%
90%
0
82%
72%
77%
8
Apêndice 4 - Análise de salas com ScaleFactor = 1.1, minNeighbors = 1.
54
SALA
PESSOAS RECONHECIDAS ERROS
0101
49
48
4
0102
51
48
0
0103
51
43
1
0104
61
42
0
0105
60
49
0
0106
65
52
0
0201
50
42
1
0202
48
40
1
0203
53
48
0
0204
46
35
1
0205
46
40
0
0206
58
30
3
0301
48
40
0
0302
48
39
0
0303
43
39
0
0304
46
42
0
0305
44
41
1
0306
41
40
1
0307
35
30
1
0401
69
64
1
0402
68
64
2
0403
70
67
1
0404
67
66
3
0405
68
64
1
0406
68
53
0
0407
67
63
2
0408
67
59
2
0409
69
62
0
0410
73
53
0
TOTAIS
1629
PRECISÃO
86%
COBERTURA
85%
MEDIA-F
85%
T-PAREADO2,67E-07
1403
26
COBERTURA 113
MEDIDA-F 113
0
98%
91%
94%
0
94%
94%
94%
0
84%
83%
83%
0
69%
69%
69%
0
82%
82%
82%
0
80%
80%
80%
0
84%
82%
83%
0
83%
82%
82%
0
91%
91%
91%
0
76%
74%
75%
0
87%
87%
87%
0
52%
49%
50%
0
83%
83%
83%
0
81%
81%
81%
0
91%
91%
91%
0
91%
91%
91%
0
93%
91%
92%
0
98%
95%
96%
0
86%
83%
85%
0
93%
91%
92%
0
94%
91%
93%
0
96%
94%
95%
0
99%
94%
96%
0
94%
93%
93%
0
78%
78%
78%
0
94%
91%
93%
0
88%
86%
87%
0
90%
90%
90%
0
73%
73%
73%
0
55
SALA
0101
0102
0103
0104
0105
0106
0201
0202
0203
0204
0205
0206
0301
0302
0303
0304
0305
0306
0307
0401
0402
0403
0404
0405
0406
0407
0408
0409
0410
PESSOAS RECONHECIDAS
ERROS REPETIDAS PRECISÃO 121
COBERTURA 121
MEDIDA-F 121
49
47
6
0
96%
85%
90%
51
48
1
0
94%
92%
93%
51
43
2
0
84%
81%
83%
61
44
0
0
72%
72%
72%
60
51
0
0
85%
85%
85%
65
56
0
0
86%
86%
86%
50
41
10
0
82%
68%
75%
48
42
3
0
88%
82%
85%
53
48
5
0
91%
83%
86%
46
37
6
0
80%
71%
76%
46
40
2
0
87%
83%
85%
58
29
0
0
50%
50%
50%
48
43
5
0
90%
81%
85%
48
41
3
0
85%
80%
83%
43
42
8
0
98%
82%
89%
46
41
3
0
89%
84%
86%
44
40
5
0
91%
82%
86%
41
40
4
0
98%
89%
93%
35
32
6
0
91%
78%
84%
69
63
5
0
91%
85%
88%
68
64
6
1
96%
88%
92%
70
68
7
3
101%
92%
97%
67
65
6
0
97%
89%
93%
68
63
2
0
93%
90%
91%
68
64
6
1
96%
88%
92%
67
62
6
0
93%
85%
89%
67
62
5
0
93%
86%
89%
69
64
2
0
93%
90%
91%
73
58
4
1
81%
77%
79%
TOTAIS
1629
PRECISÃO
89%
COBERTURA
83%
MEDIA-F
86%
T-PAREADO8,97E-07
1438
118
6
56
SALA
0101
0102
0103
0104
0105
0106
0201
0202
0203
0204
0205
0206
0301
0302
0303
0304
0305
0306
0307
0401
0402
0403
0404
0405
0406
0407
0408
0409
0410
TOTAIS
PRECISÃO
COBERTURA
MEDIA-F
T-PAREADO
PESSOAS
RECONHECIDAS ERROS REPETIDAS PRECISÃO 123
COBERTURA 123
MEDIDA-F 123
49
46
0
0
94%
94%
94%
51
45
0
0
88%
88%
88%
51
40
0
0
78%
78%
78%
61
40
0
0
66%
66%
66%
60
47
0
0
78%
78%
78%
65
50
0
0
77%
77%
77%
50
36
1
0
72%
71%
71%
48
38
0
0
79%
79%
79%
53
44
0
0
83%
83%
83%
46
34
2
0
74%
71%
72%
46
36
0
0
78%
78%
78%
58
26
0
0
45%
45%
45%
48
36
1
0
75%
73%
74%
48
38
0
0
79%
79%
79%
43
37
0
0
86%
86%
86%
46
39
1
0
85%
83%
84%
44
37
0
0
84%
84%
84%
41
37
0
0
90%
90%
90%
35
30
2
0
86%
81%
83%
69
63
0
0
91%
91%
91%
68
62
0
0
91%
91%
91%
70
63
0
0
90%
90%
90%
67
63
0
0
94%
94%
94%
68
60
0
0
88%
88%
88%
68
61
0
0
90%
90%
90%
67
60
0
0
90%
90%
90%
67
57
1
0
85%
84%
84%
69
59
0
0
86%
86%
86%
73
47
0
0
64%
64%
64%
1629
82%
81%
82%
2,82867E-09
1331
8
0
57
SALA
0101
49
46
2
0102
51
43
0
0103
51
39
2
0104
61
38
1
0105
60
39
1
0106
65
46
0
0201
50
33
4
0202
48
37
2
0203
53
42
1
0204
46
32
1
0205
46
36
0
0206
58
20
2
0301
48
36
1
0302
48
36
2
0303
43
36
1
0304
46
38
2
0305
44
36
4
0306
41
35
1
0307
35
27
0
0401
69
58
1
0402
68
61
2
0403
70
60
1
0404
67
61
1
0405
68
59
1
0406
68
57
1
0407
67
54
1
0408
67
51
4
0409
69
55
1
0410
73
46
1
TOTAIS
1629
PRECISÃO
96%
COBERTURA
93%
MEDIA-F
94%
T-PAREADO2,73E-10
1257
41
COBERTURA 141
MEDIDA-F 141
17
129%
124%
126%
17
118%
118%
118%
15
106%
102%
104%
8
75%
74%
75%
7
77%
75%
76%
11
88%
88%
88%
9
84%
78%
81%
7
92%
88%
90%
9
96%
94%
95%
7
85%
83%
84%
6
91%
91%
91%
2
38%
37%
37%
8
92%
90%
91%
8
92%
88%
90%
8
102%
100%
101%
8
100%
96%
98%
7
98%
90%
93%
8
105%
102%
104%
6
94%
94%
94%
16
107%
106%
106%
18
116%
113%
114%
12
103%
101%
102%
16
115%
113%
114%
13
106%
104%
105%
17
109%
107%
108%
14
101%
100%
101%
10
91%
86%
88%
10
94%
93%
94%
6
71%
70%
71%
300
58
SALA
0101
49
39
0
0102
51
39
0
0103
51
35
0
0104
61
32
0
0105
60
33
0
0106
