Handwritten Character Recognition based on

Frequency, Character-edge Distances and Densities

Rafael Arthur R. Miranda, Francisco Assis da Silva

Almir Olivette Artero, Marco Antonio Piteri

Universidade do Oeste Paulista Unoeste

Faculdade de Informtica de Presidente Prudente FIPP
Presidente Prudente-SP, Brasil
{rafael, chico}@unoeste.br

Universidade Estadual Paulista Unesp

Faculdade de Cincias e Tecnologia FCT
Presidente Prudente-SP, Brasil
{almir, piteri}@fct.unesp.br

Abstract This paper presents a character recognition

algorithm based on supervised classification that uses 79
attributes extracted from images and perform the classification
using an approach based on maximum and minimum values of
each attribute for each type of character, and a Backpropagation
neural network. The large number of attributes contribute to a
more precise discrimination of characters, moreover, the
extraction of these attributes is very easy, it basically counts
pixels, thus the processing time in this task is still very low.
Although the classification using Backpropagation neural
network has obtained a higher hit rate, the processing time of the
classification based maximum and minimum limits is lower,
allowing its use in applications where processing time is critical.
KeywordsHandwritten character recognition, ocr.

I.

INTRODUO

A identificao de caracteres manuscritos uma rea de

intensa pesquisa [3][4][5][6][7][8], que ainda apresenta vrios
problemas, por causa da grande diversidade de formas que os
caracteres manuscritos podem assumir. Embora, ao longo dos
ltimos anos, tenham surgido vrias propostas para resolver
este problema, o processo mais comum envolve as etapas
descritas na Fig. 1.
Pr-processamento
- Filtragens
- Binarizao
- Afinamentos
1
- etc

Extrao de Atributos

Caractere Reconhecido

Classificador
- Bayesiano
- Rede Neural
- etc
3

Fig. 1. Etapas do processo de reconhecimento de caracteres.

Na primeira etapa, so realizadas operaes que tentam dar

certa padronizao na aparncia dos caracteres, por exemplo,
eliminando rudos, binarizando a imagem e afinando os
caracteres. A etapa de extrao de atributos a que merece
mais ateno, pois a etapa que define o sucesso do
reconhecimento dos caracteres e, justamente a etapa que tem
demandado mais estudos, pois existe uma infinidade de
possibilidades de tcnicas que podem ser usadas para obter
estes atributos. Na etapa 3, o mais comum usar uma tcnica
de classificao supervisionada, que busca obter regras que

permitam predizer, com preciso, a classe de cada amostra.

Para isto, utilizam-se medies realizadas em caracteres, cujas
classes so conhecidas, em um processo de treinamento, para
que, em seguida, seja possvel reconhecer caracteres com
classes desconhecidas.
Neste trabalho adota-se um conjunto de 79 atributos
baseados, basicamente, na contagem de pixels de caractere e
fundo (matrizes de co-ocorrncia, medidas de distncias
borda-caractere e densidades regionais), como alternativa para
a descrio dos caracteres. Como esses atributos so baseados
em contagens de pixels, o tempo de processamento desta etapa
bastante reduzido. Para a etapa de classificao, alm de
uma rede neural Backpropagation, muito usada em diversos
trabalhos encontrados na literatura, sugere-se tambm uma
classificao baseada nos valores mximos e mnimos que
cada uma das 62 classes de caracteres estudados (A,...,Z, a,...,z
e 0,...,9) assume em cada um dos 79 atributos.
As demais sees deste trabalho esto organizadas da
seguinte maneira: na Seo II so apresentados alguns
trabalhos relacionados com o reconhecimento de caracteres;
na Seo III, apresentada a estratgia proposta neste trabalho
para modelar o comportamento dos caracteres cujas classes
so conhecidas (treinamento) e, ento, obter as medidas
permitidas em cada classe e usar esta informao na
classificao; a Seo IV apresenta alguns experimentos, os
resultados obtidos e a anlise de desempenho com a aplicao
desta proposta em dois conjuntos de dados. Por fim, na Seo
V, so apresentados os comentrios finais.
II.

