GUILHERME BRUNI VINCENZI

MODELO DIDTICO DE SISTEMA MICROCONTROLADO PARA APLICAO EM FUTEBOL DE ROBS

LONDRINA

2012

GUILHERME BRUNI VINCENZI

MODELO DIDTICO DE SISTEMA MICROCONTROLADO PARA APLICAO EM FUTEBOL DE ROBS

Trabalho de Concluso de Curso apresentado ao Departamento de Engenharia Eltrica da Universidade Estadual de Londrina. Orientador: Prof. Dr. Ernesto Fernando Ferreyra Ramrez

LONDRINA 2012

GUILHERME BRUNI VINCENZI

MODELO DIDTICO DE SISTEMA MICROCONTROLADO PARA APLICAO EM FUTEBOL DE ROBS

Trabalho de Concluso de Curso apresentado ao Departamento de Engenharia Eltrica da Universidade Estadual de Londrina.

COMISSO EXAMINADORA

____________________________________ Prof. Dr. Ernesto Fernando Ferreyra Ramrez

Universidade Estadual de Londrina

____________________________________ Prof. Dr. Mrcio Roberto Covacic

Universidade Estadual de Londrina

____________________________________ Prof. Msc. Osni Vicente

Universidade Estadual de Londrina

Londrina, 13 de novembro de 2012.

DEDICATRIAS

A Deus, que iluminou o meu caminho durante

esta caminhada.

minha famlia que, com muito carinho e

apoio, no mediu esforos para que eu chegasse

at esta fase da minha vida.

minha namorada, pelo apoio e incentivo ao

trabalho realizado.

Aos meus amigos, pelos preciosos momentos

compartilhados e pela unio ao longo destes

anos.

A todos que contriburam para que a realizao

deste trabalho fosse possvel.

AGRADECIMENTOS

Agradeo aos meus pais, Marco Antonio e Maria Ceclia, e minha irm

Luiza, minha fonte diria de fora e alegria para enfrentar os obstculos, atingir

meus objetivos e sempre buscar o melhor. Obrigado por cada ensinamento, cada

momento, pela dedicao e por sempre acreditarem em mim.

Agradeo ao Prof. Dr. Ernesto Fernando Ferreyra Ramirez no s pela

possibilidade da realizao deste trabalho, mas tambm por todos os momentos

de convivncia e dedicao, alm do seu exemplo acadmico.

Aos professores Prof. Dr. Mrcio Roberto Covacic e Prof. Msc. Osni

Vicente pelo apoio tanto na realizao deste projeto quanto nesta caminhada ao

longo da Graduao.

A todos os professores do Departamento de Engenharia Eltrica da

Universidade Estadual de Londrina pela dedicao em ensinar e contribuir para a

minha formao acadmica ao longo destes anos de curso.

minha namorada Poliana pela compreenso, companheirismo, ateno,

apoio, pacincia e tranqilidade transmitida, me incentivando sempre a alcanar

os meus objetivos. Obrigado por tudo.

Ao meu tio Luiz Eduardo, exemplo de dedicao profissional, alm de

inspirao para traar minhas metas futuras na carreira. Obrigado pelos seus

ensinamentos.

Aos meus avs Waldomiro, Teresa, Oscar (in memorian) e Iracema, e

minha tia Maria Aparecida, obrigado pelo incentivo durante todo este perodo.

A Jos Marrara, David Krepsky e Prof. Dr. Dcio Gazzoni, pelas

contribuies dadas a este trabalho.

A todos os meus amigos, em especial a Rodrigo, Francisco, Jos Carlos,

Daniel, Danilo, Marcus, Mrcio, Willian e Alexandre, tambm pelas contribuies

dadas a este projeto, mas acima de tudo pela convivncia e pelos grandes

momentos proporcionados ao longo desta trajetria.

Por fim, agradeo a Deus por todas as oportunidades e graas alcanadas

ao longo da minha vida.

E no vos conformeis a este mundo, mas transformai-vos

pela renovao da vossa mente

Romanos 12:2

i

VINCENZI, Guilherme Bruni. Modelo Didtico de Sistema Microcontrolado

para aplicao em Futebol de Robs. 2012. 165 p. Trabalho de Concluso de

Curso (Graduao em Engenharia Eltrica) Universidade Estadual de Londrina,

Londrina, 2012.

RESUMO

H setenta anos, pesquisadores iniciaram estudos visando desenvolver

mtodos em que computadores auxiliem ou substituam seres humanos em

tarefas que exigem rapidez e preciso. Tais estudos deram incio Inteligncia

Artificial, objetivando transformar o raciocnio humano em modelos matemticos

interpretados por mquinas que possam analisar problemas e solucion-los sem a

interferncia humana. Uma das iniciativas est no Futebol de Robs, onde uma

frota de mquinas disputa uma partida de futebol de forma autnoma. O sistema

constitudo por trs mdulos: viso computacional, que identifica os objetos de

interesse e informa ao mdulo da estratgia a localizao de cada um deles;

estratgia, parte inteligente do sistema que define para qual posio o rob deve

ir; e um sistema de controle, que move o rob de acordo com a estratgia para se

chegar a uma posio desejada. O objetivo deste trabalho foi desenvolver um

modelo deste sistema, criando para isso um mdulo de Viso Computacional e

Estratgia em ambiente computacional MATLAB. Desenvolveu-se tambm um

sistema de controle no qual dois motores de corrente contnua so acionados com

um microcontrolador da Texas Instruments, MSP430G2553, recebendo os dados

necessrios para o controle, e um circuito de potncia com um transistor e uma

ponte H alimentado em 9 V. O sistema dispe de um mdulo de calibrao, onde

as cores dos objetos so inicializadas antes do sistema ser acionado.

Comparando os resultados obtidos com o embasamento feito, obteve-se

similaridade e constatou-se que o sistema trabalhou de forma satisfatria, atravs

do correto interfaceamento entre seus mdulos, bastando realizar algumas

melhorias na estrutura a fim de se obter melhor velocidade e preciso.

Palavras-chave: Futebol de Robs, Inteligncia Artificial, Viso Computacional,

Estratgia, Processamento de Imagens, Controle, Microcontrolador.

ii

VINCENZI, Guilherme Bruni. Didactic Model of Microcontrolled System for Robot Soccer Application. 2012. 165 p. End of Course Assignment (Electrical Engineering Graduation) Londrinas State University, Londrina, 2012.

ABSTRACT

Seventy years ago, researchers started studies in order to develop methods

where computers help or substitute human beings in tasks that require quickness

and precision. That studies initiated the Artificial Intelligence, aiming process the

human reasoning in mathematic models that are interpreted by machines that can

analyze problems and solve them without human interference. One of the

initiatives is the Robot Soccer, where a comittment of autonomous agents plays a

soccer match. The developed system consists of a computer vision module that

identify objects of interest and informs to the strategy module their location; the

strategy, intelligent part of the system that defines which position the robot should

go to; and a control system that moves the robot according to the strategy to reach

a desired position. The objective of this work was to develop a model for this

system, creating a Computer Vision and Strategy module in computational

environment MATLAB. Also, it was developed an electrical current driver circuit,

with a transistor and a H bridge fed at 9 V, to energize two DC motors, which were

triggered by a Texas Instruments microcontroller, MSP430G2553, receiving

required data for the control. The system has a calibration module, where the

objects colors are initialized before the system starts. Comparing the obtained

results and the done basement, similarity was obtained and the system worked

properly, simply do some improvements in the structure to obtain better speed and

precision.

Keywords: Robot Soccer, Artificial Intelligence, Computer Vision, Strategy, Image

Processing, Control, Microcontroller.

iii

LISTA DE ILUSTRAES

Figura 1 - Diagrama de blocos de um sistema GOFAI genrico. Modificado de

(MACKWORTH, 1993). .......................................................................................... 4

Figura 2 - Estrutura fsica de um jogo de Futebol de Robs (BIANCHI; REALI-

COSTA, 2000). ....................................................................................................... 7

Figura 3 - Modelo da arquitetura do sistema de Futebol de Robs (SHEN et al.,

1999). ..................................................................................................................... 8

Figura 4 - Diagrama de blocos do sistema de Viso Computacional para Futebol

de Robs (PENHARBEL et al., 2004). ................................................................. 11

Figura 5 - Diagrama simplificado de uma seo do olho humano (GONZALEZ;

WOODS, 2000). ................................................................................................... 13

Figura 6 - Funo da resposta espectral de cada um dos trs tipos de cones da

viso humana (SIMES, 2012). ........................................................................... 14

Figura 7 - Cubo RGB (RIGHES, 2004). ................................................................ 15

Figura 8 - Histogramas correspondentes a quatro tipos de imagens (GONZALEZ;

WOODS, 2000). ................................................................................................... 25

Figura 9 - Espao de cores utilizado no Futebol de Robs (BIANCHI; REALI-

COSTA, 2000). ..................................................................................................... 26

Figura 10 - Ambiente de calibrao de cores da equipe de Futebol de Robs da

FEI de 2004 (SATOMI et al., 2005). ..................................................................... 27

Figura 11 - Diagrama ilustrativo da utilizao do eixo de coordenadas cartesianas

em uma matriz de dados. (GONZALEZ et al., 2004) ............................................ 35

Figura 12 - Distncia entre dois pontos na matriz (GONZALEZ et al., 2004). ...... 36

Figura 13 - Algoritmo para clculo do centro de massa da bola (BIANCHI; REALI-

COSTA, 2000). ..................................................................................................... 37

Figura 14 - Ilustrao de algoritmo de identificao dos robs (BIANCHI; REALI-

COSTA, 2000). ..................................................................................................... 38

Figura 15 - Ilustrao de um algoritmo para interpretao de imagens

(FERNANDEZ et al., 2010). ................................................................................. 39

Figura 16 - Direes dos robs (SATOMI et al., 2005). ....................................... 43

Figura 17 - Transformao de energia em um motor (DUTRA, 2012). ................ 46

iv

Figura 18 - Construo de uma mquina DC (KOSOV, 1982). ............................ 47

