Montagem do prot´otipo de hardware

Quando a face ´e reconhecida no m´odulo de software, a aplicac¸˜ao envia para o Ardu´ıno o nome do indiv´ıduo e o comando para liberac¸˜ao da fechadura. Dentro do Ardu´ıno, um pequeno algoritmo recupera as informac¸˜oes enviadas e faz o tratamento adequado: o nome do usu´ario ´e enviado para o LCD e um pulso el´etrico ´e liberado em uma das portas l´ogicas.

A comunicac¸˜ao com o LCD ´e simples. O dispositivo foi ligado ao Ardu´ıno conforme as especificac¸˜oes t´ecnicas descritas na Tabela 9. Al´em disso, existem bibliotecas com operac¸˜oes b´asicas para comunicac¸˜ao com o LCD. Tarefas como impress˜ao de caracteres, posicionamento do cursor e limpeza de dados s˜ao feitos por comandos simples e intuitivos (ARDUINO, 2016d). Para o ajuste de contraste, um potenciˆometro foi utilizado para regular a tens˜ao do terminal 3 do componente.

circuito, pois esta tarefa n˜ao pode ser feita diretamente pelo Ardu´ıno. Isso porque as por- tas l´ogicas da placa trabalham com corrente cont´ınua e tens˜ao de 5 volts (WILCHER, 2012), (GAJJAR, 2015). Fechaduras eletrˆonicas trabalham com corrente alternada e tens˜ao de 110 ou 220 volts.

Dessa forma, foi preciso utilizar um rel´e SRD-05VDC para o chaveamento de um circuito alimentado com corrente alternada (BRAGA, 2012). Apesar deste rel´e possuir a mesma tens˜ao de controle da porta l´ogica do Ardu´ıno, a amperagem da porta n˜ao ´e suficiente para acion´a-lo. Assim, um transistor BC546, alimentado com corrente e amperagem compat´ıvel, foi ligado `a bobina do rel´e. Como o transistor pode ser acionado por tens˜ao e amperagem baixas, o terminal central deste componente foi ligado `a porta l´ogica do Ardu´ıno. Assim, quando o pulso el´etrico ´e liberado na porta l´ogica, o transistor ´e acionado e faz com que a corrente com maior amperagem chegue at´e o rel´e. Essa corrente ´e suficiente para acionar a bobina do rel´e, que por sua vez faz o chaveamento da corrente alternada no circuito. Quando a corrente alternada passa pela fechadura eletrˆonica, a mesma ´e acionada (WILCHER, 2012) (BRAGA, 2012). A Figura 44 representa esse fluxo de acionamento.

Figura 44: Fluxo de acionamento do m´odulo rel´e.

Fonte: Autoria pr´opria.

O terminal central do transistor n˜ao precisa de toda tens˜ao dispon´ıvel na porta l´ogica para ser acionado. Por isso, um resistor de 2,2 kΩ ´e ligado em s´erie neste terminal. Assim, a tens˜ao ´e reduzida e o componente n˜ao corre o risco de ser prejudicado (BRAGA, 2012) (GAJ- JAR, 2015). Outro ponto importante ´e a seguranc¸a do equipamento. Como discutido na sec¸˜ao 6.2.2, o funcionamento interno do rel´e ´e baseado em eletro´ım˜as. Campos magn´eticos podem induzir cargas sobre o circuito, que retornam pelos condutores. Por isso, um diodo 1N4148 foi ligado em paralelo `a bobina do relˆe, impedindo que tais cargas causem danos irrevers´ıveis ao

Ardu´ıno (CAMPOS, 2014) (BRAGA, 2012). Assim, o m´odulo rel´e apresentado na Figura 44 foi atualizado para o circu´ıto eletrˆonico apresentado na Figura 45.

Figura 45: M´odulo rel´e utilizado na construc¸˜ao do prot´otipo de hardware. Inclus˜ao do diodo 1N4148 para protec¸˜ao do equipamento.

Fonte: Autoria pr´opria.

Combinando o m´odulo rel´e com o componente LCD, foi constru´ıdo o prot´otipo de hardware cujo o esquema interno e externo ´e representado nas Figuras 46 e 47.

Figura 46: Comunicac¸˜ao interna entre os componentes do prot´otipo de hardware.

Fonte: Autoria pr´opria.

Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha

Figura 47: Comunicac¸˜ao externa entre os componentes do prot´otipo de hardware.