REVISO BIBLIOGRFICA

A. Trabalhos Relacionados
As tcnicas de reconhecimento de caracteres manuscritos
podem ser classificadas em duas grandes classes, que so os
mtodos estatsticos e os mtodos estruturais. Na primeira
classe, os padres so representados por um conjunto de
caractersticas, ou atributos, tambm conhecido como vetor de
caractersticas e, ento, tcnicas da teoria da deciso estatstica
so utilizadas para estabelecer fronteiras de deciso entre as
classes, sendo o sistema operado em dois modos: treinamento
(aprendizado) e teste (classificao). Esses mtodos empregam
as propriedades mtricas dos objetos a serem reconhecidos,
modelando o comportamento de cada objeto. Os mtodos
estatsticos, por sua vez, dividem-se em: paramtricos e noparamtricos. Nos mtodos paramtricos, supe-se que as

classes seguem uma distribuio de probabilidades para cada

objeto e que as leis de probabilidade das classes so
conhecidas, limitando a sua aplicao apenas sobre hipteses
gaussianas. Por fim, a deciso consiste em encontrar a classe
para a qual o objeto desconhecido apresenta a maior
probabilidade de pertencer [1]. Para esta classificao, estes
mtodos utilizam o Teorema de Bayes, que pode ser visto
como uma ferramenta de atualizao de conhecimento, quando
novos valores so introduzidos ao sistema, pois relaciona as
probabilidades a priori e a posteriori. Duas tcnicas muito
conhecidas para o reconhecimento de formas, baseadas em
mtodos estatsticos paramtricos, so a Distncia de
Mahalonabis (mede a distncia entre o ponto que representa a
forma desconhecida e os pontos que representam as classes
conhecidas) e os Mtodos Neurais (compostos de vrios
elementos ou neurnios de clculo no lineares operando
em paralelo e organizados de maneira a imitar redes de
neurnios biolgicos). Nos mtodos no-paramtricos, as
probabilidades so desconhecidas em cada classe e o problema
est na deciso das regies de fronteira entre as classes. Duas
tcnicas muito comuns nesta categoria so: o Mtodo dos kVizinhos mais prximos que supe que o objeto
desconhecido afetado pela classe dos seus k-vizinhos mais
prximos no conjunto de treinamento. Este mtodo utiliza a
distncia Euclidiana entre o objeto analisado e as classes prdefinidas; e o Mtodo de Correspondncia por Mscaras
(Template Matching) que define cada classe usando um
conjunto padro de prottipos do objeto e a classe reconhecida
aquela que possui o prottipo mais correlacionado ao objeto
desconhecido.
Os mtodos estruturais procuram descrever as
caractersticas dos objetos atravs de uma modelagem baseada
em componentes estruturais de cada objeto.
Entre as alternativas para a extrao de caractersticas dos
caracteres pode-se citar os trabalhos de Suen et al. [2], que se
baseia na probabilidade de ocorrncia de padres nas imagens
dos objetos e realiza o reconhecimento por partes, subdividindo
a imagem com o objeto em 2, 4 e 6 regies. O trabalho
apresentado por Silva e Thom [3] sugere que os atributos
sejam obtidos calculando distncias atravs de polgonos de
referncia at o contorno da imagem. Park [4] aconselha que a
imagem contendo o caractere seja dividida em N por N clulas
iguais e, todas estas clulas so usadas para formar o vetor de
atributos. Freitas [5] e Tay et al. [6] sugerem usar como
atributos, as caractersticas geomtricas dos objetos, como:
dimenso, centro de gravidade, distncias centro-zona, perfil
em oito direes e nmeros de transies verticais e horizontais
na direo 45 e 45.
Usando estes mtodos e atributos, vrios trabalhos surgiram
nos ltimos anos, incluindo o trabalho de Chan e Yeung [7],
que prope uma abordagem estrutural simples e robusta para o
reconhecimento on-line de caracteres manuscritos. Esta
abordagem foi projetada para operar em uma velocidade
razovel, com alta acurcia e tolerncia s variaes dos
caracteres, mantendo ainda um alto grau de reusabilidade e
facilidades para a sua ampliao.

