Conference PaperPDF Available

Abstract

Digital repository; Provenance marks; Images recognition; Repositório digital; Marcas de proveniência; Reconhecimento de imagens.
Universidade Federal do Rio Grande - FURG
19aMostra da Produção Universitária - MPU
Rio Grande/RS, Brasil, 11 a 13 de novembro de 2020
ISSN: 2317-4420
Sistema de Armazenamento e Reconhecimento de Marcas de Proveniência
PRADO, Mateus; VIAN, Alissa
BORGES, Eduardo; LUCCA, Giancarlo
RODRIGUES, Marcia;
mateusp2000@hotmail.com
Universidade Federal do Rio Grande
Palavras-chave: Repositório digital; Marcas de proveniência; Reconhecimento
de imagens.
1 INTRODUÇÃO
A preocupação com a segurança de acervos patrimoniais tem aumentado
nos últimos anos, especialmente em decorrência do aumento dos índices de
roubos e furtos em bibliotecas. A esse respeito, destaca-se a realização, em
novembro de 2018, do XIII Encontro Nacional de Acervo Raro (ENAR), evento
promovido pelo Plano Nacional de Recuperação de Obras Raras (PLANOR), da
Fundação Biblioteca Nacional, que teve como tema “Políticas de segurança e
salvaguarda de acervos raros e especiais”.
A partir do exposto, torna-se evidente a necessidade do desenvolvimento
de ferramentas que facilitem tanto o processo de registro destas marcas, especi-
almente por meio de imagens, quanto a sua posterior identificação e reconheci-
mento. Para esse fim foi desenvolvido o sistema apresentado neste trabalho.
Marcas de proveniência definem a procedência de um livro raro. Esta pro-
veniência refere-se ao registro de propriedade de um livro impresso ou manus-
crito, o que pode incluir, também, a jornada que um livro impresso ou manuscrito
realizou ao longo de sua vida, passando de um proprietário para outro.
2 METODOLOGIA
O sistema consiste de um repositório online, um aplicativo móvel e um
servidor de aplicação Web. Utilizando o repositório, usuários de diferentes insti-
tuições podem fazer upload de novas marcas, consultar e colher metadados de
marcas já disponíveis. Todos os dias, em um horário específico, o servidor de
aplicação Web automaticamente processa imagens adicionadas naquele dia e
salva seus descritores. Para não sobrecarregar os smartphones com processa-
mento de imagens foi decidido utilizar esse servidor. Questões de interoperabili-
dade do repositório são resolvidas usando o software Omeka.
O aplicativo mobile é utilizado exclusivamente para captura das marcas
de procedência. Para realizar o reconhecimento foi escolhido o algoritmo de
detecção de características Oriented FAST and rotated BRIEF (ORB) (Rublee
et al., 2011), que roda num servidor de aplicação Web. Após processar a foto
1
Universidade Federal do Rio Grande - FURG
19aMostra da Produção Universitária - MPU
Rio Grande/RS, Brasil, 11 a 13 de novembro de 2020
ISSN: 2317-4420
registrada pelo usuário, o aplicativo retorna links de 10 marcas no repositório,
ordenadas de acordo com suas similaridades em relação a imagem enviada. A
Figura 1 apresenta a arquitetura do sistema desenvolvido.
Figura 1: Diagrama do sistema.
Fonte: O autor.
3 RESULTADOS E DISCUSSÕES
Para garantir a eficácia do algoritmo escolhido para a detecção das mar-
cas e atestar sua eficiência, foi realizada uma comparação com o bem conhecido
algoritmo de detecção de características SIFT (Lowe, 1999). O conjunto de ima-
gens utilizado no experimento é formado por 48 fotos diferentes de 18 marcas de
procedência do tipo ex-libris capturadas da obra (SILVA; MACIEL, 2014).
Foram realizados três experimentos para avaliar o desempenho dos al-
goritmos analisados. O primeiro foi referente ao tempo necessário para cada
algoritmo detectar key points e computar os descritores das características ex-
traídas de todas as imagens. Foram feitas 10 execuções de cada algoritmo e
calculado o tempo médio.
Tabela 1: Resultado dos experimentos realizados.