Figura 19 - Efeitos da variao do fluxo na fora eletromotriz (KOSOV, 1982).... 50

Figura 20 - Regra de Fleming para o sentido da fem induzida (KOSOV, 1982). .. 51

Figura 21 - Regra da mo esquerda ou do motor (KOSOV, 1982). ..................... 52

Figura 22 - Comparao entre ao motora e ao geradora (KOSOV, 1982). .. 53

Figura 23 - Arquitetura genrica de um microcontrolador (FRANA, 2001). ....... 56

Figura 24 - Diagrama de blocos do MSP430G2553 (TEXAS INSTRUMENTS,

2012). ................................................................................................................... 58

Figura 25 - Pinagem do microcontrolador MSP430G2553 (TEXAS

INSTRUMENTS, 2012). ....................................................................................... 58

Figura 26 - Circuito para acionamento unidirecional do motor DC. ...................... 61

Figura 27 - Representao de uma ponte H. ....................................................... 62

Figura 28 - Circuito esquemtico para uma ponte H. ........................................... 63

Figura 29 - Pinagem do CI L293N (TEXAS INSTRUMENTS, 2012). ................... 65

Figura 30 - Diagrama de blocos do CI L293N (TEXAS INSTRUMENTS, 2012). . 65

Figura 31 - Diagrama de blocos do sistema proposto. ......................................... 67

Figura 32 - Exemplo de variao de pixels vizinhos para representar um mesmo

objeto. .................................................................................................................. 70

Figura 33 - Mscara na qual so calculadas as diferenas de um pixel w(i,j) com

seus vizinhos. ....................................................................................................... 71

Figura 34 - Situao hipottica para anlise de imagens. .................................... 75

Figura 35 - Diagrama ilustrativo da localizao do centride para o programa. ... 77

Figura 36 - Casos de deslocamento possveis para o sistema de estratgia. ...... 77

Figura 37 - Ilustrao do sistema das rodas dianteiras de um carro (FRANCISCO,

2012). ................................................................................................................... 82

Figura 38 - Circuito de potncia implementado para este trabalho. ..................... 87

Figura 39 - Estrutura montada para o rob. ......................................................... 91

Figura 40 - Imagem capturada para teste. ........................................................... 92

Figura 41 - Camadas RGB da imagem e seus respectivos histogramas. ............ 93

Figura 42 - Resultado mostrado pelo MATLAB aps o uso do algoritmo

computer_vision. .................................................................................................. 94

Figura 43 - Etapas do sistema de Viso Computacional. ..................................... 95

Figura 44 - Imagem capturada para o segundo teste. .......................................... 99

v

Figura 45 - Camadas RGB da imagem e seus respectivos histogramas. .......... 100

Figura 46 - Plano estratgico retornado pelo MATLAB para este teste. ............ 101

Figura 47 - Resultados das etapas do sistema de Viso Computacional para o

Teste II. .............................................................................................................. 102

Figura 48 - Valores recebidos no MATLAB pelo sistema de eco do

MSP430G2553. .................................................................................................. 106

Figura 49 - Formas de onda detectadas no osciloscpio para as portas P1.0

(acima) e P1.7 (abaixo) do MSP430G2553. ....................................................... 107

Figura 50 - Valores retornados ao MATLAB pelo sistema de eco do

MSP430G2553. .................................................................................................. 108

Figura 51 - Formas de onda no osciloscpio para as portas P1.0 (acima) e P1.6

(abaixo) do MSP430G2553. ............................................................................... 110

Figura 52 - Layout da placa PCI para o circuito de potncia dos motores DC. .. 112

Figura 53 - Visualizao 3D da placa PCI com os componentes. ...................... 113

Figura 54 - Placa com o circuito de potncia implementado para este trabalho. 113

vi

LISTA DE TABELAS

Tabela 1 - Comparao entre ao motora e ao geradora (DUTRA, 2012). .... 54

Tabela 2 - Modelos existentes para o deslocamento angular no sistema de

estratgia.............................................................................................................. 79

Tabela 3 Portas do MSP430G2553 a serem acionadas para cada movimento do

rob. ..................................................................................................................... 85

Tabela 4 - Resultados do ensaio feito com o motor DC traseiro. ......................... 89

Tabela 5 - Resultados obtidos no ensaio com o motor DC dianteiro. ................... 90

Tabela 6 - Variveis retornadas pelo algoritmo computer_vision no MATLAB. .... 95

Tabela 7 - Valores de massa, momentos de inrcia e das coordenadas do

centride para os corpos de interesse. ................................................................ 97

Tabela 8 - Variveis retornadas pelo algoritmo computer_vision no MATLAB. .. 101

Tabela 9 - Valores de massa, momentos de inrcia e centrides calculados para

os corpos de interesse. ...................................................................................... 103

Tabela 10 - Valores medidos de tenso e corrente para os movimentos do rob no

circuito de potncia. ........................................................................................... 111

Tabela 11 - Valores medidos de tenso e corrente nos testes com o rob para a

placa PCI. ........................................................................................................... 114

vii

SUMRIO

1. Introduo ......................................................................................................... 1

2. Futebol de Robs ............................................................................................. 4

2.1 Histria .......................................................................................................... 4

2.2 Caractersticas, Estrutura e Funcionamento ................................................. 7

3. Viso Computacional ..................................................................................... 11

3.1 Captura ....................................................................................................... 12

3.1.1 A Estrutura do Olho Humano ................................................................ 12

3.1.2 Modelo de Formao da Imagem ......................................................... 16

3.1.3 O Processo de Captura ........................................................................ 18

3.2 Calibrao ................................................................................................... 24

3.2.1 Conceito de Histograma ....................................................................... 24

3.2.2 O Processo de Calibrao de Imagens ................................................ 25

3.3 Filtro ............................................................................................................ 28

3.3.1 Filtragem por vizinhana ....................................................................... 29

3.4 Segmentao .............................................................................................. 30

3.4.1 Conceitos de Reconhecimento de Padres .......................................... 31

3.4.2 Deteco de objetos no Futebol de Robs ........................................... 33

3.5 Anlise ....................................................................................................... 34

3.5.1 Anlise Espacial em Futebol de Robs ................................................ 35

4. Estratgia ........................................................................................................ 40

4.1 Mdulo Interno de Modelos ......................................................................... 41

4.2 Plano Estratgico ........................................................................................ 42

4.3 Exemplos de Sistemas de Estratgia .......................................................... 42

5. Hardware de Controle .................................................................................... 45

5.1 Motor de Corrente Contnua ....................................................................... 46

5.1.1 Estator .................................................................................................. 47

5.1.2 Rotor ..................................................................................................... 48

5.1.3 Funcionamento da mquina DC ........................................................... 49

5.2 O Microcontrolador ...................................................................................... 55

5.2.1 O MSP430G2553.................................................................................. 57

5.2.2 Timer ..................................................................................................... 59

5.2.3 USART .................................................................................................. 59

5.3 Circuitos de Potncia para Motores DC ...................................................... 60

5.3.1 Acionamento Unidirecional do Motor DC .............................................. 60

5.3.2 Acionamento Bidirecional do Motor DC ................................................ 62

viii

6.Materiais e Mtodos ........................................................................................ 66

6.1 Sistema Proposto ........................................................................................ 66

6.2 Viso Computacional .................................................................................. 68

6.2.1 Aquisio da Imagem ........................................................................... 68

6.2.2 Calibrao ............................................................................................. 69

6.2.3 Filtro ...................................................................................................... 70

6.2.4 Segmentao ........................................................................................ 72

6.2.5 Anlise .................................................................................................. 74

6.3 Estratgia .................................................................................................... 76

6.3.1 Mdulo de Modelos ............................................................................... 76

6.3.2 Plano Estratgico .................................................................................. 80

6.4 Hardware de controle .................................................................................. 81

6.4.1 O Rob ................................................................................................. 81

6.4.2 Motores DC ........................................................................................... 82

6.4.3 O Microcontrolador ............................................................................... 84

6.4.5 Circuito de Potncia .............................................................................. 86

7.Resultados e Discusso ................................................................................. 89

7.1 Motores DC ................................................................................................. 89

7.2 Viso Computacional e Estratgia .............................................................. 91

7.2.1 Teste I ................................................................................................... 91

7.2.2 Teste II .................................................................................................. 99

7.3 Microcontrolador ....................................................................................... 105

7.3.1 Teste I ................................................................................................. 105

7.3.2 Teste II ................................................................................................ 108

7.4 Circuito de Potncia .................................................................................. 111

8.Concluso ...................................................................................................... 115

8.1 Trabalhos Futuros ..................................................................................... 117

Referncias Bibliogrficas .............................................................................. 118

Anexo A Fluxogramas e Cdigos: MATLAB ............................................... 122

Funo Calibration .......................................................................................... 123

Funo Histogram ........................................................................................... 126

Funo Computer_Vision ................................................................................ 127

Funo Dif_filter .............................................................................................. 139

Anexo B Fluxogramas e Cdigos: MSP430G2553 ...................................... 141

Rotina Main (Principal) .................................................................................... 142

Interrupo ...................................................................................................... 143

ix

Motor ............................................................................................................... 144

Cdigo em C++ ............................................................................................... 145

1

1. INTRODUO

Desde meados da dcada de 1940, pesquisadores vm unindo esforos

para desenvolver sistemas em que computadores possam auxiliar ou substituir

seres humanos na execuo de tarefas onde a rapidez e preciso so essenciais.

Destes esforos nasceu a Inteligncia Artificial (IA), que consiste em mtodos

visando o objetivo de transformar o raciocnio humano em modelos matemticos,

de modo que computadores possam analisar problemas e solucion-los sem a

interferncia humana (FERNANDEZ et al., 2010). Partindo desse pressuposto,

pesquisadores procuraram despertar o interesse por esta rea no ambiente

universitrio atravs do Futebol de Robs, atividade que possibilita a realizao

de experimentos reais com robs que apresentam comportamento inteligente e

cooperam entre si para a execuo de uma tarefa (BIANCHI; REALI-COSTA,

2000).