Fonte: Autoria pr´opria.

Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha Linha

7 CONCLUS ˜OES E DIRECIONAMENTOS

Os descritores utilizados neste trabalho s˜ao populares por identificar diversos pontos de interesse em uma ´unica imagem. Como os pontos possuem seu pr´oprio vetor de caracter´ıstica, a identificac¸˜ao de cada um deles ocorre de forma individual. Contudo, o principal problema na utilizac¸˜ao de m´ultiplos pontos ´e a eficiˆencia do algoritmo. Para classificar uma amostra seria necess´ario classificar todos os pontos extra´ıdos, ou pelo menos boa parte deles. Esse processo pode gerar um alto custo computacional, principalmente se a classificac¸˜ao for baseada em m´etodos de busca exaustiva. A abordagem proposta permite a criac¸˜ao de um ´unico vetor de caracter´ısticas, sumarizando as informac¸˜oes de uma face para sua posterior classificac¸˜ao, o que garante a eficiˆencia do algoritmo. Por´em, ´e claro, existem algumas limitac¸˜oes. Concentrar a informac¸˜ao exige mais elementos pra garantir uma boa taxa de acur´acia, conforme experimentos realizados com mais amostras em situac¸˜oes semelhantes. A princ´ıpio, aumentar o n´umero de amostras pode gerar uma sensac¸˜ao de perda de desempenho, afinal mais imagens precisam ser processadas. Entretanto, o que garante a eficiˆencia neste caso ´e a classificac¸˜ao com apenas um ´unico vetor, ao inv´es das diversas classificac¸˜oes como na t´ecnica de m´ultiplos pontos.

Al´em da quest˜ao de concentrar a informac¸˜ao em um ´unico vetor, ´e preciso eleger o des- critor de pontos capaz de equilibrar efic´acia e eficiˆencia. Para isso, analisar t´ecnicas e resultados de forma detalhada ´e essencial para essa tarefa. O descritor SIFT produz menos pontos chave do que os demais descritores. Dessa forma, a etapa de extrac¸˜ao de caracter´ısticas ´e executada de forma mais r´apida. Por´em, de modo geral, os resultados obtidos com o uso desse algoritmo n˜ao foram satisfat´orios. J´a o SURF, ´e a t´ecnica que apresentou melhor desempenho na classificac¸˜ao. Apesar de produzir mais pontos do que o SIFT, a execuc¸˜ao da metodologia proposta ocorreu em tempo aceit´avel. Por fim, o ORB tamb´em produziu resultados significativos, por´em a quan- tidade de pontos extra´ıdos por este descritor ´e muito grande, onerando a execuc¸˜ao e o tempo de resposta.

Na metodologia proposta, foram utilizadas duas t´ecnicas para remoc¸˜ao de pontos rui- dosos. A primeira consiste em utilizar um centroide para remover pontos mais distantes do centro. A principal vantagem ´e que este m´etodo n˜ao depende de regi˜oes espec´ıficas, permitindo

classificac¸˜oes mesmo quando a face est´a de perfil. Entretanto, conforme descrito no Cap´ıtulo 3, os descritores SIFT, SURF e ORB elegem como os melhores pontos os recursos pr´oximos de bordas. Neste caso, quando a boca est´a aberta ou quando os dentes estiverem vis´ıveis, pontos chaves exclusivos dessas regi˜oes ser˜ao gerados. Se n˜ao houver outras amostras em situac¸˜ao semelhante, futuras classificac¸˜oes poder˜ao n˜ao ocorrer adequadamente. A segunda t´ecnica con- siste em utilizar o m´etodo de Viola-Jones para encontrar locais espec´ıficos da face e, neste caso, excluir os pontos que n˜ao est˜ao nessas regi˜oes. Para isso, o algoritmo foi treinado somente para encontrar regi˜oes de olhos e nariz. Como a boca ´e a regi˜ao mais afetada por express˜oes faciais, pontos gerados a partir deste local n˜ao ser˜ao utilizados. Neste modelo, a desvantagem ´e que faces na posic¸˜ao de perfil n˜ao poder˜ao ser classificadas. Apesar de ambas as t´ecnicas possu´ırem desvantagens, os resultados dos experimentos foram semelhantes.