65
38
0
0201
50
27
0
0202
48
34
0
0203
53
33
0
0204
46
29
0
0205
46
28
0
0206
58
14
0
0301
48
27
0
0302
48
27
0
0303
43
33
0
0304
46
30
0
0305
44
29
0
0306
41
26
0
0307
35
23
0
0401
69
47
0
0402
68
47
0
0403
70
45
0
0404
67
45
0
0405
68
44
0
0406
68
44
1
0407
67
44
0
0408
67
38
0
0409
69
37
0
0410
73
35
0
TOTAIS
1629
PRECISÃO
72%
COBERTURA
72%
MEDIA-F
72%
T-PAREADO 1,21E-14
1002
1
COBERTURA 143
MEDIDA-F 143
11
102%
102%
102%
9
94%
94%
94%
9
86%
86%
86%
5
61%
61%
61%
4
62%
62%
62%
6
68%
68%
68%
5
64%
64%
64%
6
83%
83%
83%
5
72%
72%
72%
3
70%
70%
70%
4
70%
70%
70%
0
24%
24%
24%
7
71%
71%
71%
8
73%
73%
73%
6
91%
91%
91%
5
76%
76%
76%
5
77%
77%
77%
6
78%
78%
78%
4
77%
77%
77%
11
84%
84%
84%
8
81%
81%
81%
8
76%
76%
76%
9
81%
81%
81%
5
72%
72%
72%
6
74%
72%
73%
6
75%
75%
75%
6
66%
66%
66%
4
59%
59%
59%
4
53%
53%
53%
175
59
SALA
0101
0102
0103
0104
0105
0106
0201
0202
0203
0204
0205
0206
0301
0302
0303
0304
0305
0306
0307
0401
0402
0403
0404
0405
0406
0407
0408
0409
0410
PESSOAS RECONHECIDAS ERROS REPETIDAS PRECISÃO 151
COBERTURA MEDIDA-F
151
151
49
38
4
9
96%
89%
92%
51
37
1
13
98%
96%
97%
51
44
0
13
112%
112%
112%
61
30
0
12
69%
69%
69%
60
43
0
7
83%
83%
83%
65
43
0
10
82%
82%
82%
50
39
3
5
88%
83%
85%
48
42
4
4
96%
88%
92%
53
45
0
5
94%
94%
94%
46
34
1
6
87%
85%
86%
46
39
1
2
89%
87%
88%
58
21
3
0
36%
34%
35%
48
39
3
6
94%
88%
91%
48
38
0
6
92%
92%
92%
43
35
1
6
95%
93%
94%
46
38
0
5
93%
93%
93%
44
37
2
5
95%
91%
93%
41
37
0
7
107%
107%
107%
35
27
1
3
86%
83%
85%
69
60
1
10
101%
100%
101%
68
62
2
11
107%
104%
106%
70
61
4
12
104%
99%
101%
67
62
2
11
109%
106%
107%
68
61
1
8
101%
100%
101%
68
61
4
10
104%
99%
101%
67
59
1
9
101%
100%
101%
67
55
1
12
100%
99%
99%
69
56
2
10
96%
93%
94%
73
49
2
9
79%
77%
78%
TOTAIS
1629
PRECISÃO
93%
COBERTURA
91%
MEDIA-F
92%
T-PAREADO 8,45E-09
1292
44
226
60
face_cascade.detectMultiScale( frame_gray, faces, 1.1, 1, 0|CV_HAAR_SCALE_IMAGE, Size(1, 1) );
IMAGEM QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
%
SITUAÇÃO DA IMAGEM
IMG_0274
27
26
1
0
96,296 NORMAL
IMG_0275
29
8
1
0
27,586 TREMIDA
IMG_0276
29
25
1
0
86,207 NORMAL
IMG_0277
38
30
0
0
78,947 NORMAL
IMG_0278
31
27
1
0
87,097 NORMAL
IMG_0279
28
17
0
0
60,714 TREMIDA
IMG_0280
33
29
0
0
87,879 NORMAL
IMG_0281
22
22
6
0
100,000 NORMAL
IMG_0282
24
23
3
0
95,833 NORMAL
IMG_0283
23
21
3
0
91,304 TREMIDA LEVE
IMG_0284
15
14
0
0
93,333 NORMAL
IMG_0285
15
14
0
0
93,333 TREMIDA LEVE
IMG_0286
15
14
1
0
93,333 NORMAL
IMG_0287
12
12
1
0
100,000 TREMIDA LEVE
IMG_0288
12
12
1
0
100,000 NORMAL
IMG_0289
13
10
1
0
76,923 TREMIDA
IMG_0380
19
10
4
0
52,632 TREMIDA
IMG_0381
19
11
3
0
57,895 TREMIDA
IMG_0382
20
13
4
0
65,000 TREMIDA
IMG_0383
14
10
7
0
71,429 NORMAL
IMG_0384
12
11
3
0
91,667 TREMIDA LEVE
IMG_0385
15
14
2
0
93,333 NORMAL
IMG_0386
25
24
5
0
96,000 TREMIDA LEVE
IMG_0387
24
23
5
0
95,833 NORMAL
IMG_0388
26
25
2
0
96,154 NORMAL
IMG_0389
11
9
7
0
81,818 NORMAL
IMG_0390
12
9
6
0
75,000 NORMAL
IMG_0391
12
9
3
0
75,000 TREMIDA LEVE
IMG_0392
12
10
3
0
83,333 TREMIDA LEVE
IMG_0393
11
10
2
0
90,909 NORMAL
IMG_0394
20
17
2
0
85,000 NORMAL
IMG_0395
23
22
3
0
95,652 NORMAL
IMG_0396
14
9
2
0
64,286 NORMAL
IMG_0397
12
13
2
0
108,333 NORMAL
IMG_0398
16
17
5
0
106,250 NORMAL
IMG_0399
15
14
4
0
93,333 NORMAL
IMG_0400
13
12
2
0
92,308 NORMAL
IMG_0401
13
11
1
0
84,615 TREMIDA LEVE
IMG_0402
14
14
0
0
100,000 NORMAL
IMG_0403
14
14
1
0
100,000 NORMAL
IMG_0404
14
14
3
0
100,000 NORMAL
IMG_0405
14
14
2
0
100,000 NORMAL
IMG_0406
22
16
4
0
72,727 TREMIDA
IMG_0407
23
20
5
0
86,957 NORMAL
IMG_0408
22
18
3
0
81,818 NORMAL
IMG_0409
16
15
4
0
93,750 NORMAL
IMG_0410
17
13
3
0
76,471 TREMIDA
IMG_0411
19
19
1
0
IMG_0412
17
16
4
0
94,118 NORMAL
IMG_0413
14
12
5
0
85,714 NORMAL
IMG_0414
15
15
3
0
100,000 NORMAL
IMG_0415
10
9
4
0
90,000 NORMAL
IMG_0416
11
10
2
0
90,909 NORMAL
IMG_0417
12
12
3
0
100,000 NORMAL
IMG_0418
13
13
1
0
100,000 NORMAL
IMG_0419
13
13
1
0
100,000 NORMAL
IMG_0420
13
13
4
0
100,000 NORMAL
IMG_0421
13
12