Demonstrando os sistemas baseados em inteligncia artificial, os

pesquisadores da Newton Labs criaram o primeiro time de futebol de robs. O

futebol foi o jogo escolhido dada a sua difuso internacional, as inmeras

possibilidades de aes no jogo e a dificuldade de se prever aes do adversrio.

O time era composto de trs pequenos robs em forma de cubo, controlados por

rdiofreqncia e baterias. A bola escolhida foi uma bola de golfe pintada de

laranja. O jogo se realizava em um campo de madeira pintado com fundo verde e

paredes laterais em branco. As quinas eram arredondadas para evitar que a bola

ficasse presa. Tais foram o sucesso e a performance alcanados por esta

empreitada, que este padro foi utilizado para criao da FIRA Federao

Internacional de Futebol de Robs Automatizados, que regulamenta todas as

competies nacionais e internacionais realizadas pela modalidade atualmente

(FERNANDEZ et al., 2010).

O futebol de robs, quando criado, levou para o campo da Inteligncia

Artificial um novo desafio a longo prazo. Porm, o desenvolvimento de um

sistema ao qual se d a denominao de rob para esta aplicao envolve muito

mais que a integrao de tcnicas de IA. Para jogar uma partida razoavelmente

bem, uma gama de tecnologias e disciplinas no campo da Engenharia Eltrica

devem estar integradas, a saber: Teoria de Controle e Automao, Dispositivos e

2

Circuitos Eletrnicos, Inteligncia Artificial, Hardware Especializado para Controle

de Sensores e Atuadores, Programao, Sistemas Multi-Agentes e

Instrumentao Eletrnica (KRAETZSCHMAR et al., 1999). Assim, a

interdisciplinaridade que envolve a construo deste sistema que faz de sua

realizao um marco para a revitalizao da Inteligncia Artificial visando

trabalhos futuros que tenham maior impacto social (KITANO et al., 1997).

O presente trabalho tem por finalidade desenvolver um sistema

microcontrolado, tanto na criao de hardware como de software, para aplicao

no campo de estudo de Futebol de Robs. Este sistema permitir, atravs de um

mdulo de aquisio e processamento de imagens e algoritmo de tomada de

deciso, definir a sequncia de movimentos que um rob, controlado por motores

de corrente contnua, dever fazer para se deslocar at uma bola que pode estar

em qualquer lugar do campo. Ao final, espera-se que este sistema tenha as

seguintes caractersticas:

Baixo custo de projeto e implementao;

Alto desempenho garantindo eficincia e confiabilidade na aquisio,

processamento e transmisso dos dados atravs da criao de interface

software-hardware;

Preciso nos deslocamentos angular e retilneo a serem realizados pelo

rob, atravs do controle dos motores DC realizados por um

microcontrolador;

tima funcionalidade com a presena de todos os casos possveis de

decises a serem tomadas pelo sistema.

O trabalho est organizado da seguinte forma:

No segundo captulo, tem-se uma breve descrio sobre o Futebol de

Robs, abrangendo sua histria e as caractersticas, estrutura e seu

funcionamento. No terceiro captulo, so apresentados os conceitos relativos ao

projeto e o funcionamento do sistema de Viso Computacional. No quarto

captulo, so mostrados os conceitos relativos ao projeto, implementao e

funcionamento do sistema de Estratgia para Futebol de Robs. No quinto

captulo, so apresentadas as caractersticas de projeto e funcionamento do

3

hardware de controle para os perifricos de um sistema em Futebol de Robs. No

sexto captulo, apresentam-se toda a metodologia e as etapas utilizadas para

projetar um sistema microcontrolado para Futebol de Robs, desde a parte digital

(controle de perifricos, sistema de Viso Computacional e Estratgia, calibrao,

microcontrolador, interface serial e controle de timers) at a parte analgica

(circuitos de potncia para alimentao e controle de motores de corrente

contnua). No stimo captulo apresentam-se os resultados e sua anlise a fim de

verificar o correto funcionamento do sistema, de acordo com os princpios e

conceitos apresentados nos captulos anteriores.

No oitavo e ltimo captulo, so apresentadas as concluses relativas ao

estudo, projeto e implementao de um modelo didtico de sistema

microcontrolado para aplicao em Futebol de Robs. E, por fim, so

apresentadas as referncias bibliogrficas e dois anexos contendo os

fluxogramas e os cdigos desenvolvidos em MATLAB e C++ para os sistemas de

aquisio de imagens, Viso Computacional, Estratgia e para o

microcontrolador, respectivamente.

4

2. FUTEBOL DE ROBS

2.1 HISTRIA

A idia de robs jogando futebol foi mencionada pela primeira vez pelo

professor Alan Mackworth (University of British Columbia, Canad), em um artigo

intitulado On Seeing Robots (MACKWORTH, 1993). Na poca, Mackworth

escreveu sobre suposies necessrias para a criao de sistemas inteligentes e

autnomos, baseado em uma aproximao do que era a Inteligncia Artificial da

poca, a que os pesquisadores chamavam GOFAI Good Old Fashioned Artificial

Intelligence and Robotics. Um sistema GOFAI pode ser entendido como aquele

que percebe e entende as caractersticas do mundo real sua volta e, em funo

delas, processa-as atravs de conceitos definidos e toma atitudes baseadas neste

processamento. Em outras palavras, um sistema independente que traduz

sinais e parmetros de entrada em aes reais, como movimentos fsicos.

Figura 1 - Diagrama de blocos de um sistema GOFAI genrico. Modificado de (MACKWORTH, 1993).

Para se projetar tal sistema, so necessrios trs mdulos: percepo,

raciocnio e ao. Para cada mdulo, so criadas ferramentas que auxiliem na

execuo de cada uma destas trs tarefas (MACKWORTH, 1993). Desta maneira,

pesquisadores da poca criaram trs sistemas para compor um modelo de rob.

O primeiro era um sistema de percepo que traduzia imagens arbitrrias do

mundo real em descries simblicas e numricas para posterior raciocnio e

planejamento. Aps isso, tais dados eram processados pelo segundo sistema

(raciocnio), onde as descries eram confrontadas com os modelos matemticos

criados e utilizados na programao do rob, produzindo um plano, que consiste

em uma lista de aes a serem executadas sequencialmente. Por fim, o ltimo

5

sistema, o de ao, recebe este plano e o executa atravs do envio de sinais e

comandos aos perifricos do rob fsico, geralmente utilizando motores.

Do sucesso deste modelo, foram definidas suposies para as estratgias

de um rob como agente para executar determinadas aes em qualquer

situao (MACKWORTH et al., 1998).

Indivduos e relaes entre si: Tudo que til para um agente pode ser

descrito em termos dos indivduos e suas relaes entre si;

Convico conhecimento: As convices de um agente a respeito do

mundo so verdadeiras e justificadas;

Conhecimento definido: O conhecimento de um agente sobre o mundo

definido e positivo;

Conhecimento Completo: O conhecimento de um agente sobre o mundo

completo. Isto requer que tudo relevante sobre o mundo seja conhecido

pelo agente. Assim, ele pode assumir seguramente se um fato falso ou

verdadeiro e quais atitudes dever tomar diante deste fato;

Ambiente Esttico: O ambiente esttico a no ser que o agente o

modifique;

Agente nico: Existe apenas um agente no mundo;

Mundo Determinstico: Dada uma descrio completa e definida do

mundo ao agente, ele pode prever todos os efeitos de uma ao;

Aes Sequenciais Discretas: Aes so discretas e so executadas

sequencialmente.

Estas suposies so restritivas. Com o tempo, elas sofreram uma

modificao, pois assumiu-se que os projetos de sistemas inteligentes e

autnomos podem contemplar mais de um agente (MACKWORTH et al., 1998).

Partindo destas idias, iniciaram-se outras pesquisas cientficas e tecnolgicas a

respeito deste tema.

Em outubro de 1992, em Tquio, um grupo de pesquisadores japoneses

organizou um Workshop chamado Grandes Desafios para a Inteligncia

Artificial, discutindo e propondo problemas que representavam grandes desafios.

Esse Workshop levou a srias discusses sobre utilizar um jogo de futebol para

6

promover cincia e tecnologia. Estudos foram feitos com a finalidade de analisar a

viabilidade prtica desta idia, mostrando que a mesma era vivel, desejvel e

englobava diversas aplicaes prticas (MARTINS, 2012). Em 1993, um grupo de

pesquisadores, incluindo Minoru Asada, Yasuo Kuniyoshi e Hiroaki Kitano lanou

uma competio robtica chamada de Robot J-League. Em um ms, vrios

pesquisadores j se pronunciavam afirmando que a iniciativa deveria ser

estendida ao mbito internacional. Surgiu, ento a Robot World Cup Initiative

(RoboCup).

O ano de 1997 foi um marco na histria da Inteligncia Artificial. Em maio

de 1997, o supercomputador da IBM, DeepBlue, derrotou o russo Garry

Gasparov, campeo mundial de xadrez na poca (humano). Ainda naquele ano, a

misso Pathfinder, da NASA, obteve sucesso coma sonda Sojourner, primeiro

sistema robtico autnomo para a explorao da superfcie de Marte. Assim, o

Futebol de Robs colocou-se como um novo desafio aos pesquisadores da

Inteligncia Artificial, com a RoboCup e a FIRA dando os primeiros passos no

desenvolvimento de robs jogadores de futebol pelo mundo (MARTINS, 2012).

No Brasil, o desenvolvimento de times de Futebol de Robs comeou com

a iniciativa do 1 Campeonato Brasileiro de Futebol de Robs (CBFR) no final de

1997, concebido pelo professor Dr. Alberto Elfes atravs do Instituto de

Automao do Centro de Tecnologia Informtica (IA/CTI), em Campinas. Desde a

sua primeira edio at hoje, participam times de algumas universidades

brasileiras que possuem estudos avanados na rea, tais como: estratgias de

jogo e o sistema de Viso Computacional para auxiliar na tomada de decises

durante as partidas (BIANCHI; REALI-COSTA, 2000); e filtros de imagem em

matriz de cores (PENHARBEL et al., 2004). Alm dessa competio, pode-se citar

tambm a CBFR (Copa Brasil de Futebol de Robs), que teve a sua primeira

edio em 1998 (GISDI, 2012).