Para obter bons resultados, ´e importante identificar quais caracter´ısticas s˜ao mais re- levantes para a classificac¸˜ao. Assim, a selec¸˜ao de atributos realizada pelo m´etodo Correlation- based Feature Selection contribuiu no aumento das taxas de acur´acia de alguns classificadores. Como j´a era previsto, houve melhoria consider´avel nas taxas de acertos do classificador IBK, j´a que este modelo ´e relativamente sens´ıvel `a ru´ıdos. Outro classificador que apresentou me- lhorias foi o Random Forest, que atingiu as maiores taxas de acertos registradas at´e ent˜ao. Para os classificadores SVM e Redes Neurais, a acur´acia registrada foi mais baixa do que os valores obtidos sem a selec¸˜ao de caracter´ısticas. Neste caso, a selec¸˜ao de atributos pode ter descartado valores que eram facilmente tratados por estes modelos e, uma vez tratados, tais dados seriam respons´aveis pelos desempenhos registrados na Tabela 2. Isso pode explicar o porquˆe do vetor de caracter´ısticas completo produzir melhores resultados para estes classificadores.

Para avaliar o m´etodo proposto, foi adotada a t´ecnica de validac¸˜ao cruzada e medidas de desempenho como acur´acia, precis˜ao e F-Measure. Quando essas ferramentas s˜ao aplicadas, a an´alise dos resultados torna-se mais rica e confi´avel. Entretanto, para comparar resultados entre metodologias, ´e preciso que todas sejam submetidas aos mesmos processos de validac¸˜ao. Dessa forma, as t´ecnicas cl´assicas de reconhecimento facial foram testadas da mesma maneira que o m´etodo proposto, afim de produzir resultados que pudessem ser comparados. Em geral, os m´etodos EigenFace e FisherFaces s˜ao mais sens´ıveis quando h´a variac¸˜oes nas amostras, principalmente se as faces estiverem rotacionadas em relac¸˜ao `a simetria vertical. O m´etodo proposto obteve as melhores taxas de acertos, exceto apenas em relac¸˜ao ao m´etodo LBPHFace nos experimentos com o banco Color FERET. Apesar disso, a acur´acia da metodologia proposta foi a que apresentou a menor variac¸˜ao registrada, considerando todos os bancos e experimentos realizados.

Outra avaliac¸˜ao importante foi os testes de eficiˆencia. Como j´a era esperado, quanto mais pontos chave extra´ıdos pelos descritores, maior o custo computacional. O ORB, que geralmente recupera mais pontos do que os demais descritores, foi o m´etodo que gastou mais tempo para ser processado. J´a o SURF recupera cerca de quatro vezes menos pontos do que o primeiro, fazendo o tempo de processamento ser reduzido consideravelmente. Por fim, a diferenc¸a do custo computacional entre o SURF e o SIFT ´e bem pequena, j´a que ambos extraem quantidades de pontos semelhantes. Com relac¸˜ao `as t´ecnicas de remoc¸˜ao de pontos, n˜ao houve grandes diferenc¸as na eficiˆencia, mesmo porque a reduc¸˜ao de pontos das duas t´ecnicas s˜ao pr´oximas. Outro t´opico a ser destacado ´e o tempo de classificac¸˜ao, que ´e basicamente composto pelo tempo de extrac¸˜ao das caracter´ısticas. O custo de predic¸˜ao do classificador ´e relativamente muito baixo, quando comparado com a extrac¸˜ao de caracter´ısticas. J´a o tempo necess´ario para treinar o classificador depende do modelo adotado. SVM e Redes Neurais foram os m´etodos que levaram mais tempo para serem treinados.

Com o objetivo de dar continuidade neste trabalho, algumas propostas s˜ao sugeridas. Uma poss´ıvel extens˜ao ´e viabilizar o uso da t´ecnica de selec¸˜ao de pixels baseadas em carac- ter´ısticas discriminantes (CHOI et al., 2012). Neste artigo, os autores prop˜oem um m´etodo de selec¸˜ao de pixels para serem usados preferencialmente em aplicac¸˜oes de reconhecimento de fa- ces. A ideia ´e substituir os descritores j´a utilizados por essa metodologia e verificar os resultados da nova classificac¸˜ao. Outra sugest˜ao seria substituir o vetor de intensidade dos pontos chave por caracter´ısticas baseadas em filtros de Gabor. T´ecnicas de an´alise de textura com filtros de Gabor j´a foram utilizadas com sucesso em diversos procedimentos, como na metodologia de reconhecimento de plantas proposta por Chaki, Parekh e Bhattacharya(CHAKI et al., 2015). Por fim, outra extens˜ao do trabalho seria desenvolver um mecanismo de remoc¸˜ao de pontos chave baseado em fronteiras de clusters. A t´ecnica consiste em agrupar os pontos em clusters e selecionar aqueles que se encontram pr´oximos de regi˜oes de fronteiras. Para isso, basta analisar cada ponto chave para verificar se existem pontos pr´oximos a ele, mas que pertencem `a clus- ters vizinhos. Caso essa condic¸˜ao for satisfeita, o ponto analisado est´a localizado em regi˜ao de fronteira.