4
0
92,308 NORMAL
IMG_0422
12
12
2
0
100,000 NORMAL
IMG_0423
18
18
2
0
100,000 NORMAL
IMG_0424
16
16
3
0
100,000 NORMAL
IMG_0425
18
18
5
0
100,000 NORMAL
IMG_0426
17
16
2
0
94,118 NORMAL
61
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
30
30
28
30
29
31
32
30
32
31
20
20
20
19
19
18
19
19
20
20
21
22
21
22
24
28
25
25
26
31
30
24
32
30
17
18
20
19
19
16
20
19
20
20
21
16
20
22
3
2
4
2
2
4
7
3
4
4
2
2
3
6
8
6
6
5
10
4
6
2
5
4
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
0
2
1
1
1
0
0
1
80,000
93,333
89,286
83,333
89,655
100,000
93,750
80,000
100,000
96,774
85,000
90,000
100,000
100,000
100,000
88,889
105,263
100,000
100,000
100,000
100,000
72,727
95,238
100,000
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
TREMIDA
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
TREMIDA
NORMAL
NORMAL
Apêndice 11 - Análise das imagens com ScaleFactor = 1.1, minNeighbors = 1.
QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
IMG_0274
IMG_0275
IMG_0276
IMG_0277
IMG_0278
IMG_0279
IMG_0280
IMG_0281
IMG_0282
IMG_0283
IMG_0284
IMG_0285
IMG_0286
IMG_0287
IMG_0288
IMG_0289
IMG_0380
IMG_0381
IMG_0382
IMG_0383
IMG_0384
IMG_0385
IMG_0386
IMG_0387
IMG_0388
IMG_0389
IMG_0390
IMG_0391
IMG_0392
IMG_0393
IMG_0394
IMG_0395
IMG_0396
IMG_0397
IMG_0398
IMG_0399
IMG_0400
IMG_0401
IMG_0402
IMG_0403
IMG_0404
IMG_0405
IMG_0406
IMG_0407
IMG_0408
IMG_0409
IMG_0410
IMG_0411
IMG_0412
IMG_0413
IMG_0414
IMG_0415
IMG_0416
IMG_0417
IMG_0418
IMG_0419
IMG_0420
IMG_0421
IMG_0422
IMG_0423
IMG_0424
IMG_0425
IMG_0426
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0
Apêndice 12 - Gráfico da configuração ScaleFactor = 1.1, minNeighbors = 1.
62
IMAGEM QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
%
IMG_0274
27
25
0
0
92,593 NORMAL
IMG_0275
29
6
0
0
20,690 TREMIDA
IMG_0276
29
24
0
0
82,759 NORMAL
IMG_0277
38
27
0
0
71,053 NORMAL
IMG_0278
31
25
0
0
80,645 NORMAL
IMG_0279
28
13
0
0
46,429 TREMIDA
IMG_0280
33
29
0
0
87,879 NORMAL
IMG_0281
22
22
3
0
100,000 NORMAL
IMG_0282
24
22
0
0
91,667 NORMAL
IMG_0283
23
20
0
0
86,957 TREMIDA LEVE
IMG_0284
15
14
0
0
93,333 NORMAL
IMG_0285
15
14
0
0
93,333 TREMIDA LEVE
IMG_0286
15
14
0
0
93,333 NORMAL
IMG_0287
12
12
1
0
IMG_0288
12
12
0
0
100,000 NORMAL
IMG_0289
13
9
1
0
69,231 TREMIDA
IMG_0380
19
8
2
0
42,105 TREMIDA
IMG_0381
19
11
1
0
57,895 TREMIDA
IMG_0382
20
11
0
0
55,000 TREMIDA
IMG_0383
14
10
0
0
71,429 NORMAL
IMG_0384
12
10
0
0
83,333 TREMIDA LEVE
IMG_0385
15
14
0
0
93,333 NORMAL
IMG_0386
25
23
0
0
92,000 TREMIDA LEVE
IMG_0387
24
21
1
0
87,500 NORMAL
IMG_0388
26
25
0
0
96,154 NORMAL
IMG_0389
11
9
1
0
81,818 NORMAL
IMG_0390
12
9
0
0
75,000 NORMAL
IMG_0391
12
9
0
0
75,000 TREMIDA LEVE
IMG_0392
12
9
0
0
75,000 TREMIDA LEVE
IMG_0393
11
10
0
0
90,909 NORMAL
IMG_0394
20
17
0
0
85,000 NORMAL
IMG_0395
23
21
0
0
91,304 NORMAL
IMG_0396
14
9
1
0
64,286 NORMAL
IMG_0397
12
9
0
0
75,000 NORMAL
IMG_0398
16
14
0
0
87,500 NORMAL
IMG_0399
15
14
1
0
93,333 NORMAL
IMG_0400
13
11
0
0
84,615 NORMAL
IMG_0401
13
10
0
0
76,923 TREMIDA LEVE
IMG_0402
14
12
0
0
85,714 NORMAL
IMG_0403
14
13
0
0
92,857 NORMAL
IMG_0404
14
13
0
0
92,857 NORMAL
IMG_0405
14
14
0
0
100,000 NORMAL
IMG_0406
22
14
0
0
63,636 TREMIDA
IMG_0407
23
17
0
0
73,913 NORMAL
IMG_0408
22
18
0
0
81,818 NORMAL
IMG_0409
16
15
0
0
93,750 NORMAL
IMG_0410
17
11
1
0
64,706 TREMIDA
IMG_0411
19
17
0
0
89,474 TREMIDA LEVE
IMG_0412
17
17
1
0
100,000 NORMAL
IMG_0413
14
12
0
0
85,714 NORMAL
IMG_0414
15
14
1
0
93,333 NORMAL
IMG_0415
10
9
1
0
90,000 NORMAL
IMG_0416
11
9
0
0
81,818 NORMAL
IMG_0417
12
12
0
0
100,000 NORMAL
IMG_0418
13
11
0
0
84,615 NORMAL
IMG_0419
13
12
0
0
92,308 NORMAL
IMG_0420
13
12
0
0
92,308 NORMAL
IMG_0421
13
11
0
0
84,615 NORMAL
IMG_0422
12
12
0
0
100,000 NORMAL
IMG_0423
18
18
0
0
100,000 NORMAL
IMG_0424
16
16
0
0
100,000 NORMAL
IMG_0425
18
17
0
0
94,444 NORMAL
IMG_0426
17
16
0
0
94,118 NORMAL
63
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
30
29
31
32
30
32
31
20
20
20
19
19
18
19
19
20