7

2.2 CARACTERSTICAS, ESTRUTURA E FUNCIONAMENTO

Partidas de futebol entre robs constituem uma atividade que possibilita a

realizao de experimentos reais para o desenvolvimento e testes de robs que

apresentam comportamento inteligente e que cooperam entre si para a execuo

de uma tarefa, formando um time (BIANCHI; REALI-COSTA, 2000). Partindo

deste princpio, a estrutura que compe um time de futebol de robs deve

trabalhar com a menor margem de erro possvel nos clculos e ter a melhor

fidelidade possvel na aquisio, processamento e transmisso dos dados e sinais

ao longo do seu funcionamento, seguindo, alm disso, as normas que regem as

categorias de Futebol de Robs, regulamentadas pela FIRA.

Fisicamente a plataforma para as partidas constituda por um campo

plano e, para cada time, uma cmera de vdeo CCD (Charge-coupled device),

utilizada para converter as intensidades de luz que incidem sobre ela em valores

digitais armazenveis na forma de bits e bytes. Alm disso so usados um

respectivo sistema para aquisio de imagens, um computador, sistema de

aquisio de dados e os robs. A Figura 2 representa o esquema bsico do

sistema. A bola geralmente padronizada: uma bola de golfe laranja (BIANCHI;

REALI-COSTA, 2000).

Figura 2 - Estrutura fsica de um jogo de Futebol de Robs (BIANCHI; REALI-COSTA, 2000).

O funcionamento do jogo segue um esquema bsico: cada time realiza a

aquisio da imagem atravs da sua cmera, processa a imagem utilizando

tcnicas de Viso Computacional para descobrir a posio da bola e dos robs da

prpria equipe e da equipe adversria. A partir desta imagem, um sistema de

8

deciso, previamente criado por cada time, define a melhor ttica a aplicar e os

movimentos de cada rob. Com a deciso tomada, um sistema de comunicao

por rdio envia aos robs uma mensagem com o movimento a ser realizado. Aps

isso, o sistema eletrnico dos robs, a partir do momento que recebe os dados,

controla os motores para movimentar cada rob de acordo com o plano

especificado pelo bloco anterior.

Entre os desafios a serem analisados, segundo Shen (SHEN et al., 1999),

Jogadores robticos precisam realizar processos de reconhecimento visuais em

tempo real, navegar em um espao dinmico, rastrear objetos em movimento,

colaborar com outros robs e ter controle para acertar a bola na direo correta.

Para atingir tal objetivo, os robs devem ser autnomos, eficientes, cooperativos,

com capacidades de planejamento e raciocnio, alm de atuarem sob restries

de tempo real, e os sistemas que o integram devem possuir uma arquitetura

propcia a ter uma boa performance e flexibilidade (VELOSO et al., 1999). Um

modelo para a arquitetura deste sistema mostrado na Figura 3.

Sistema de Deciso

Mdulo de

Viso

Mdulo Interno de

Modelos

Planejador

Estratgico

Controlador

de

Movimento

Figura 3 - Modelo da arquitetura do sistema de Futebol de Robs (SHEN et al., 1999).

9

As caractersticas de cada mdulo so:

Mdulo de Viso (Vision Module): Mdulo responsvel pela aquisio e

processamento de imagens, onde as caractersticas da imagem so

convertidas em valores numricos, processadas de forma a eliminar rudos

ou interferncias e realar padres ou pontos de referncia que sejam teis

para os mdulos seguintes.

Mdulo Interno de Modelos (Internal Model Manager): Mdulo

responsvel por confrontar os dados da imagem processada com modelos

matemticos pertinentes aos tipos de movimentos que o rob executar.

Em outras palavras, faz todo o raciocnio lgico e matemtico para a

posterior definio do plano a ser executado pelo rob tanto

individualmente como em relao a uma estratgia da equipe.

Planejador Estratgico (Strategy Planner): Mdulo responsvel por

definir quais as decises a serem executadas de forma sequencial pelo

rob e pela equipe baseado nas informaes enviadas pelo mdulo

anterior.

Controlador de Movimento (Drive Controller): Mdulo responsvel por

executar as instrues dadas pelo mdulo anterior, atravs de comandos e

envio de sinais analgicos aos perifricos do rob.

Outro ponto a ser estudado no projeto e implementao de um time de

Futebol de Robs o interfaceamento entre os Mdulos de Aquisio de

Imagens, Viso Computacional, Estratgia e Execuo. Pois, se mal projetado,

programado ou dimensionado, consequentemente colocar fim ao sistema. Antes

de mais nada, o sistema de estratgia deve ser compatvel com o controle

aplicado aos robs e com a confiabilidade das informaes vindas do sistema de

viso computacional que detecta as posies e direes dos robs e da bola.

Alm disso, o controle deve permitir que a estratgia execute todas as aes

necessrias e o sistema de viso deve garantir que as informaes estejam

corretas para que a estratgia funcione adequadamente. Todas essas peas

integradas devem ser confiveis o suficiente para manter os robs operando

10

corretamente mesmo sob algumas condies adversas, como variaes de luz ou

interferncias (SATOMI et al., 2005).

Nos prximos captulos, sero abordados de maneira mais detalhada

alguns aspectos construtivos dos mdulos ou blocos que compem um sistema

microcontrolado para Futebol de Robs.

11

3. VISO COMPUTACIONAL

Como mencionado no captulo anterior, o primeiro dos mdulos que

compem o sistema das partidas de Futebol de Robs o mdulo de Viso

Computacional. Tal sistema essencial para a realizao das partidas e tem por

funo obter, a partir da imagem adquirida da cmera disposta sobre o campo de

jogo, a posio dos robs e a posio da bola em coordenadas do plano

cartesiano (X, Y) (GONZALEZ; WOODS, 2000). O princpio de funcionamento

deste sistema divide-se em cinco etapas. So elas: Captura, Filtragem,

Calibrao, Segmentao e Anlise. A Figura 4 mostra um diagrama com as

etapas do sistema de Viso Computacional.

Figura 4 - Diagrama de blocos do sistema de Viso Computacional para Futebol de Robs (PENHARBEL et al., 2004).

A viso computacional a parte mais complexa de todo o sistema. O

crebro humano, por exemplo, gasta 1/3 da sua capacidade ao fazer este

tratamento e processamento ptico (o crebro tem cerca de 100 bilhes de

neurnios). Se compararmos com a atividade neural para resolver o mais

complexo sistema matemtico, ou at mesmo o crebro de um grande jogador de

xadrez, esta atividade chegaria perto de 1% da utilizao dos neurnios. Assim, o

12

reconhecimento dos objetos ao seu redor, das pessoas e outras coisas que

envolvem a viso so de grande dificuldade de processamento para o crebro, o

que torna ainda mais difcil e desafiador a criao de um sistema autnomo que

faa esta interpretao atravs de modelos fsicos e matemticos (FERNANDEZ

et al., 2010).

Nas prximas pginas so expostos conceitos relativos s fases do

sistema de Viso Computacional.

.

3.1 CAPTURA

3.1.1 A Estrutura do Olho Humano

O sistema visual humano um mecanismo de interface com o ambiente.

Partindo do princpio de que a Inteligncia Artificial o estudo da computao e

da Engenharia que torne possvel, dentre uma enorme gama de tarefas, a

percepo, o olho humano uma fonte de novos modelos, o que justifica o breve

estudo do seu funcionamento para este trabalho.

A Figura 5 mostra um corte horizontal do olho humano. O olho

aproximadamente uma esfera com um dimetro mdio de cerca de 20 mm,

envolta por trs membranas: crnea; coride (cobertura externa da esclertica); e

retina. A crnea um tecido transparente e resistente que cobre a superfcie

anterior do olho. Tal membrana trabalha juntamente com a esclertica, estrutura

opaca que envolve o restante do globo ocular. A coride situa-se diretamente

abaixo da esclertica, contendo uma srie de vasos sanguneos que servem

como principal fonte de nutrio ao olho. Sua cobertura fortemente pigmentada

e auxilia a reduzir a quantidade de luz que, ao entrar no olho, se espalharia

indesejavelmente pelo globo ocular. Na sua extremidade anterior, a coride

dividida em corpo ciliar (responsvel pela acomodao do olho) e ris. Esta ltima

contrai-se ou expande-se de forma a controlar a quantidade de luz que entra no

olho (GONZALEZ; WOODS, 2000).

13

Figura 5 - Diagrama simplificado de uma seo do olho humano (GONZALEZ; WOODS, 2000).

O cristalino formado por camadas concntricas de clulas fibrosas, sendo

sustentado por fibras que se conectam ao corpo ciliar. Ele absorve

aproximadamente 8% da luz visvel com absoro relativamente maior nos

comprimentos de onda mais curtos.

A membrana mais intensa do olho a retina, que se estende sobre toda a

poro posterior do olho. Quando o olho est apropriadamente focalizado, a luz

de um objeto fora do olho tornada imagem na retina. A viso de padres

possibilitada pela distribuio de receptores discretos de luz sobre a superfcie da

retina. Tais receptores se dividem em duas classes: cones e bastonetes. O

nmero de cones em cada olho varia de 6 a 7 milhes, posicionados na regio

central da retina (fvea), sendo altamente sensveis a cores. J os bastonetes

apresentam-se em uma quantidade de 75 a 150 milhes em cada olho, sendo

responsveis pela viso espacial da imagem (acuidade visual). Eles no esto

14

envolvidos em viso colorida e so sensveis a baixos nveis de iluminao

(GONZALEZ; WOODS, 2000).