Al´em de propor uma nova metodologia para reconhecimento de faces, outro objetivo deste trabalho era desenvolver um prot´otipo de fechadura eletrˆonica. Para isso, foram desen- volvidos dois m´odulos distintos, com natureza e func¸˜oes particularmente bem definidas. O primeiro consiste no prot´otipo de software, respons´avel pelo reconhecimento da face e envio de sinal para o dispositivo eletrˆonico. O segundo trata-se do prot´otipo de hardware, que re- cebe o sinal enviado e aciona uma trava de port˜ao tradicional. Embora a comunicac¸˜ao entre os m´odulos seja simples, ambos os processos ainda s˜ao executados em equipamentos diferen-

tes: o software ´e executado em um computador comum e o prot´otipo de hardware possui seu pr´oprio mecanismo. Assim, outra poss´ıvel extens˜ao deste trabalho consiste em embarcar as tecnologias em um ´unico dispositivo. Para isso, ´e preciso utilizar componentes eletrˆonicos mais sofisticados, como o Raspberry Pi que permite a instalac¸˜ao de sistemas como Linux e Windows (MEMBREY; HOWS, 2015). Utilizando essa tecnologia, o desenvolvimento da aplicac¸˜ao seria mais ´agil, j´a que o Raspberry Pi possui ferramentas que facilitam o desenvolvimento mobile. Entretanto, mesmo com todas essas vantagens, ´e preciso refatorar o algoritmo antes de migr´a-lo para esta plataforma. Dispositivos m´oveis possuem recursos de mem´oria e processamento limi- tados, o que justifica a reorganizac¸˜ao do c´odigo e ajustes nos processos para este novo cen´ario (SUEHLE; CALLAWAY, 2013).

No in´ıcio deste trabalho de pesquisa, acreditava-se que seria proposto um modelo ro- busto `a fatores de iluminac¸˜ao, escala, fraude (Spoof Face) e outros. Entretanto, durante o levan- tamento te´orico para sustentar a metodologia, percebeu-se que as soluc¸˜oes atuais se prop˜oem a resolver problemas cada vez mais espec´ıficos. Em geral, atualmente existem m´etodos ex- clusivos para a detecc¸˜ao de face, modelos para encontrar pixels mais relevantes e trabalhos exclusivos para tratar a posic¸˜ao da face na imagem. Dessa forma, n˜ao ´e dif´ıcil perceber que o reconhecimento facial criou v´arias vertentes de pesquisa, cada qual com o objetivo de resolver um problema espec´ıfico do todo. Assim, o m´etodo proposto resume-se em um descritor de faces e, por isso, n˜ao trata outros aspectos como detecc¸˜ao de faces e Spoof Face. Contudo, al- gumas invariˆancias foram acrescentadas indiretamente no trabalho, j´a que as t´ecnicas utilizadas possuem tais caracter´ısticas.

Por fim, espera-se que a metodologia proposta, bem como os conceitos apresenta- dos neste trabalho, contribuam de alguma forma para o desenvolvimento de novas t´ecnicas. Ainda existe muito a ser explorado na ´area de Processamento de Imagens e Reconhecimento de Padr˜oes, conceitos que est˜ao cada vez mais presentes nas soluc¸˜oes de problemas atuais.

REFER ˆENCIAS

ABATE, A. F. et al. 2d and 3d face recognition: A survey.Pattern Recognition Letters, v. 28, n. 14, p. 1885 – 1906, 2007. ISSN 0167-8655. Image: Information and Control. Dispon´ıvel em: <http://www.sciencedirect.com/science/article/pii/S0167865507000189>.