20
21
22
21
22
24
25
29
30
20
31
31
17
18
19
19
19
16
20
19
20
19
20
13
20
19
0
0
1
2
0
0
2
0
0
1
1
1
0
2
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
80,000
86,207
93,548
93,750
66,667
96,875
100,000
85,000
90,000
95,000
100,000
100,000
88,889
105,263
100,000
100,000
95,000
95,238
59,091
95,238
86,364
NORMAL
NORMAL
NORMAL
NORMAL
TREMIDA
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
TREMIDA
NORMAL
NORMAL
QTD. PESSOAS
RECONHECIDAS
ERROS
IMG_0274
IMG_0275
IMG_0276
IMG_0277
IMG_0278
IMG_0279
IMG_0280
IMG_0281
IMG_0282
IMG_0283
IMG_0284
IMG_0285
IMG_0286
IMG_0287
IMG_0288
IMG_0289
IMG_0380
IMG_0381
IMG_0382
IMG_0383
IMG_0384
IMG_0385
IMG_0386
IMG_0387
IMG_0388
IMG_0389
IMG_0390
IMG_0391
IMG_0392
IMG_0393
IMG_0394
IMG_0395
IMG_0396
IMG_0397
IMG_0398
IMG_0399
IMG_0400
IMG_0401
IMG_0402
IMG_0403
IMG_0404
IMG_0405
IMG_0406
IMG_0407
IMG_0408
IMG_0409
IMG_0410
IMG_0411
IMG_0412
IMG_0413
IMG_0414
IMG_0415
IMG_0416
IMG_0417
IMG_0418
IMG_0419
IMG_0420
IMG_0421
IMG_0422
IMG_0423
IMG_0424
IMG_0425
IMG_0426
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0
64
IMAGEM QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
%
IMG_0274
27
26
0
0
96,296 NORMAL
IMG_0275
29
6
0
0
20,690 TREMIDA
IMG_0276
29
24
0
0
82,759 NORMAL
IMG_0277
38
30
0
0
78,947 NORMAL
IMG_0278
31
27
0
0
87,097 NORMAL
IMG_0279
28
15
0
0
53,571 TREMIDA
IMG_0280
33
29
0
0
87,879 NORMAL
IMG_0281
22
21
5
0
95,455 NORMAL
IMG_0282
24
22
0
0
91,667 NORMAL
IMG_0283
23
19
1
0
82,609 TREMIDA LEVE
IMG_0284
15
14
0
0
93,333 NORMAL
IMG_0285
15
14
0
0
93,333 TREMIDA LEVE
IMG_0286
15
14
1
0
93,333 NORMAL
IMG_0287
12
12
1
0
IMG_0288
12
12
1
0
100,000 NORMAL
IMG_0289
13
10
0
0
76,923 TREMIDA
IMG_0380
19
7
0
0
36,842 TREMIDA
IMG_0381
19
12
0
0
63,158 TREMIDA
IMG_0382
20
10
0
0
50,000 TREMIDA
IMG_0383
14
9
4
0
64,286 NORMAL
IMG_0384
12
10
1
0
83,333 TREMIDA LEVE
IMG_0385
15
14
1
0
93,333 NORMAL
IMG_0386
25
23
3
0
92,000 TREMIDA LEVE
IMG_0387
24
23
1
0
95,833 NORMAL
IMG_0388
26
25
1
0
96,154 NORMAL
IMG_0389
11
9
3
0
81,818 NORMAL
IMG_0390
12
9
1
0
75,000 NORMAL
IMG_0391
12
9
3
0
75,000 TREMIDA LEVE
IMG_0392
12
10
2
0
83,333 TREMIDA LEVE
IMG_0393
11
10
1
0
90,909 NORMAL
IMG_0394
20
18
2
0
90,000 NORMAL
IMG_0395
23
21
0
0
91,304 NORMAL
IMG_0396
14
9
2
0
64,286 NORMAL
IMG_0397
12
9
1
0
75,000 NORMAL
IMG_0398
16
16
1
0
100,000 NORMAL
IMG_0399
15
13
2
0
86,667 NORMAL
IMG_0400
13
12
1
0
92,308 NORMAL
IMG_0401
13
11
1
0
84,615 TREMIDA LEVE
IMG_0402
14
14
3
0
100,000 NORMAL
IMG_0403
14
13
1
0
92,857 NORMAL
IMG_0404
14
14
0
0
100,000 NORMAL
IMG_0405
14
14
2
0
100,000 NORMAL
IMG_0406
22
16
0
0
72,727 TREMIDA
IMG_0407
23
19
3
0
82,609 NORMAL
IMG_0408
22
18
2
0
81,818 NORMAL
IMG_0409
16
15
3
0
93,750 NORMAL
IMG_0410
17
12
3
0
70,588 TREMIDA
IMG_0411
19
16
0
0
84,211 TREMIDA LEVE
IMG_0412
17
16
4
0
94,118 NORMAL
IMG_0413
14
12
1
0
85,714 NORMAL
IMG_0414
15
14
1
0
93,333 NORMAL
IMG_0415
10
9
2
0
90,000 NORMAL
IMG_0416
11
11
3
0
100,000 NORMAL
IMG_0417
12
12
1
0
100,000 NORMAL
IMG_0418
13
12
0
0
92,308 NORMAL
IMG_0419
13
13
2
0
100,000 NORMAL
IMG_0420
13
12
2
0
92,308 NORMAL
IMG_0421
13
10
1
0
76,923 NORMAL
IMG_0422
12
12
1
0
100,000 NORMAL
IMG_0423
18
17
0
0
94,444 NORMAL
IMG_0424
16
16
0
0
100,000 NORMAL
IMG_0425
18
18
1
0
100,000 NORMAL
IMG_0426
17
16
0
0
94,118 NORMAL
65
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
19
19
18
30
30
28
30
29
31
32
30
32
31
20
20
20
19
19
18
19
19
18
18
18
25
27
24
25
26
30
30
22
31
30
16
18
19
19
18
17
20
19
0
0
2
0
0
2
1
5
4
4
2
1
3
1
2
5
3
2
2
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
3
0
0
0
0
0
94,737
94,737
100,000
83,333
90,000
85,714
83,333
89,655
96,774
93,750
73,333
96,875
96,774
80,000
90,000
95,000
100,000
94,737
94,444
105,263
100,000
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
TREMIDA
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
QTD. PESSOAS
RECONHECIDAS
ERROS
IMG_0274
IMG_0275
IMG_0276
IMG_0277
IMG_0278
IMG_0279
IMG_0280
IMG_0281
IMG_0282
IMG_0283