Nos cones, podem ser encontrados fotopigmentos que respondem aos

espectros de luz de trs comprimentos de onda distintos: 445 nm, 535 nm e 570

nm. Estes comprimentos de onda correspondem s cores vermelho, verde e azul,

grupo de cores que d origem camada de cores RGB (Red, Green and Blue). O

fato importante no estudo do comportamento do olho humano em relao s

imagens que a sensibilidade aos diferentes comprimentos de onda no ,

fisicamente, idntica (SIMES, 2012). Atravs desta variao que se

determinam as 256 cores clssicas que compem o espao de cores RGB. A

Figura 6 mostra a frao percentual de luz absorvida pelos cones para os

diferentes comprimentos de onda do espectro visvel.

Figura 6 - Funo da resposta espectral de cada um dos trs tipos de cones da viso humana (SIMES, 2012).

Para explicitar ainda mais esta variao, segue na Figura 7 um modelo das

diferentes combinaes existentes e como as cores variam visualmente nas

camadas RGB, atravs do cubo RGB.

15

Figura 7 - Cubo RGB (RIGHES, 2004).

Nos trabalhos com cores, importante atentar-se a duas propriedades do

mecanismo ocular que envolvem a interpretao de cores: a adaptabilidade ao

brilho e cor. Na adaptabilidade ao brilho, segundo Simes (SIMES, 2012),

superfcies com brilho de intensidade maior que o valor mdio do campo visual

em um determinado instante apresentam-se como brilhantes, e aquelas abaixo do

brilho mdio apresentam-se como escuras. Paralelamente, a adaptabilidade cor

faz com que uma fonte de cor brilhante tenda a reduzir a sensibilidade dos

receptores visuais a esta cor, ampliando a sensibilidade dos receptores cujo

estmulo fraco nesta situao. Assim, conclui-se que fontes brilhantes em uma

imagem podem distorcer completamente a interpretao dos receptores

localizados nos cones do olho humano, sendo prefervel a utilizao de fontes que

estejam dentro do brilho mdio da imagem, para que a interpretao seja a mais

fiel possvel da realidade. Alm disso, pode-se citar tambm o fato de que o

sistema visual humano tende a subestimar ou superestimar as intensidades

luminosas prximas aos contornos entre regies de diferentes intensidades,

alterando o padro de brilho da imagem. Este um motivo a mais para que a

16

incidncia de fontes luminosas de alto brilho seja a menor possvel (GONZALEZ;

WOODS, 2000).

3.1.2 Modelo de Formao da Imagem

O entendimento de como uma imagem se comporta aos olhos de um

observador passa pela interpretao da fsica deste fenmeno. Assim, existe a

necessidade de uma descrio matemtica deste sistema atravs de um modelo.

O termo imagem refere-se a uma funo de intensidade luminosa

bidimensional, denotada por f(x, y), em que o valor da amplitude de f nas

coordenadas espaciais (x, y) d a intensidade (brilho) da imagem naquele ponto.

Como a luz uma forma de energia, f(x, y) deve ser positiva e finita, isto ,

(GONZALEZ; WOODS, 2000).

As imagens que as pessoas percebem em atividades visuais corriqueiras

consistem de luz refletida dos objetos. A natureza bsica de f(x, y) pode ser

caracterizada por dois componentes: a quantidade de luz incidindo na cena sendo

observada e a quantidade de luz refletida pelos objetos da cena.

Apropriadamente, esses componentes so chamados iluminao e reflectncia,

respectivamente (GONZALEZ; WOODS, 2000). Tais elementos so

representados por i(x,y) e r(x,y). O produto das funes i(x,y) e r(x,y) resulta em

f(x,y).

Eq. (1)

Eq. (2)

Eq. (3)

A equao Eq. (3) indica que a reflectncia limitada entre 0 (absoro

total) e 1 (reflexo total). A natureza de i(x,y) determinada pela fonte de luz, e

r(x,y) determinada pelas caractersticas dos objetos presentes na imagem

(GONZALEZ; WOODS, 2000).

Uma denominao comumente utilizada para a intensidade f(x,y) a de

nvel de cinza, ou . Das equaes Eq. (1) a Eq. (3), pode-se concluir que fica

restrito ao intervalo:

17

Lmn Lmx Eq. (4)

Em teoria, a nica restrio sobre Lmn que seja um valor positivo e sobre

Lmx que seja finito. O intervalo [Lmn, Lmx] denominado escala de cinza. Na

prtica, utiliza-se o intervalo [0, L], onde = 0 considerado preto e = L

considerado branco. Todos os valores intermedirios so tons de cinza variando

continuamente entre o branco e o preto. Vale lembrar que os valores de nveis de

cinza so representaes numricas das quantidades de luz absorvidas pelos

receptores dos cones do olho humano (como mostrado em 3.1.1), criando um

modelo para o comportamento colorido de uma imagem (GONZALEZ; WOODS,

2000).

Para ser adequada para processamento computacional, uma funo f(x, y)

precisa ser digitalizada tanto espacialmente quanto em amplitude. A digitalizao

das coordenadas espaciais (x, y) denominada amostragem da imagem e a

digitalizao da amplitude chamada quantizao em nveis de cinza

(GONZALEZ; WOODS, 2000).

Supondo que uma imagem contnua f(x, y) aproximada por amostras

igualmente espaadas, arranjadas na forma de uma matriz NxM, como mostrado

na equao Eq. (5), em que cada elemento uma quantidade discreta. Tal matriz

representa o que denominada uma imagem digital, e cada elemento desta

matriz chamado elemento de imagem, ou pixel (abreviao de picture element,

elementos de figura) (GONZALEZ; WOODS, 2000). Cada pixel possui um limite

para nveis de cinza discretos e amostras. Assim, para se obter a melhor

aproximao possvel de uma imagem em sua digitalizao, so necessrios

valores cada vez maiores de nveis de amostragem e quantizao. A essa

combinao de nveis de quantizao e amostras d-se o nome de resoluo

(GONZALEZ; WOODS, 2000). Deste modo, quanto maiores os nveis de

amostragem e quantizao, maior ser a resoluo da imagem digitalizada.

18

Eq. (5)

Alm dessas caractersticas, h tambm outros parmetros a se definir e

medir em uma imagem digital, como o contraste e a tonalidade. O contraste

uma medida da diferena de brilho entre as reas claras e escuras de uma

imagem. Por exemplo, fotos tiradas em condio de neblina ou fumaa tero

baixo contraste, enquanto que fotos tiradas em regies com alta incidncia de luz

solar tero contraste muito mais alto. J a tonalidade definida como a variao

crtica de brilho em uma imagem. Por exemplo, imagens em que h sombras,

reflexos de objetos na gua, neblina, so todas imagens que apresentam

variaes sutis de brilho, tendo portanto tons diferentes de uma mesma cor em

um mesmo espao (CAMBRIDGE, 2012).

3.1.3 O Processo de Captura

Partindo dos conceitos explcitos nos itens anteriores, possvel agora

definir atravs de modelos como ocorre o processo de captura.

Dois elementos so necessrios para a aquisio de imagens. O primeiro

um dispositivo fsico que seja sensvel a uma banda do espectro de energia

eletromagntica (como raios X, ultravioleta, visvel, ou banda infravermelha) e que

produza um sinal eltrico de sada proporcional a um nvel de energia percebida.

O segundo, chamado digitalizador, um dispositivo para a converso da sada

eltrica de um dispositivo de sensoreamento fsico para a forma digital

(GONZALEZ; WOODS, 2000). Atravs destes elementos, feito o processo de

interpretao das caractersticas de intensidade dos tons de cinza em cada par de

coordenadas espaciais (x,y), tomando como base as equaes Eq. (1) a Eq. (4).

Aps isso, os elementos so dispostos em uma matriz de acordo com a equao

Eq. (5). As dimenses da matriz da imagem sero equivalentes ao nmero de

amostras e aos nveis de quantizao na converso, ou seja, sendo uma matriz

19

ANxM representando a imagem digital e R e Z os nveis de quantizao e o nmero

de amostras, respectivamente, tem-se:

Eq. (6)

Assim, os valores de N e M determinam a resoluo da imagem digital

(GONZALEZ; WOODS, 2000).

Para um sistema autnomo com Inteligncia Artificial, necessrio que o

processo de captura da imagem seja independente, ou seja, o perifrico (no caso,

uma cmera) do sistema responsvel pela aquisio das imagens deve ser

programado nos parmetros desejados para funcionar sem nenhuma interferncia

humana no processo. Na maioria dos casos, este perifrico controlado via

software, atravs de programas que possuam protocolos de comunicao e

configuraes definidas para controlar tais dispositivos. Um deles o software

MATLAB, utilizado na construo do projeto descrito neste trabalho, em funo de

atender aos requisitos desejados e utilizar uma melhor interface entre o usurio e

o programa.

Na verso 7.11 (R2010b) do software MATLAB, existe uma biblioteca de

trabalho chamada Image Acquisition Toolbox. Nesta biblioteca existe um conjunto

de funes que permite controlar tanto a configurao quanto o funcionamento de

uma cmera conectada ao computador atravs de uma porta USB

(TANNENBAUM, 2012.). O usurio pode detectar se h algum hardware

conectado e configurar suas propriedades. Alm disso, uma das grandes

vantagens da utilizao desta ferramenta que o MATLAB permite controlar os

perifricos conectados a ele em tempo real, condio fundamental para o

funcionamento adequado de um sistema autnomo.

Nas prximas linhas so expostas as funes desta Toolbox utilizadas no

projeto de Futebol de Robs deste trabalho (TANNENBAUM, 2012.).

Videoinput: Funo que cria um objeto de entrada de vdeo. OBJ =

VIDEOINPUT(ADAPTORNAME) constri um objeto de entrada de vdeo

chamado OBJ. Este objeto representa o local por onde se dar conexo

entre o MATLAB e um determinado dispositivo para aquisio de imagens

20

(cmera). A funo ADAPTORNAME uma string que especifica o nome

do adaptador utilizado para se estabelecer a comunicao do MATLAB

com o dispositivo. Deve-se utilizar tambm a funo IMAQHWINFO para

determinar os adaptadores disponveis no sistema do computador utilizado.