ADINI, Y.; MOSES, Y.; ULLMAN, S. Face recognition: the problem of compensating for changes in illumination direction.Pattern Analysis and Machine Intelligence, IEEE Tran- sactions on, v. 19, n. 7, p. 721–732, Jul 1997. ISSN 0162-8828.

AHA, D. W.; KIBLER, D.; ALBERT, M. K. Instance-based learning algorithms. Machine Learning, v. 6, n. 1, p. 37–66, 1991. ISSN 1573-0565. Dispon´ıvel em: <http://dx.doi.org/10.1007/BF00153759>.

AHONEN, T.; HADID, A.; PIETIKAINEN, M. Face recognition with local binary patterns. In: PAJDLA, T.; MATAS, J. (Ed.). Computer Vision - ECCV 2004. [S.l.]: Springer Berlin Heidelberg, 2004, (Lecture Notes in Computer Science, v. 3021). p. 469–481. ISBN 978-3- 540-21984-2.

ALBA, R. D. A graph-theoretic definition of a sociometric clique.The Journal of Mathema- tical Sociology, v. 3, n. 1, p. 113–126, 1973.

ALDRICH, J. R.a. fisher and the making of maximum likelihood 1912-1922. Statist. Sci., The Institute of Mathematical Statistics, v. 12, n. 3, p. 162–176, 09 1997. Dispon´ıvel em: <http://dx.doi.org/10.1214/ss/1030037906>.

ALMEIDA, O. C. P.T´ecnicas de processamento de imagens para localizac¸˜ao e reconheci- mento de faces. Dissertac¸˜ao (Mestrado) — Universidade de S˜ao Paulo, 2006.

AMOS, S. W.; JAMES, M.Principles of transistor circuits: introduction to the design of amplifiers, receivers and digital circuits. [S.l.]: Elsevier, 2013.

ARDUINO. Arduino Build Process. 2016. Dispon´ıvel em:

<https://www.arduino.cc/en/Hacking/BuildProcess>.

ARDUINO. Arduino Products. 2016. Dispon´ıvel em:

<https://www.arduino.cc/en/Main/Products>.

ARDUINO.Arduino Uno. 2016. Dispon´ıvel em: <https://www.arduino.cc/en/Main>.

ARDUINO. LiquidCrystal Library. 2016. Dispon´ıvel em:

<https://www.arduino.cc/en/Reference/LiquidCrystal>.

ARDUINO. So you want to make an Arduino. 2016. Dispon´ıvel em: <https://www.arduino.cc/en/Main/Policy>.

ARDUINO. What is Arduino? 2016. Dispon´ıvel em:

AVISON, J. The World of Physics. Nelson, 2014. ISBN 9780174387336. Dispon´ıvel em: <https://books.google.com.br/books?id=DojwZzKAvN8C>.

BAEZA-YATES, R.; RIBEIRO-NETO, B. et al.Modern information retrieval. [S.l.]: ACM press New York, 1999.

BAKSHI, U.; GODSE, A. Basic Electronics Engineering. Te-

chnical Publications, 2009. ISBN 9788184315806. Dispon´ıvel em: <https://books.google.com.br/books?id=n0RMHUQUUY4C>.

BARLA, A.; ODONE, F.; VERRI, A. Histogram intersection kernel for image classification. In: Image Processing, 2003. ICIP 2003. Proceedings. 2003 International Conference on. [S.l.: s.n.], 2003. v. 3, p. III–513–16 vol.2. ISSN 1522-4880.

BASRI, R.; JACOBS, D. Lambertian reflectance and linear subspaces.Pattern Analysis and Machine Intelligence, IEEE Transactions on, v. 25, n. 2, p. 218–233, Feb 2003. ISSN 0162- 8828.

BAY, H. et al. Speeded-up robust features (surf). Computer Vision and Image Understanding, v. 110, n. 3, p. 346 – 359, 2008. ISSN 1077-3142. Similarity Matching in Computer Vision and Multimedia. Dispon´ıvel em: <http://www.sciencedirect.com/science/article/pii/S1077314207001555>.

BAY, H.; TUYTELAARS, T.; GOOL, L. V. Surf: Speeded up robust features. In: LEONARDIS, A.; BISCHOF, H.; PINZ, A. (Ed.). Computer Vision - ECCV 2006. [S.l.]: Springer Berlin Heidelberg, 2006, (Lecture Notes in Computer Science, v. 3951). p. 404–417. ISBN 978-3- 540-33832-1.