IMG_0284
IMG_0285
IMG_0286
IMG_0287
IMG_0288
IMG_0289
IMG_0380
IMG_0381
IMG_0382
IMG_0383
IMG_0384
IMG_0385
IMG_0386
IMG_0387
IMG_0388
IMG_0389
IMG_0390
IMG_0391
IMG_0392
IMG_0393
IMG_0394
IMG_0395
IMG_0396
IMG_0397
IMG_0398
IMG_0399
IMG_0400
IMG_0401
IMG_0402
IMG_0403
IMG_0404
IMG_0405
IMG_0406
IMG_0407
IMG_0408
IMG_0409
IMG_0410
IMG_0411
IMG_0412
IMG_0413
IMG_0414
IMG_0415
IMG_0416
IMG_0417
IMG_0418
IMG_0419
IMG_0420
IMG_0421
IMG_0422
IMG_0423
IMG_0424
IMG_0425
IMG_0426
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0
66
IMAGEM QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
%
IMG_0274
27
23
0
0
85,185 NORMAL
IMG_0275
29
3
0
0
10,345 TREMIDA
IMG_0276
29
23
0
0
79,310 NORMAL
IMG_0277
38
27
0
0
71,053 NORMAL
IMG_0278
31
24
0
0
77,419 NORMAL
IMG_0279
28
11
0
0
39,286 TREMIDA
IMG_0280
33
29
0
0
87,879 NORMAL
IMG_0281
22
20
0
0
90,909 NORMAL
IMG_0282
24
20
0
0
83,333 NORMAL
IMG_0283
23
18
0
0
78,261 TREMIDA LEVE
IMG_0284
15
14
0
0
93,333 NORMAL
IMG_0285
15
13
0
0
86,667 TREMIDA LEVE
IMG_0286
15
13
0
0
86,667 NORMAL
IMG_0287
12
12
0
0
IMG_0288
12
12
0
0
100,000 NORMAL
IMG_0289
13
9
0
0
69,231 TREMIDA
IMG_0380
19
6
0
0
31,579 TREMIDA
IMG_0381
19
11
0
0
57,895 TREMIDA
IMG_0382
20
9
0
0
45,000 TREMIDA
IMG_0383
14
8
0
0
57,143 NORMAL
IMG_0384
12
9
0
0
75,000 TREMIDA LEVE
IMG_0385
15
12
0
0
80,000 NORMAL
IMG_0386
25
19
0
0
76,000 TREMIDA LEVE
IMG_0387
24
20
0
0
83,333 NORMAL
IMG_0388
26
23
0
0
88,462 NORMAL
IMG_0389
11
9
1
0
81,818 NORMAL
IMG_0390
12
9
0
0
75,000 NORMAL
IMG_0391
12
9
0
0
75,000 TREMIDA LEVE
IMG_0392
12
9
0
0
75,000 TREMIDA LEVE
IMG_0393
11
10
0
0
90,909 NORMAL
IMG_0394
20
16
0
0
80,000 NORMAL
IMG_0395
23
19
0
0
82,609 NORMAL
IMG_0396
14
9
2
0
64,286 NORMAL
IMG_0397
12
7
0
0
58,333 NORMAL
IMG_0398
16
14
0
0
87,500 NORMAL
IMG_0399
15
13
0
0
86,667 NORMAL
IMG_0400
13
10
1
0
76,923 NORMAL
IMG_0401
13
10
0
0
76,923 TREMIDA LEVE
IMG_0402
14
12
0
0
85,714 NORMAL
IMG_0403
14
13
0
0
92,857 NORMAL
IMG_0404
14
12
0
0
85,714 NORMAL
IMG_0405
14
13
0
0
92,857 NORMAL
IMG_0406
22
14
0
0
63,636 TREMIDA
IMG_0407
23
16
0
0
69,565 NORMAL
IMG_0408
22
18
0
0
81,818 NORMAL
IMG_0409
16
15
0
0
93,750 NORMAL
IMG_0410
17
10
0
0
58,824 TREMIDA
IMG_0411
19
15
0
0
78,947 TREMIDA LEVE
IMG_0412
17
16
0
0
94,118 NORMAL
IMG_0413
14
12
0
0
85,714 NORMAL
IMG_0414
15
13
0
0
86,667 NORMAL
IMG_0415
10
9
0
0
90,000 NORMAL
IMG_0416
11
9
2
0
81,818 NORMAL
IMG_0417
12
10
0
0
83,333 NORMAL
IMG_0418
13
10
0
0
76,923 NORMAL
IMG_0419
13
10
0
0
76,923 NORMAL
IMG_0420
13
11
1
0
84,615 NORMAL
IMG_0421
13
9
0
0
69,231 NORMAL
IMG_0422
12
11
0
0
91,667 NORMAL
IMG_0423
18
16
0
0
88,889 NORMAL
IMG_0424
16
15
0
0
93,750 NORMAL
IMG_0425
18
16
0
0
88,889 NORMAL
IMG_0426
17
16
0
0
94,118 NORMAL
67
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
19
19
18
30
30
28
30
29
31
32
30
32
31
20
20
20
19
19
18
19
19
17
18
18
22
25
24
23
23
31
30
17
28
28
16
17
19
19
18
16
19
18
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
89,474
94,737
100,000
73,333
83,333
85,714
76,667
79,310
100,000
93,750
56,667
87,500
90,323
80,000
85,000
95,000
100,000
94,737
88,889
100,000
94,737
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
TREMIDA
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
QTD. PESSOAS
RECONHECIDAS
ERROS
IMG_0274
IMG_0275
IMG_0276
IMG_0277
IMG_0278
IMG_0279
IMG_0280
IMG_0281
IMG_0282
IMG_0283
IMG_0284
IMG_0285
IMG_0286
IMG_0287
IMG_0288
IMG_0289
IMG_0380
IMG_0381
IMG_0382
IMG_0383
IMG_0384
IMG_0385
IMG_0386
IMG_0387
IMG_0388
IMG_0389
IMG_0390
IMG_0391
IMG_0392
IMG_0393
IMG_0394
IMG_0395
IMG_0396
IMG_0397
IMG_0398
IMG_0399
IMG_0400
IMG_0401
IMG_0402
IMG_0403
IMG_0404
IMG_0405
IMG_0406
IMG_0407
IMG_0408
IMG_0409
IMG_0410
IMG_0411
IMG_0412
IMG_0413
IMG_0414
IMG_0415
IMG_0416
IMG_0417
IMG_0418
IMG_0419
IMG_0420
IMG_0421
IMG_0422
IMG_0423
IMG_0424
IMG_0425
IMG_0426
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0
Apêndice 18- Gráfico da configuração ScaleFactor = 1.2, minNeighbors = 3.