O trabalho de Montaa [8] realiza o reconhecimento de

dgitos, empregando duas redes neurais, uma Perceptron
Multilayer e uma baseada no mapa de Kohonen.
O trabalho de Jain e Ko [9] apresenta um algoritmo de
classificao para reconhecer dgitos numricos manuscritos
(0, ..., 9), utilizando uma Anlise de Componentes Principais
(PCA), combinada com o algoritmo 1-Nearest Neighbor
(Primeiro Vizinho mais Prximo).
A contribuio do trabalho de Pereira et. al. [10] melhorar
a taxa de preciso de reconhecimento de caracteres manuscritos
usando um novo mtodo de extrao de caractersticas,
tambm baseado em Anlise de Componentes Principais,
porm, combinando os melhores aspectos de uma Anlise de
Componentes Principais Modular (MPCA) e uma Anlise de
Componentes Principais de Imagem (IMPCA).
No trabalho de Trentini et. al. [11] o reconhecimento dos
caracteres feito usando um classificador baseado em rvores
de deciso (Random Trees), que consegue reconhecer os
padres de vrias classes ao mesmo tempo.
O trabalho de Shrivastava e Gharde [12] prope o uso de
uma mquina SVM (Support Vector Machines) para o
reconhecimento de caracteres manuscritos Devanagari, usado
por vrios idiomas na ndia.
O trabalho de Silva et al. [13] prope uma estratgia
simples e rpida para modelar o comportamento dos caracteres
usando apenas as transies que ocorrem entre os nveis de
pixels adjacentes que formam os caracteres binarizados. Os
caracteres so enquadrados em uma malha com dimenses
definidas previamente e, em seguida, so observadas as
transies entre os nveis de cinza (0 e 1 imagens binrias)
dos pixels adjacentes. Deste modo, uma imagem com
dimenses m x n gera um vetor de transies (atributos) com
m x n posies. Em seguida, construda uma lista com as
transies permitidas para cada caractere, anotando as
transies que ocorrem entre os atributos adjacentes em cada
uma das classes ou, ento, as transies que no ocorrem em
cada classe. Como as imagens usadas so binrias, as
transies possveis entre dois pixels que formam um caractere
so: 00, 01, 10 e 11.
B. Matriz de Co-ocorrncia
As matrizes de co-ocorrncia tm sido usadas para
classificar texturas. Seja P um operador de posio, como um
pixel direita e seja A uma matriz quadrada k x k, cujo
elemento aij o nmero de vezes que pontos com o nvel de
cinza ci ocorrem na posio especificada por P relativamente a
pontos com o nvel de cinza zj, com 1 i, j k [14].
III.

RECONHECIMENTO DE CARACTERES MANUSCRITOS

Neste trabalho prope-se o uso de vrios atributos (79) para

descrever os caracteres manuscritos (A,...,Z, a,...,z e 0,...,9). O
uso de tantos atributos se justifica por causa da grande variao
de formatos que os caracteres manuscritos apresentam.
As matrizes de co-ocorrncia so construdas usando os
operadores de posio: P1 = pixel direita, P2 = pixel
abaixo, P3 = pixel a direita e acima e P4 = pixel a direita e

abaixo. Como as imagens so binrias, para cada um destes

operadores, so obtidas matrizes A2x2, como ilustra a Fig. 2.
0
1

0
a
c

1
b
d

caractere A, B, C, D e E, evidenciando que cada

caractere apresenta um certo comportamento para este conjunto
de 79 atributos.
A

Fig. 2. Matriz de co-ocorrncia para imagens binrias com os valores de

frequncia a, b, c e d.

Desta maneira, cada matriz de co-ocorrncia gera quatro

valores (atributos) e, como so usadas quatro matrizes,
gerado um total de 16 atributos com estas matrizes.
Os prximos oito atributos so gerados medindo a
distncia borda-caractere, ou seja, a partir das bordas, so
contados os pixels de fundo que antecedem os pixels do
caractere nas oito direes ( , , , , , , e )
indicadas na Fig. 3.

Fig. 3. Oito direes usadas para medir as distncias borda-caractere.

Os prximos 20 atributos so obtidos aplicando a mesma

medida distncia borda-caractere, porm, usando faixas
sobrepostas, de modo a minimizar pequenas diferenas de
contagens de uma regio para a outra. A Fig. 4 mostra as cinco
faixas usadas na horizontal e vertical.
0 - 16

5 atributos
5 atributos

10 - 30
24 - 44
38 - 58
52 - 69

Fig. 4.

5 atributos
5 atributos

0-12 6-22 16-32 26-42 36-49

Distncias borda-caractere por faixas sobrepostas.