Algoritmo ORB SIFT
Tempo médio para detecção de key points e 3,88s 48,60s
computação dos descritores
Tempo médio para cálculo de similaridade 0,14s 242,97s
Média das precisões médias (MAP) 96,09% 85,05%
2
Universidade Federal do Rio Grande - FURG
19aMostra da Produção Universitária - MPU
Rio Grande/RS, Brasil, 11 a 13 de novembro de 2020
ISSN: 2317-4420
O segundo experimento avalia o tempo necessário para calcular a simila-
ridade de uma determinada imagem com todas as demais presentes no conjunto
de dados. A similaridade é determinada pela média das distâncias entre descri-
tores identificados pelo algoritmo como equivalentes para cada par de imagens.
Assim como no primeiro experimento, foram realizadas 10 execuções de cada
algoritmo e calculado o tempo médio.
No terceiro experimento foi calculada a média das precisões médias (Mean
Average Precision - MAP) (MANNING; RAGHAVAN; SCHÜTZE, 2008), com o
objetivo de avaliar a qualidade da detecção de marcas duplicadas, ou seja, a ca-
pacidade dos algoritmos em reconhecer as marcas de procedência ex-libris em
diferentes imagens.
A Tabela 1 mostra os resultados de todos os experimentos realizados.
Todos os experimentos foram codificados utilizando a linguagem de programação
Python 3.7 e as implementações dos algoritmos da biblioteca OpenCV 2 em
um único thread de um processador Intel Core i7-4510U 2.0 GHz. Observando
os resultados percebe-se claramente o melhor desempenho do algoritmo ORB,
escolhido para o reconhecimento de marcas neste projeto.
4 CONSIDERAÇÕES FINAIS
Além de apresentar e explicar a arquitetura do sistema proposto, este
artigo comparou o desempenho dos algoritmos de detecção de características
ORB e SIFT para marcas de proveniência do tipo ex-libris. A partir da compara-
ção feita, podemos concluir que a utilização do ORB com esse tipo de marca é
preferível devido a velocidade superior com que o algoritmo executa as tarefas
de encontrar pontos relevantes nas imagens, calcular seus descritores e calcular
a similaridade entre imagens. O algoritmo ORB também apresentou maior confi-
abilidade no cálculo de similaridade das marcas, o que o torna a primeira opção
na escolha de um algoritmo para a realização das tarefas exigidas.
5 REFERÊNCIAS
Lowe, D. G. Object recognition from local scale-invariant features. In: IEEE
International Conference on Computer Vision. [S.l.: s.n.], 1999. v. 2, p.
1150–1157.
MANNING, C. D.; RAGHAVAN, P.; SCHÜTZE, H. Introduction to information
retrieval. [S.l.]: Cambridge university press, 2008.
Rublee, E. et al. Orb: An efficient alternative to sift or surf. In: International
Conference on Computer Vision. [S.l.: s.n.], 2011. p. 2564–2571. ISSN
1550-5499.
SILVA, A. C.; MACIEL, A. Livro dos ex-líbris. [S.l.]: Rio de Janeiro: Academia
Brasileira de Letras, São Paulo: Imprensa Oficial do Estado de São Paulo, 2014.
3
ResearchGate has not been able to resolve any citations for this publication.
Conference Paper
Full-text available
Feature matching is at the base of many computer vision problems, such as object recognition or structure from motion. Current methods rely on costly descriptors for detection and matching. In this paper, we propose a very fast binary descriptor based on BRIEF, called ORB, which is rotation invariant and resistant to noise. We demonstrate through experiments how ORB is at two orders of magnitude faster than SIFT, while performing as well in many situations. The efficiency is tested on several real-world applications, including object detection and patch-tracking on a smart phone.
Conference Paper
An object recognition system has been developed that uses a new class of local image features. The features are invariant to image scaling, translation, and rotation, and partially invariant to illumination changes and affine or 3D projection. These features share similar properties with neurons in inferior temporal cortex that are used for object recognition in primate vision. Features are efficiently detected through a staged filtering approach that identifies stable points in scale space. Image keys are created that allow for local geometric deformations by representing blurred image gradients in multiple orientation planes and at multiple scales. The keys are used as input to a nearest neighbor indexing method that identifies candidate object matches. Final verification of each match is achieved by finding a low residual least squares solution for the unknown model parameters. Experimental results show that robust object recognition can be achieved in cluttered partially occluded images with a computation time of under 2 seconds