68
IMAGEM QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
% RECONHECIMENTO
IMG_0274
27
22
0
5
81,481 NORMAL
IMG_0275
29
3
0
10,345 TREMIDA
IMG_0276
29
20
0
3
68,966 NORMAL
IMG_0277
38
24
0
6
63,158 NORMAL
IMG_0278
31
19
1
4
61,290 NORMAL
IMG_0279
28
14
0
1
50,000 TREMIDA
IMG_0280
33
24
1
7
72,727 NORMAL
IMG_0281
22
20
1
7
90,909 NORMAL
IMG_0282
24
19
0
8
79,167 NORMAL
IMG_0283
23
19
1
7
82,609 TREMIDA LEVE
IMG_0284
15
14
0
4
93,333 NORMAL
IMG_0285
15
12
0
2
80,000 TREMIDA LEVE
IMG_0286
15
12
0
5
80,000 NORMAL
IMG_0287
12
12
1
6
IMG_0288
12
12
0
7
100,000 NORMAL
IMG_0289
13
8
1
3
61,538 TREMIDA
IMG_0380
19
5
1
26,316 TREMIDA
IMG_0381
19
8
0
1
42,105 TREMIDA
IMG_0382
20
7
1
1
35,000 TREMIDA
IMG_0383
14
6
0
2
42,857 NORMAL
IMG_0384
12
9
0
1
75,000 TREMIDA LEVE
IMG_0385
15
13
0
2
86,667 NORMAL
IMG_0386
25
18
0
2
72,000 TREMIDA LEVE
IMG_0387
24
19
1
2
79,167 NORMAL
IMG_0388
26
20
0
3
76,923 NORMAL
IMG_0389
11
9
4
5
81,818 NORMAL
IMG_0390
12
9
1
4
75,000 NORMAL
IMG_0391
12
9
1
4
75,000 TREMIDA LEVE
IMG_0392
12
8
0
5
66,667 TREMIDA LEVE
IMG_0393
11
9
0
5
81,818 NORMAL
IMG_0394
20
16
0
1
80,000 NORMAL
IMG_0395
23
19
0
1
82,609 NORMAL
IMG_0396
14
8
1
1
57,143 NORMAL
IMG_0397
12
8
0
66,667 NORMAL
IMG_0398
16
13
1
1
81,250 NORMAL
IMG_0399
15
12
0
1
80,000 NORMAL
IMG_0400
13
10
0
2
76,923 NORMAL
IMG_0401
13
9
0
2
69,231 TREMIDA LEVE
IMG_0402
14
11
0
2
78,571 NORMAL
IMG_0403
14
11
1
4
78,571 NORMAL
IMG_0404
14
12
2
1
85,714 NORMAL
IMG_0405
14
13
0
4
92,857 NORMAL
IMG_0406
22
10
0
4
45,455 TREMIDA
IMG_0407
23
15
0
4
65,217 NORMAL
IMG_0408
22
17
2
2
77,273 NORMAL
IMG_0409
16
14
0
2
87,500 NORMAL
IMG_0410
17
10
0
2
58,824 TREMIDA
IMG_0411
19
15
1
1
78,947 TREMIDA LEVE
IMG_0412
17
14
2
3
82,353 NORMAL
IMG_0413
14
10
0
1
71,429 NORMAL
IMG_0414
15
13
0
1
86,667 NORMAL
IMG_0415
10
9
0
2
90,000 NORMAL
IMG_0416
11
8
0
3
72,727 NORMAL
IMG_0417
12
11
1
2
91,667 NORMAL
IMG_0418
13
10
0
4
76,923 NORMAL
IMG_0419
13
11
1
4
84,615 NORMAL
IMG_0420
13
12
0
3
92,308 NORMAL
IMG_0421
13
10
0
3
76,923 NORMAL
IMG_0422
12
9
1
3
75,000 NORMAL
IMG_0423
18
16
0
6
88,889 NORMAL
IMG_0424
16
16
0
4
100,000 NORMAL
IMG_0425
18
16
0
4
88,889 NORMAL
IMG_0426
17
15
0
4
88,235 NORMAL
69
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
19
19
18
30
30
28
30
29
31
32
30
32
31
20
20
20
19
19
18
19
19
16
16
18
21
25
18
22
23
27
29
18
25
27
15
16
19
19
18
14
16
17
0
0
0
0
1
0
0
0
0
2
1
0
0
1
0
1
1
0
2
2
1
4
8
5
4
4
3
4
4
6
8
1
4
5
4
6
4
7
5
3
3
2
84,211
84,211
100,000
70,000
83,333
64,286
73,333
79,310
87,097
90,625
60,000
78,125
87,097
75,000
80,000
95,000
100,000
94,737
77,778
84,211
89,474
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
TREMIDA
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
QTD. PESSOAS
RECONHECIDAS
REPETIDAS
ERROS
IMG_0274
IMG_0275
IMG_0276
IMG_0277
IMG_0278
IMG_0279
IMG_0280
IMG_0281
IMG_0282
IMG_0283
IMG_0284
IMG_0285
IMG_0286
IMG_0287
IMG_0288
IMG_0289
IMG_0380
IMG_0381
IMG_0382
IMG_0383
IMG_0384
IMG_0385
IMG_0386
IMG_0387
IMG_0388
IMG_0389
IMG_0390
IMG_0391
IMG_0392
IMG_0393
IMG_0394
IMG_0395
IMG_0396
IMG_0397
IMG_0398
IMG_0399
IMG_0400
IMG_0401
IMG_0402
IMG_0403
IMG_0404
IMG_0405
IMG_0406
IMG_0407
IMG_0408
IMG_0409
IMG_0410
IMG_0411
IMG_0412
IMG_0413
IMG_0414
IMG_0415
IMG_0416
IMG_0417
IMG_0418
IMG_0419
IMG_0420
IMG_0421
IMG_0422
IMG_0423
IMG_0424
IMG_0425
IMG_0426
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0
70
IMAGEM QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
% RECONHECIMENTO
IMG_0274
27
18
0
2
66,667 NORMAL
IMG_0275
29
1
0
0
3,448 TREMIDA
IMG_0276
29
17
0
1
58,621 NORMAL
IMG_0277
38
20
0
4
52,632 NORMAL
IMG_0278
31
16
0
3
51,613 NORMAL