Por fim, a imagem 70 x 50, contendo o caractere, divida

em 35 regies (10 x 10) e os ltimos 35 atributos so obtidos
calculando as densidades de pixels nessas 35 regies. Deste
modo, so usados 79 atributos para descrever os caracteres (26
maisculos, 26 minsculos e os 10 dgitos).
Na etapa de classificao so adotadas duas abordagens. Na
primeira, durante o treinamento, so observados os intervalos
(mximos e mnimos) que cada classe de caractere apresenta
em cada um desses 79 atributos e, em seguida, nas etapas de
classificao, os caracteres so colocados nas classes
delimitadas por estes valores de mximo e mnimo, obtidos no
treinamento. A Fig. 5 mostra os mximos e mnimos para o

Fig. 5. Mximos e mnimos para os 79 atributos dos caracteres A, B, C,

D e E.

Na segunda abordagem, a classificao feita usando uma

Rede Neural Backpropagation, com 79 neurnios na camada
de entrada, 70 na camada oculta e 62 na camada de sada, taxa
de aprendizagem 0.95 e funo de transferncia logstica.

IV.

EXPERIMENTOS

Esta seo apresenta dois experimentos usando a

metodologia proposta neste trabalho. No experimento I, um
conjunto de imagens contendo 930 caracteres manuscritos
A, B, C, ..., Z, a, b, c, ..., z e 0, 1, 2, ..., 9, ilustrados na Fig. 6,
usado para avaliar a metodologia proposta neste trabalho. No
experimento II, um conjunto de imagens contendo 30 fontes
diferentes dos caracteres 0, 1, 2, ..., 9, ilustrados na Fig. 7,
tambm usado na avaliao da metodologia proposta. Estes
dois experimentos usam os 79 atributos descritos na Seo III
e os mtodos de classificao baseado em mximos e mnimos
e a rede neural Backpropagation.
A. Experimento I
Usando as duas abordagens de classificao (baseada em
mximos e mnimos e baseada em uma rede neural
Backpropagation), na etapa de treinamento foram usadas 35
repeties diferentes, feitas por uma pessoa, de cada um dos
62 caracteres (A,..., Z, a,...,z e 0,...,9), totalizando 2.170
registros e, na etapa de teste (classificao), foram usadas
outras 15 repeties de cada um destes 62 caracteres,
totalizando 930 registros. A classificao usando mximos e
mnimos obteve um taxa de acerto de 89,25%, identificando
corretamente 830 dos 930 caracteres usados no teste. A
classificao usando a rede neural Backpropagation obteve
um taxa de acerto de 94,46%, conseguindo identificar
corretamente 880 dos 930 caracteres usados no teste.

(a)

(b)

Fig. 7.
Conjunto de caracteres usados no: a) treinamento do classificador
(30 fontes diferentes); b) teste (outras 10 fontes diferentes) [13].

A matriz de confuso obtida com a classificao usando

mximos e mnimos (Fig. 8) resulta em um taxa de acerto de
95%, identificando corretamente 95 dos 100 caracteres usados
no teste. Os erros observados so: um caractere 4 confundido
com um caractere 1, um caractere 8 confundido com um
caractere 6, um caractere 0 confundido com um caractere
9 e dois caracteres 3 confundidos com dois caracteres 9.

Fig. 6.

Conjunto de caracteres manuscritos.

Usando a abordagem apresentada por Silva et al., [13]

[15], foi obtida uma taxa de acerto de 66.45%, conseguindo
identificar apenas 618 dos 930 caracteres usados no teste,
mesmo usando uma malha razoavelmente densa de 70x50
pixels.
B. Experimento II
Em seguida, apresentado outro experimento, usando o
conjunto de imagens de caracteres exibido na Fig. 7 [13].
Neste experimento, o treinamento foi realizado usando as 30
fontes de caracteres em (a), enquanto que o teste foi feito
usando as 10 fontes de caracteres em (b) (fontes diferentes das
usadas no treinamento).