Get: Funo que obtm as propriedades do dispositivo para a aquisio

das imagens. GET(OBJ) mostra todos os nomes das propriedades e seus

valores para os dispositivo OBJ.

Inspect: Funo que possibilita configurar as propriedades do dispositivo

de aquisio de imagens. INSPECT(OBJ) abre o inspetor de propriedades

e possibilita configurar as propriedades do dispositivo OBJ.

Set: Funo que configura as propriedades do dispositivo de aquisio de

imagens. SET(OBJ) mostra os nomes da propriedades e qualquer valor

enumerado para todas as propriedades configurveis do dispositivo OBJ.

Start: Faz a conexo do dispositivo para aquisio de imagens como

MATLAB, ativando o dispositivo. START(OBJ) obtm uso exclusivo de um

determinado dispositivo OBJ pelo MATLAB, iniciando o processo de

aquisio de imagens de acordo com as configuraes estabelecidas. Em

outras palavras, o comando necessrio para se iniciar todo o processo de

aquisio de arquivos de imagens ou vdeo.

Stop: Interrompe o processo de aquisio de imagens. STOP(OBJ)

interrompe o processo de aquisio de imagens ou vdeo pelo determinado

objeto OBJ.

Wait: Funo que bloqueia a linha de comando do MATLAB at que uma

entrada de vdeo OBJ pare de rodar. digitada no MATLAB com

WAIT(OBJ).

21

Trigger: Dispara o objeto de aquisio de imagem para obter uma imagem

ou um vdeo. escrito como TRIGGER(OBJ). Para executar este

comando, necessrio que o dispositivo j esteja ativo, ou seja, deve ser

utilizado o comando START(OBJ) antes do comando TRIGGER.

Triggerconfig: Comando que configura as opes de disparo para o

dispositivo de aquisio das imagens. Para uma lista de parmetros vlidos

de configurao, deve-se utilizar o comando TRIGGERINFO(OBJ). Para se

executar a configurao, deve-se utilizar o comando

TRIGGERCONFIG(OBJ,CONFIG). Tal comando configura os parmetros

de disparo do objeto OBJ atravs de uma estrutura do MATLAB chamada

CONFIG.

Flushdata: Funo que remove as imagens ou frames de vdeo

armazenados temporariamente na memria do computador.

FLUSHDATA(OBJ) remove todas as imagens ou frames armazenados

temporariamente que foram captados pelo dispositivo OBJ.

Getdata: Funo que retorna o nmero de frames especificados pela

propriedade FramesperTrigger do objeto para aquisio de imagens OBJ.

DATA = GETDATA(OBJ) retorna uma varivel DATA contendo o nmero

de frames especificados pela propriedade FramesperTrigger de OBJ. Para

se determinar o nmero de frames a serem retornados sem mexer nas

configuraes, utiliza-se DATA = GETDATA(OBJ,N). DATA retornada

como uma matriz H x W x B x F, onde:

H altura da imagem, especificada na propriedade ROIPosition.

W largura da imagem, especificada na propriedade ROIPosition.

B Nmero de cores da imagem, especificada na propriedade

NumberofBands.

F Nmero de frames.

Getsnapshot: Funo que imediatamente retorna um nico quadro de

uma imagem, ou frame de um vdeo, capturado por um dispositivo. Assim,

22

FRAME = GETSNAPSHOT(OBJ) retorna uma matriz FRAME H x W x B,

sendo H, W e B os valores conforme especificado no comando anterior.

Atravs dos comandos IMAGE ou IMAGESC, possvel visualizar estes

dados na forma de uma imagem, e no de uma matriz.

Peekdata: Retorna a ltima imagem que foi adquirida por um determinado

dispositivo. DATA = PEEKDATA(OBJ,FRAMES) retorna os ltimos frames

escritos pela varivel FRAMES capturados pelo dispositivo OBJ. DATA

retornada na forma de uma matriz H x W x B x F, onde H, W, B e F so

definidas como no comando GETDATA.

Imaqmem: Funo que limita ou mostra a memria em uso pela Image

Acquisition Toolbox. MEM = IMAQMEM retorna uma estrutura, MEM,

contendo os seguintes campos:

MemoryLoad um nmero entre 0 e 100 que d uma idia geral do

quanto de memria est sendo utilizada.

TotalPhys Nmero total de bytes de memria fsica.

AvailPhys Nmero de bytes da memria fsica disponveis.

TotalPageFile Nmero total de bytes que podem ser armazenados no

arquivo de paginao.

FrameMemoryLimit Limite de memria para aquisio de frames em

bytes.

FrameMemoryUsed Memria de um frame em bytes atualmente alocado

pela caixa de ferramentas.

IMAQMEM(LIMIT) configura o limite de memria, em bytes, a ser utilizado

pela Image Acquisition Toolbox.

Delete: DELETE(OBJ) remove o dispositivo de aquisio de imagens,

OBJ, da memria do sistema. Quando OBJ deletado, ele torna-se um

dispositivo invlido. Um objeto invlido deve ser removido da rea de

trabalho do MATLAB utilizando-se o comando CLEAR.

23

Imaqfind: Mostra uma lista de todos os dispositivos para aquisio de

imagens que existem na memria. Se apenas um dispositivo encontra-se

na memria de trabalho do MATLAB, IMAQFIND mostra um resumo

detalhado do objeto. OUT = IMAQFIND retorna um array OUT de todos os

dispositivos de aquisio de imagens existentes na memria.

Imaqreset: Comando que desconecta e deleta todos os objetos de

aquisio de imagens. IMAQRESET deleta todos os objetos de aquisio

de imagens da memria do programa, assim como descarrega todos os

adaptadores carregados pela caixa de ferramentas. Como resultado, o

hardware de aquisio de imagens resetado. Em outras palavras, este

comando reseta todo o programa de aquisio de imagens, retornando o

MATLAB ao seu estado inicial, ou seja, sem imagens carregadas e sem

adaptadores carregados.

Imaqhelp: IMAQHELP(OBJ) mostra uma lista completa das funes de um

determinado dispositivo de captura de imagens. Alm disso, mostra

tambm um menu de ajuda para as propriedades do dispositivo.

Imaqhwinfo: OUT = IMAQHWINFO retorna uma estrutura, OUT, que

contm informaes sobre o hardware para aquisio de imagens. Estas

informaes incluem a verso da caixa de ferramentas, verso do MATLAB

e nomes dos adaptadores instalados.

Propinfo: OUT = PROPINFO(OBJ) retorna um array de estrutura, OUT,

com os nomes das propriedades de um determinado dispositivo OBJ.

24

3.2 CALIBRAO

3.2.1 Conceito de Histograma

O histograma de uma imagem digital com nveis de cinza no intervalo [0, L-

1] uma funo discreta p(rk) = nk/n, onde rk o k-simo nvel de cinza, nk o

nmero de pixels na imagem com esse nvel de cinza, n o nmero total de

pixels na imagem e k = 0, 1, 2, 3, ..., L-1. De forma resumida, p(rk) uma

estimativa da probabilidade da ocorrncia de um determinado nvel de cinza rk.

Um grfico dessa funo para todos os valores de k fornece uma descrio global

da aparncia de uma imagem (GONZALEZ; WOODS, 2000). A Figura 8 mostra

os histogramas de quatro tipos bsicos de imagens. A Figura 8(a) mostra que os

nveis de cinza presentes na imagem concentram-se na extremidade de valores

menores, ou seja, caracteriza uma imagem com predominncia de cores escuras.

Na Figura 8(b), verifica-se o contrrio, onde h uma predominncia maior dos

nveis de cinza com valores mais altos, caracterizando uma imagem clara. Na

Figura 8(c), percebe-se uma faixa de variao pequena de nveis de cinza

predominantes, no havendo predominncia de cores escuras nem claras,

caracterizando uma imagem de baixo contraste. Por fim, na Figura 8(d), tem-se

uma distribuio melhor dos nveis de cinza na imagem, no havendo

predominncia de um grupo especfico de nveis de cinza, alm de uma faixa de

variao maior. Tais caractersticas denominam tal imagem como uma imagem de

alto contraste.

Embora as propriedades avaliadas anteriormente sejam descries globais

a respeito de uma imagem, o histograma uma ferramenta de informao til

sobre a possibilidade para realce do contraste. Atravs desta anlise, percebem-

se as caractersticas de nveis de cinza predominantes na imagem e quais deles

se deseja realar, atravs de tcnicas de processamento adequadas.

Especificamente no ambiente de Futebol de Robs, o histograma representa um

recurso importante para anlise das caractersticas que se desejam realar e

processar na imagem, obtendo a melhor fidelidade de dados possvel para os

mdulos seguintes que fazem parte do sistema.

25

Figura 8 - Histogramas correspondentes a quatro tipos de imagens (GONZALEZ; WOODS, 2000).

3.2.2 O Processo de Calibrao de Imagens

O maior problema do sistema de viso computacional para o jogo de

futebol de robs que as cores utilizadas na competio no permanecem iguais

durante toda uma partida. Por exemplo, a cor da bola muda quando ela se

desloca do centro da imagem para a borda, e o mesmo acontece com a cor de

qualquer outro objeto. Tal fenmeno ocorre porque a luminosidade do campo no

homognea. Alm disso, o espao de cores utilizado durante uma partida no

possui regies linearmente separveis. Por isso, tcnicas de segmentao

baseadas em limiarizao esttica, ou seja, onde o limiar dos corpos no se

altera, no apresentam bons resultados, perdendo os objetos durante o jogo

(BIANCHI; REALI-COSTA, 2000). Tais tcnicas tentam separar as cores dos

objetos criando regies cbicas no espao de cores (com os planos do cubo

ortogonais aos eixos). Analisando a Figura 9, nota-se que o espao de cores

26

realmente no possui separao entre regies, sendo necessria a utilizao de

alguma alternativa para uma melhor definio dos dados a serem processados.