IMG_0279
28
11
0
0
39,286 TREMIDA
IMG_0280
33
21
0
5
63,636 NORMAL
IMG_0281
22
17
0
5
77,273 NORMAL
IMG_0282
24
16
0
5
66,667 NORMAL
IMG_0283
23
15
0
6
65,217 TREMIDA LEVE
IMG_0284
15
11
0
3
73,333 NORMAL
IMG_0285
15
11
0
1
73,333 TREMIDA LEVE
IMG_0286
15
12
0
1
80,000 NORMAL
IMG_0287
12
11
0
3
91,667 TREMIDA LEVE
IMG_0288
12
12
0
3
100,000 NORMAL
IMG_0289
13
8
0
2
61,538 TREMIDA
IMG_0380
19
3
0
0
15,789 TREMIDA
IMG_0381
19
5
0
0
26,316 TREMIDA
IMG_0382
20
6
0
0
30,000 TREMIDA
IMG_0383
14
6
0
1
42,857 NORMAL
IMG_0384
12
8
0
1
66,667 TREMIDA LEVE
IMG_0385
15
12
0
1
80,000 NORMAL
IMG_0386
25
14
0
1
56,000 TREMIDA LEVE
IMG_0387
24
17
0
1
70,833 NORMAL
IMG_0388
26
15
0
2
57,692 NORMAL
IMG_0389
11
7
0
3
63,636 NORMAL
IMG_0390
12
9
0
4
75,000 NORMAL
IMG_0391
12
6
0
2
50,000 TREMIDA LEVE
IMG_0392
12
7
0
2
58,333 TREMIDA LEVE
IMG_0393
11
9
0
3
81,818 NORMAL
IMG_0394
20
15
0
1
75,000 NORMAL
IMG_0395
23
13
0
1
56,522 NORMAL
IMG_0396
14
7
0
0
50,000 NORMAL
IMG_0397
12
6
0
0
50,000 NORMAL
IMG_0398
16
9
0
1
56,250 NORMAL
IMG_0399
15
10
0
0
66,667 NORMAL
IMG_0400
13
6
0
2
46,154 NORMAL
IMG_0401
13
6
0
2
46,154 TREMIDA LEVE
IMG_0402
14
9
0
2
64,286 NORMAL
IMG_0403
14
8
0
2
57,143 NORMAL
IMG_0404
14
9
0
1
64,286 NORMAL
IMG_0405
14
9
0
2
64,286 NORMAL
IMG_0406
22
6
0
0
27,273 TREMIDA
IMG_0407
23
10
0
3
43,478 NORMAL
IMG_0408
22
12
0
2
54,545 NORMAL
IMG_0409
16
12
0
1
75,000 NORMAL
IMG_0410
17
10
0
1
58,824 TREMIDA
IMG_0411
19
10
0
0
52,632 TREMIDA LEVE
IMG_0412
17
11
0
1
64,706 NORMAL
IMG_0413
14
8
0
0
57,143 NORMAL
IMG_0414
15
8
0
1
53,333 NORMAL
IMG_0415
10
8
0
2
80,000 NORMAL
IMG_0416
11
7
0
2
63,636 NORMAL
IMG_0417
12
11
0
2
91,667 NORMAL
IMG_0418
13
9
0
4
69,231 NORMAL
IMG_0419
13
12
0
3
92,308 NORMAL
IMG_0420
13
12
0
3
92,308 NORMAL
IMG_0421
13
9
0
3
69,231 NORMAL
IMG_0422
12
9
0
3
75,000 NORMAL
IMG_0423
18
14
0
4
77,778 NORMAL
IMG_0424
16
13
0
1
81,250 NORMAL
IMG_0425
18
13
0
3
72,222 NORMAL
IMG_0426
17
12
0
2
70,588 NORMAL
71
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
19
19
18
30
30
28
30
29
31
32
30
32
31
20
20
20
19
19
18
19
19
16
16
17
14
15
13
15
14
20
23
12
19
19
13
11
13
14
13
12
12
11
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
2
0
3
2
1
1
1
5
2
1
2
3
2
5
3
4
3
2
1
2
84,211
84,211
94,444
46,667
50,000
46,429
50,000
48,276
64,516
71,875
40,000
59,375
61,290
65,000
55,000
65,000
73,684
68,421
66,667
63,158
57,895
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
TREMIDA
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
IMG_0274
IMG_0275
IMG_0276
IMG_0277
IMG_0278
IMG_0279
IMG_0280
IMG_0281
IMG_0282
IMG_0283
IMG_0284
IMG_0285
IMG_0286
IMG_0287
IMG_0288
IMG_0289
IMG_0380
IMG_0381
IMG_0382
IMG_0383
IMG_0384
IMG_0385
IMG_0386
IMG_0387
IMG_0388
IMG_0389
IMG_0390
IMG_0391
IMG_0392
IMG_0393
IMG_0394
IMG_0395
IMG_0396
IMG_0397
IMG_0398
IMG_0399
IMG_0400
IMG_0401
IMG_0402
IMG_0403
IMG_0404
IMG_0405
IMG_0406
IMG_0407
IMG_0408
IMG_0409
IMG_0410
IMG_0411
IMG_0412
IMG_0413
IMG_0414
IMG_0415
IMG_0416
IMG_0417
IMG_0418
IMG_0419
IMG_0420
IMG_0421
IMG_0422
IMG_0423
IMG_0424
IMG_0425
IMG_0426
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0
72
IMAGEM QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
% RECONHECIMENTO
IMG_0274
27
26
0
4
96,296 NORMAL
IMG_0275
29
9
0
0
31,034 TREMIDA
IMG_0276
29
22
0
2
75,862 NORMAL
IMG_0277
38
17
0
6
44,737 NORMAL
IMG_0278
31
21
0
5
67,742 NORMAL
IMG_0279
28
12
0
3
42,857 TREMIDA
IMG_0280
33
18
0
9
54,545 NORMAL
IMG_0281
22
12
3
7
54,545 NORMAL
IMG_0282
24
12
1
8
50,000 NORMAL
IMG_0283
23
18
0
4
78,261 TREMIDA LEVE
IMG_0284
15
14
0
0
93,333 NORMAL
IMG_0285
15
13
0
0
86,667 TREMIDA LEVE
IMG_0286
15
13