BELHUMEUR, P.; HESPANHA, J.; KRIEGMAN, D. Eigenfaces vs. fisherfaces: recogni- tion using class specific linear projection.Pattern Analysis and Machine Intelligence, IEEE Transactions on, v. 19, n. 7, p. 711–720, Jul 1997. ISSN 0162-8828.

BELHUMEUR, P.; KRIEGMAN, D. What is the set of images of an object under all possi- ble illumination conditions? International Journal of Computer Vision, Kluwer Academic Publishers, v. 28, n. 3, p. 245–260, 1998. ISSN 0920-5691.

BENESTY, J. et al. Pearson correlation coefficient. In: .Noise Reduction in Speech Pro- cessing. Berlin, Heidelberg: Springer Berlin Heidelberg, 2009. p. 1–4.

BERMINGHAM, M. et al. Application of high-dimensional feature selection: evaluation for genomic prediction in man.Scientific reports, Nature Publishing Group, v. 5, 2015.

BOCCALETTI, S. et al. Complex networks: Structure and dynamics.Physics Reports, v. 424, n. 4?5, p. 175 – 308, 2006. ISSN 0370-1573.

BONACICH, P.; LLOYD, P. Eigenvector-like measures of centrality for asymmetric relati- ons. Social Networks, v. 23, n. 3, p. 191 – 201, 2001. ISSN 0378-8733. Dispon´ıvel em: <http://www.sciencedirect.com/science/article/pii/S0378873301000387>.

BONNEN, K.; KLARE, B.; JAIN, A. Component-based representation in automated face re- cognition.Information Forensics and Security, IEEE Transactions on, v. 8, n. 1, p. 239–253, Jan 2013. ISSN 1556-6013.

BOUTTIER, J.; FRANCESCO, P. D.; GUITTER, E. Geodesic distance in planar graphs. Nuclear Physics B, v. 663, n. 3, p. 535 – 567, 2003. ISSN 0550-3213. Dispon´ıvel em: <http://www.sciencedirect.com/science/article/pii/S0550321303003559>.

BRADSKI, G. The opencv library.Dr. Dobb’s Journal of Software Tools, 2000. BRAGA, N. C.Rel´es Circuitos e Aplicac¸˜oes. [S.l.]: Editora Newton C. Braga, 2012. BREIMAN, L.Out-of-bag estimation. [S.l.], 1996.

BREIMAN, L. Random forests.Machine Learning, Kluwer Academic Publishers, v. 45, n. 1, p. 5–32, 2001. ISSN 0885-6125.

BROWN, M.; LOWE, D. G. Invariant features from interest point groups. In:British Machine Vision Conference. [S.l.: s.n.], 2002. p. 656–665.

BRUNELLI, R.; POGGIO, T. Face recognition: Features versus templates.IEEE Transactions on Pattern Analysis & Machine Intelligence, IEEE, n. 10, p. 1042–1052, 1993.

CALONDER, M. et al. Brief: Binary robust independent elementary features. In: .Com- puter Vision – ECCV 2010: 11th European Conference on Computer Vision, Heraklion, Crete, Greece, September 5-11, 2010, Proceedings, Part IV. Berlin, Heidelberg: Springer Berlin Heidelberg, 2010. p. 778–792. ISBN 978-3-642-15561-1.

CAM, L. L. Maximum likelihood: An introduction. International Statistical Re- view / Revue Internationale de Statistique, [Wiley, International Statistical Institute (ISI)], v. 58, n. 2, p. 153–171, 1990. ISSN 03067734, 17515823. Dispon´ıvel em: <http://www.jstor.org/stable/1403464>.

CAMPOS, A. Controlando um rel´e no Ardu´ıno com seguranc¸a: Blink, diodo e tran- sistor. 2014. Dispon´ıvel em: <http://br-arduino.org/2014/12/controlando-um-rele-no-arduino- com-seguranca-blink-diodo-e-transistor>.

CAO, Z. X.; SCHMID, N. A. Recognition performance of cross-spectral periocular biometrics and partial face at short and long standoff distance.Open Trans. Inf. Process, v. 1, p. 20–32, 2014.

CHAI, Z. et al. Gabor ordinal measures for face recognition.Information Forensics and Se- curity, IEEE Transactions on, v. 9, n. 1, p. 14–26, Jan 2014. ISSN 1556-6013.

CHAKI, J.; PAREKH, R.; BHATTACHARYA, S. Plant leaf recognition