Figura 9 - Espao de cores utilizado no Futebol de Robs (BIANCHI; REALI-COSTA, 2000).

Partindo de tal situao, pesquisadores propuseram diferentes sistemas

para solucionar este impasse. Bianchi e Reali-Costa (BIANCHI; REALI-COSTA,

2000), por exemplo, propuseram um sistema que realiza o rastreamento das

cores dos objetos durante o jogo, visto que ao longo de uma partida completa as

cores podem se misturar, mas em um determinado instante elas so facilmente

separveis. Assim, este sistema inicializa a cor da bola, dos robs do time e do

time adversrio durante a calibrao e atualiza o valor da cor destes objetos a

cada quadro com a mdia das trs ltimas medidas. Com isto, a todo momento

tem-se um valor de cor prximo ao real, o que permite separar cores prximas no

espectro e encontrar objetos cuja cor percorre, durante a partida, um caminho na

faixa do espao de cores.

Paralelamente a isto, Satomi e um grupo de pesquisadores (SATOMI et al.,

2005), em 2004, desenvolveu um sistema GUI (Graphical User Interface) de

27

calibrao para ambiente LINUX, permitindo a definio de cores padro, que

eram necessrias para um sistema de filtro desenvolvido para a equipe de

Futebol de Robs criada por eles. Tal interface para este sistema pode ser vista

na Figura 10.

Figura 10 - Ambiente de calibrao de cores da equipe de Futebol de Robs da FEI de 2004 (SATOMI et al., 2005).

Assim, baseado nos exemplos anteriores, nota-se a importncia

fundamental da criao de sistemas de calibrao de cores ou padres para o

correto funcionamento do sistema de Viso Computacional em times de Futebol

de Robs. Sem esse sistema, pode no haver fidelidade nas informaes a serem

processadas pelo sistema caso os padres a serem encontrados nas imagens

estejam distorcidos em relao a um comportamento terico.

28

3.3 FILTRO

A utilizao de tcnicas para filtrar uma imagem adquirida por uma cmera

tem o objetivo de eliminar rudos ou interferncias entre os pixels da imagem. No

sistema de Viso Computacional para Futebol de Robs, os filtros so uma parte

muito importante, pois os dados filtrados por esta etapa sero usados na

segmentao das imagens, permitindo localizar os objetos importantes para

realizar o controle de um jogo (PENHARBEL et al., 2004).

A grande dificuldade em se implementar filtros de cores causada pela

diferena de luminosidade que ocorre nas diferentes partes do campo, embora

haja uma ateno com este fato. Alm disso, outro problema que os filtros

apresentam a dificuldade de separao correta de cores muito similares.

Algumas vezes, cores muito prximas no espectro RGB podem ser confundidas,

alm do fato de que o sinal proveniente da cmera pode ter rudos que,

eventualmente, interferem no sistema de viso e no filtro, prejudicando o seu

desempenho (PENHARBEL et al., 2004).

Partindo desta necessidade, um filtro deve ser projetado de forma a

fornecer um sistema de filtragem robusto, computacionalmente eficiente e menos

influenciado por rudos ou variao de luminosidade.

Numa filtragem, o processamento de um nvel de cinza kr de um pixel

depende dos valores do nvel de cinza do prprio pixel e dos pixels vizinhos, ou

seja, os elementos da matriz de imagem mais prximos do elemento em questo.

Em geral, na vizinhana, os pixels mais prximos contribuem mais na definio do

novo valor do nvel de cinza do que os pixels mais afastados (FACON, 2005).

Alm disso, deve-se levar em conta que o tipo de processamento dado ao pixel

depende do tipo de rudo que se deseja filtrar ou qual caracterstica da imagem se

deseja realar ou eliminar.

29

3.3.1 Filtragem por vizinhana

Vrios tipos de rudos podem ser encontrados em uma imagem. Assim,

proporcionalmente aos tipos de rudos, existem tambm filtros especficos para

cada um deles. Especificamente no Futebol de Robs, um dos problemas com

relao s imagens capturadas durante uma partida est relacionado com a

variao brusca de nveis de cinza nos contornos das formas de uma imagem.

Assim, faz-se necessria a utilizao ou criao (se for mais conveniente) de

filtros espaciais que eliminem tais variaes, atravs de uma filtragem por

vizinhana, diminuindo a probabilidade de erro ao longo dos clculos seguintes no

sistema de Viso Computacional.

Uma das tcnicas conhecidas para diminuir tais variaes a comparao

ponto a ponto (RIGHES, 2004), que serviu de modelo para a proposta de filtro

apresentada neste trabalho. Tal mtodo consiste de uma janela (imagem

exemplo) que desliza sobre uma ou mais imagens de referncia, calculando-se a

diferena entre os pixels do exemplo e da referncia. Esta diferena cumulativa

para cada posio da janela e as imagens de referncia que possurem o valor de

erro abaixo de um limite so escolhidas ou tratadas. A imagem de exemplo uma

imagem menor ou de igual tamanho ao das imagens de referncia. Esta tcnica

possui problemas no que diz respeito qualidade da imagem aps seu uso, mas

os padres desejados mantm-se os mesmos, perdendo parte da informao da

imagem ou no de acordo com o valor de erro adotado.

A descrio detalhada do equacionamento utilizado para a implementao

deste filtro exposta na seo 6.2.3 deste trabalho.

30

3.4 SEGMENTAO

Alguns psiclogos alemes no incio do sculo XX introduziram o princpio

da segmentao. Eles mostraram que o ser humano, no aspecto viso, efetua

agrupamentos sobre o que ele percebe, baseados em proximidade, similaridade e

continuidade. Segundo alguns estudos baseados na teoria da viso, a

decomposio de uma cena visual em unidades significantes mostra-se uma

etapa fundamental na compreenso da imagem (FACON, 2005). No campo da

Robtica, a viso por computador tenta adotar um funcionamento anlogo ao da

viso humana. A segmentao traduz esse esforo.

A segmentao subdivide uma imagem em suas partes ou objetos

constituintes. O nvel at onde essa subdiviso deve ser realizada depende do

problema a ser resolvido. Ou seja, a segmentao deve parar quando os objetos

de interesse na aplicao tiverem sido isolados (GONZALEZ; WOODS, 2000).

Esta etapa do processo de Viso Computacional muito importante, pois uma

segmentao efetiva quase sempre garante sucesso no reconhecimento das

caractersticas que sero processadas posteriormente. Por essa razo, um

cuidado considervel deve ser tomado para se melhorar as chances de uma

segmentao robusta.

Os algoritmos de segmentao de imagens so geralmente baseados nas

seguintes propriedades bsicas dos nveis de cinza: descontinuidade e

similaridade. Na primeira, a metodologia consiste em particionar a imagem

baseado em mudanas bruscas nos nveis de cinza, fazendo a deteco

(deteces) de pontos isolados ou deteco de linhas de bordas na imagem. Na

segunda categoria, o processo baseia-se em limiarizao, crescimento de regies

e diviso ou fuso de regies (GONZALEZ; WOODS, 2000). Alm dos tipos

citados, h tambm uma terceira classe de algoritmos muito utilizada: a de

reconhecimento de padres, categoria utilizada neste trabalho.

31

3.4.1 Conceitos de Reconhecimento de Padres

O reconhecimento de padres uma habilidade extremamente

desenvolvida em seres humanos e em alguns animais. O grau de refinamento

deste reconhecimento, por parte do ser humano, pode chegar a ponto de

distinguir uma pintura de um grande mestre daquela feita por um grande falsrio

ou at estabelecer uma tomada de deciso por parte de um operador em um dia

de grande movimento na bolsa de valores. Assim, pode-se dizer que padres so

os meios pelos quais o mundo interpretado, a partir de propriedades que

possibilitam o agrupamento de objetos ou caractersticas semelhantes dentro de

uma determinada classe ou categoria, mediante a interpretao de dados de

entrada, permitindo a extrao das caractersticas relevantes. A partir desta

interpretao, elaboram-se atitudes e decises (CASTRO; PRADO, 2001).

Desta maneira, reconhecimento de padres pode ser definido como sendo

um procedimento em que se busca a identificao de certas estruturas nos dados

de entrada em comparao a estruturas conhecidas e sua posterior classificao

em categorias, de modo que o grau de associao seja maior entre estruturas de

mesma categoria e menor entre as categorias de estruturas diferentes (CASTRO;

PRADO, 2001). Os dados de entrada so medidos a partir de sensores e

selecionados segundo o contedo de informaes relevantes para a deciso do

sistema, passando por uma reduo de sua dimensionalidade para que possam

ser usados pelo classificador, que o designar classe que melhor o represente.

Um sistema para reconhecimento de padres possui trs etapas:

representao dos dados de entrada e sua mensurao, extrao das

caractersticas e identificao e classificao do objeto em estudo. Na primeira

etapa, basicamente feita uma extrao de todas as caractersticas de um objeto,

representadas numericamente em um vetor X, por exemplo, onde cada elemento

deste vetor corresponde a uma caracterstica. Na segunda etapa, feita uma

reduo da dimensionalidade de caractersticas (tamanho do vetor), ou seja,

utilizam-se apenas as caractersticas que so pertinentes resoluo do

problema em questo, descartando-se as outras. Tal reduo exige um profundo

conhecimento do problema a ser resolvido pelo sistema, pois uma seleo mal

feita das caractersticas de um objeto pode acarretar em perda de informao que

seja relevante para o sistema. Por fim, a ltima etapa consiste em classificar,

32

mediante padres pr determinados, qual o objeto, atravs de comparaes das

caractersticas adquiridas com as caractersticas do padro (CASTRO; PRADO,

2001). Essas trs etapas podem ser implementadas atravs de trs tipos

diferentes de abordagem no projeto de sistemas para reconhecimento de

padres. So elas:

Rol de Membros (Template Matching): Caracterizao mediante

comparaes com um modelo previamente armazenado cujas

caractersticas servem de parmetro para a comparao. til em

aplicaes onde os padres a serem comparados so muito prximos do

modelo padro.