0
5
86,667 NORMAL
IMG_0287
12
12
1
2
IMG_0288
12
12
0
5
100,000 NORMAL
IMG_0289
13
13
0
4
100,000 TREMIDA
IMG_0380
19
4
1
0
21,053 TREMIDA
IMG_0381
19
8
1
0
42,105 TREMIDA
IMG_0382
20
9
1
0
45,000 TREMIDA
IMG_0383
14
11
0
2
78,571 NORMAL
IMG_0384
12
10
0
1
83,333 TREMIDA LEVE
IMG_0385
15
14
0
3
93,333 NORMAL
IMG_0386
25
19
1
1
76,000 TREMIDA LEVE
IMG_0387
24
23
3
1
95,833 NORMAL
IMG_0388
26
22
0
0
84,615 NORMAL
IMG_0389
11
9
2
2
81,818 NORMAL
IMG_0390
12
9
1
2
75,000 NORMAL
IMG_0391
12
9
0
2
75,000 TREMIDA LEVE
IMG_0392
12
9
0
3
75,000 TREMIDA LEVE
IMG_0393
11
10
0
1
90,909 NORMAL
IMG_0394
20
16
0
2
80,000 NORMAL
IMG_0395
23
20
0
0
86,957 NORMAL
IMG_0396
14
9
1
1
64,286 NORMAL
IMG_0397
12
9
1
1
75,000 NORMAL
IMG_0398
16
15
0
2
93,750 NORMAL
IMG_0399
15
17
0
4
113,333 NORMAL
IMG_0400
13
10
1
2
76,923 NORMAL
IMG_0401
13
9
0
1
69,231 TREMIDA LEVE
IMG_0402
14
14
0
4
100,000 NORMAL
IMG_0403
14
12
0
2
85,714 NORMAL
IMG_0404
14
12
0
2
85,714 NORMAL
IMG_0405
14
13
0
3
92,857 NORMAL
IMG_0406
22
14
0
1
63,636 TREMIDA
IMG_0407
23
17
1
1
73,913 NORMAL
IMG_0408
22
17
0
3
77,273 NORMAL
IMG_0409
16
12
1
1
75,000 NORMAL
IMG_0410
17
12
1
1
70,588 TREMIDA
IMG_0411
19
15
0
1
78,947 TREMIDA LEVE
IMG_0412
17
15
0
0
88,235 NORMAL
IMG_0413
14
11
1
1
78,571 NORMAL
IMG_0414
15
13
0
1
86,667 NORMAL
IMG_0415
10
8
0
1
80,000 NORMAL
IMG_0416
11
8
0
1
72,727 NORMAL
IMG_0417
12
12
1
3
100,000 NORMAL
IMG_0418
13
12
0
2
92,308 NORMAL
IMG_0419
13
9
0
1
69,231 NORMAL
IMG_0420
13
11
0
2
84,615 NORMAL
IMG_0421
13
10
2
3
76,923 NORMAL
IMG_0422
12
11
0
3
91,667 NORMAL
IMG_0423
18
15
0
4
83,333 NORMAL
IMG_0424
16
14
0
3
87,500 NORMAL
IMG_0425
18
14
0
3
77,778 NORMAL
IMG_0426
17
15
2
2
88,235 NORMAL
73
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
19
19
18
30
30
28
30
29
31
32
30
32
31
20
20
20
19
19
18
19
19
18
17
18
22
24
21
21
24
28
30
17
28
28
17
18
19
19
19
16
17
18
0
0
0
0
0
0
1
3
1
1
1
2
0
0
1
2
0
1
1
0
0
1
3
3
3
3
2
4
2
4
5
3
6
6
2
3
3
3
4
4
5
3
94,737
89,474
100,000
73,333
80,000
75,000
70,000
82,759
90,323
93,750
56,667
87,500
90,323
85,000
90,000
95,000
100,000
100,000
88,889
89,474
94,737
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
NORMAL
TREMIDA
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
NORMAL
TREMIDA LEVE
NORMAL
NORMAL
Título do Gráfico
QTD. PESSOAS
RECONHECIDAS
ERROS
REPETIDAS
IMG_0274
IMG_0275
IMG_0276
IMG_0277
IMG_0278
IMG_0279
IMG_0280
IMG_0281
IMG_0282
IMG_0283
IMG_0284
IMG_0285
IMG_0286
IMG_0287
IMG_0288
IMG_0289
IMG_0380
IMG_0381
IMG_0382
IMG_0383
IMG_0384
IMG_0385
IMG_0386
IMG_0387
IMG_0388
IMG_0389
IMG_0390
IMG_0391
IMG_0392
IMG_0393
IMG_0394
IMG_0395
IMG_0396
IMG_0397
IMG_0398
IMG_0399
IMG_0400
IMG_0401
IMG_0402
IMG_0403
IMG_0404
IMG_0405
IMG_0406
IMG_0407
IMG_0408
IMG_0409
IMG_0410
IMG_0411
IMG_0412
IMG_0413
IMG_0414
IMG_0415
IMG_0416
IMG_0417
IMG_0418
IMG_0419
IMG_0420
IMG_0421
IMG_0422
IMG_0423
IMG_0424
IMG_0425
IMG_0426
IMG_0427
IMG_0428
IMG_0429
IMG_0430
IMG_0431
IMG_0432
IMG_0433
IMG_0434
IMG_0435
IMG_0436
IMG_0437
IMG_0438
IMG_0439
IMG_0440
IMG_0441
IMG_0442
IMG_0443
IMG_0444
IMG_0445
IMG_0446
IMG_0447
IMG_0448
IMG_0449
IMG_0450
IMG_0451
IMG_0452
IMG_0453
40
38
36
34
32
30
28
26
24
22
20
18
16
14
12
10
8
6
4
2
0

tcc 2 Final - Sistemas de Informação

Transcrição

Documentos relacionados

Inserindo Assinatura no Hotmail

estado de excepção - O Espaço do Tempo

Correcção Teste_3

Entrevista coletiva com Nick Bollettieri nesta sexta

global medical insurance® - brochura

Procedimento para Reinstalação do Sistema

Lojamundi – Tecnologia Sem Limites www.lojamundi.com.br

aplicação - IMG Producer Area

Monitor de Publicidade

fryselectronic