Propriedades Comuns (Feature Matching): Caracterizao feita

mediante caractersticas principais de objetos de uma classe. Padres de

uma mesma classe tm propriedades comuns de discriminao desta

classe. Assim, quando um padro desconhecido observado pelo sistema,

suas caractersticas so comparadas com as caractersticas discriminantes

das classes j existentes. De acordo com o resultado, o sistema

classificar este novo padro em uma das classes j existentes ou

designar uma nova classe para este padro.

Agrupamento (Clustering Matching): Quando os padres de uma classe

so vetores cujos componentes so nmeros reais, a classe do padro

pode ser estabelecida segundo formas de agrupamento, clusters, destes

pontos no plano. Havendo uma separao entre tais pontos de forma clara,

podem ser empregadas tcnicas simples de classificao. Caso contrrio,

a classificao do padro ser feita por mtodos mais complexos como

estatstica, mtodos determinsticos ou algoritmos mais adequados.

Atravs de tais abordagens, possvel montar sistemas de segmentao

altamente robustos (CASTRO; PRADO, 2001).

33

3.4.2 Deteco de objetos no Futebol de Robs

No Futebol de Robs, utiliza-se o sistema de viso computacional para

detectar os robs mveis e a bola por meio de cores padronizadas para cada

equipe que disputa uma partida. Uma tcnica utilizada por Bianchi e Reali-Costa

(BIANCHI; REALI-COSTA, 2000) a de utilizar a cor e a forma dos robs para

deteco de sua posio no espao do campo. Com a cor e a forma pr

estabelecidas na fase de calibrao, o sistema percorre a imagem pixel a pixel.

Ao encontrar um ponto com a cor da bola, seu centro determinado. Ao encontrar

um ponto com a cor de um dos robs, o sistema inicia um algoritmo para

determinar sua posio e orientao. Ao encontrar um ponto da cor do time

oponente, ele encontra o centro deste objeto.

J PENHARBEL et al. (2004) utilizam o mesmo sistema, diferenciado

apenas no uso de matrizes de cores-padro, ou seja, restringindo as cores a

serem lidas pelo sistema de calibrao, reduzindo a probabilidade de erro na

segmentao das imagens.

Concluindo, nota-se que o processo de segmentao das imagens acaba

seguindo um padro, porm as tcnicas a serem utilizadas, bem como as

caractersticas que desejam ser analisadas, ficam a cargo do projetista do

sistema, mantendo um nico objetivo padro: a maior fidelidade possvel de

informaes para retratar e interpretar o mundo real atravs de uma imagem.

34

3.5 ANLISE

A anlise dos dados das imagens a ltima etapa do Sistema de Viso

Computacional. Ela consiste em um processo de entendimento dos padres

relevantes performance de uma determinada tarefa baseada na imagem. A

principal meta da anlise de imagens dotar uma mquina computadorizada com

a capacidade de se aproximar, em um determinado sentido, capacidade similar

dos seres humanos. Sendo assim, um sistema de anlise automtica de imagens

deveria ser capaz de exibir vrios graus de inteligncia. O conceito de inteligncia

um pouco vago, mas algumas caractersticas vm imediatamente mente: a

habilidade de extrair informao a partir de um fundo de detalhes irrelevantes; a

capacidade de aprender a partir de exemplos e generalizar o conhecimento para

aplic-lo em circunstncias novas e diferentes; e a habilidade de fazer inferncias

a partir de informao incompleta (GONZALEZ; WOODS, 2000).

Sistemas analticos de imagens com essas caractersticas podem ser

projetados e implementados para ambientes operacionais limitados. Assim, o

estado da arte em anlise computadorizada de imagens est, em sua maior parte,

baseado em formulaes heursticas projetadas para resolver problemas

especficos, o que se traduz pela necessidade de, antes de projetar um sistema

de viso computacional, o projetista responsvel ter um profundo conhecimento

do problema. No Futebol de Robs, principalmente pelo ngulo em que as

imagens so capturadas em relao ao campo (cmera tirando fotos de cima do

campo em duas dimenses) e pelo tipo de informaes desejadas que se deseja

extrair (distncias entre corpos e sentido que cada corpo se encontra em relao

bola, no caso), as formulaes heursticas utilizadas neste sistema geralmente

envolvem o clculo de distncias e ngulos entre dois ou mais corpos. Neste

caso, segundo Gonzalez e Woods (GONZALEZ; WOODS, 2000), o projetista

parte de um tipo de conhecimento chamado procedural, ou seja, trata de

operaes que envolvem a seleo ou criao de algoritmos e configuraes de

parmetros para esses algoritmos, desejando um resultado esperado (um

detalhamento do contedo da imagem) a partir do que dado (uma matriz de

pixels).

35

3.5.1 Anlise Espacial em Futebol de Robs

Quando sistemas de anlise de imagens so projetados, muito comum a

medio de distncias. Em muitos casos utiliza-se o clculo de distncia clssica

entre dois pontos ou distncia euclidiana. Para tal situao, deve-se ter em mente

que o eixo das coordenadas em uma matriz de dados se dispe conforme a

Figura 11.

Figura 11 - Diagrama ilustrativo da utilizao do eixo de coordenadas cartesianas em uma matriz de dados. (GONZALEZ et al., 2004)

Analisando a figura, nota-se que o eixo das abscissas corresponde ao eixo

onde se verificam as colunas da matriz e o eixo das ordenadas, as linhas. Desta

maneira, lembrando que o sistema analisa os dados na notao matricial M(i,j),

onde i indica a linha da matriz e j, a coluna, deseja-se analisar o contedo de um

ponto P de coordenadas P(10,20), entende-se que este ponto corresponde ao

elemento localizado na linha 10 e na coluna 20 da matriz.

36

Supondo agora a localizao de dois pontos P0(x0,y0) e P1(x1,y1) na matriz,

dispostos aleatoriamente conforme a Figura 12, o clculo para a distncia D entre

eles procede-se de acordo com a Equao Eq. (7).

Figura 12 - Distncia entre dois pontos na matriz (GONZALEZ et al., 2004).

Eq. (7)

Tal definio comumente utilizada para clculo de distncias entre dois

corpos em uma imagem (ALBUQUERQUE, 2000).

Alm disso, no Futebol de Robs, existem alguns algoritmos adicionais que

devem ser aplicados para se obter uma interpretao melhor do sistema, o que

varia de projeto para projeto. Bianchi e Reali-Costa (BIANCHI; REALI-COSTA,

2000), por exemplo, implementaram um algoritmo para calcular o centro de

massa da bola, a partir de um ponto inicial Pini com a cor desejada para a bola

(definida na fase de calibrao). Aps isso, traada uma reta horizontal e

encontrado o ponto de cruzamento desta reta com as bordas do crculo (pontos

37

P1 e P2). O ponto mdio desta reta (Pex) define a posio x do centro do crculo.

Traando uma outra reta a partir do ponto mdio encontrado, na vertical, so

encontradas as outras bordas do crculo (pontos P3 e P4). O ponto mdio da

segunda reta o ponto mdio da bola (Pcentral). A Figura 13 ilustra este algoritmo.

Figura 13 - Algoritmo para clculo do centro de massa da bola (BIANCHI; REALI-COSTA, 2000).

Para identificar e localizar os robs do jogo, cada rob possui uma

identificao de acordo com a Figura 14, composta por dois crculos de tamanhos

e cores diferentes. Partindo de uma identificao por cores, a posio e a

orientao dos robs so encontradas atravs do seguinte algoritmo:

1. Encontra-se o centro do crculo maior, utilizando o mesmo algoritmo

mostrado na Figura 13;

2. Procura-se o centro do crculo menor, que est a uma distncia conhecida

do crculo maior;

3. Usando o mesmo algoritmo, encontra-se o centro do crculo;

4. Considerando a distncia entre os centros dos crculos maior e menor no

rob, definem-se pares;

5. Caso haja mais de uma combinao possvel entre pares, verifica-se se

existe a conexo entre eles, definindo um par para cada rob do time.

38

6. Traa-se a reta entre os dois centros. O seu ponto mdio o centro do

rob e sua inclinao, a orientao do rob.

Figura 14 - Ilustrao de algoritmo de identificao dos robs (BIANCHI; REALI-COSTA, 2000).

A cor do retngulo entre os dois crculos necessria para definir se eles

pertencem ao mesmo rob. Isto necessrio, pois ocorrem configuraes na

partida onde dois robs ficam encostados e, sem esta verificao, pode-se

identificar o crculo maior de um rob com o crculo menor de outro como sendo

um nico rob, que teria a orientao e posio calculadas de maneira errnea

(BIANCHI; REALI-COSTA, 2000).

J Fernandez e outros pesquisadores (FERNANDEZ et al., 2010) utilizaram

geometria analtica como ferramenta fundamental para definir equaes de

posicionamento. Dado um plano coordenado XY onde um ponto o rob e um

outro ponto afastado qualquer a bola. Pela matemtica, dois pontos distintos

determinam uma nica reta que passa por eles e a geometria analtica d a

equao conforme Equao Eq. (8), onde a a tangente do ngulo que a reta

forma com o eixo X, e b o ponto onde ela intercepta o eixo Y. Com o ngulo,

sabe-se em que direo o rob dever ir para interceptar a bola.

39

Figura 15 - Ilustrao de um algoritmo para interpretao de imagens (FERNANDEZ et al., 2010).

Eq. (8)

Assim, conforme todas as etapas descritas neste captulo, nota-se a

infinidade de conceitos que envolvem o projeto de um sistema de viso

computacional, desde um conhecimento profundo do problema a ser resolvido at

a interpretao de todos os fatores relevantes para uma atitude a ser tomada de

acordo com o ambiente retratado na imagem.

40

4. ESTRATGIA

Passado o mdulo de Viso Computacional, onde feito o primeiro contato

do sistema de Futebol de Robs com o