0
1
2
3
4
5
6
7
8
9

9
0
0
0
0
0
0
0
0
1

0 0
10 0
0 10
0 0
0 0
0 0
0 0
0 0
0 0
0 0

0
0
0
8
0
0
0
0
0
2

0
1
0
0
9
0
0
0
0
0

0
0 0
0
0 0
0
0 0
0
0 0
0
0 0
10 0 0
0 10 0
0
0 10
0
0 0
0
0 0

0
0
0
0
0
0
1
0
9
0

0
0
0
0
0
0
0
0
0
10

Fig. 8.
Matriz de Confuso obtida com a classificao usando mximos e
mnimos.

A matriz de confuso obtida com a classificao usando a

rede neural Backpropagation (Fig. 9) resulta em um taxa de
acerto de 98%, conseguindo identificar corretamente 98 dos
100 caracteres usados no teste. Os erros observados agora
foram apenas dois caracteres 6 confundidos com dois
caracteres 4.

0
0
1
2
3
4
5
6
7
8
9

10 0 0
0
0 10 0
0
0
0 10 0
0
0 0 10
0
0 0
0
0
0 0
0
0
0 0
0
0
0 0
0
0
0 0
0
0
0 0
0

0
0
0
0
8
0
0
0
0
0

0
0 0
0 0
0
0 0
0 0
0
0 0
0 0
0
0 0
0 0
0
2 0
0 0
10 0 0
0 0
0 10 0
0 0
0
0 10 0 0
0
0 0 10 0
0
0 0
0 10

Fig. 9.
Matriz de Confuso obtida com a classificao usando a rede
neural Backpropagation.

Usando a abordagem apresentada por Silva et al., [13]

[15], foi obtida uma taxa de acerto de 96,0%, conseguindo
identificar 96 dos 100 caracteres usados no teste. A matriz de
confuso obtida com esta abordagem vista na Fig. 10. Os
erros observados so: um caractere 3 confundido com um
caractere 5, um caractere 3 confundido com um caractere
8, um caractere 4 confundido com um caractere 1 e um
caractere 7 confundido com um caractere 1.
0
0
1
2
3
4
5
6
7
8
9

10 0 0
0 10 0
0
0 10
0
0 0
0
0 0
0
0 0
0
0 0
0
0 0
0
0 0
0
0 0

0
0
0
8
0
1
0
0
1
0

0
1
0
0
9
0
0
0
0
0

0
0
0
0
0
0
0
0
0
0
10 0
0 10
0
0
0
0
0
0

0
1
0
0
0
0
0
9
0
0

0 0
0 0
0 0
0 0
0 0
0 0
0 0
0 0
10 0
0 10

Fig. 10. Matriz de Confuso obtida com a classificao usando a

abordagem apresentada por Silva et al., [13] [15].

C. Experimento III
Em seguida realizada uma comparao dos resultados
obtidos com a imagem apresentada na Fig. 11, usando o
mtodo proposto neste artigo, com a classificao baseada em
mximos e mnimos, baseada na rede neural e obtida com o
algoritmo proposto por Silva et al. [13].

Usando o mtodo proposto neste artigo, com a

classificao baseada em mximos e mnimos, foram
reconhecidos 48 dos 58 caracteres (82,75%). Usando o
mtodo proposto neste artigo, com a classificao baseada na
rede neural, foram reconhecidos 53 dos 58 caracteres
(91,37%). Usando o mtodo proposto em Silva et al. [13],
foram reconhecidos 37 dos 58 caracteres (63,79%).
D. Anlise de Desempenho
O tempo mdio de processamento para a extrao dos 79
atributos dos caracteres ilustrados na Fig. 6 de 0,00678
segundos em uma mquina com um processador Intel Core i5
3317U, com clock de 1.7 GHz e memria de 6 GB. O tempo
total de processamento da etapa de treinamento usando a rede
neural Backpropagation foi de 8 minutos e 11 segundos
(usando 2.170 registros 35 repeties de 62 tipos de
caracteres em 2.000 iteraes), enquanto que o tempo de
treinamento usando a classificao baseada nos mximos e
mnimos foi de apenas 0.98745 segundos, usando o mesmo
conjunto de registros. Os tempos mdios de reconhecimento
por caractere de 0.0000912 segundos para a classificao
usando mximos e mnimos, 0,000161 segundos usando a
classificao com a rede neural backpropagation e 0,021336
segundos usando a classificao proposta por Silva et al.
[13][15].
V.

A classificao de caracteres usando as matrizes de coocorrncia, distncias borda-caractere e densidades regionais

se mostrou bastante eficiente, mesmo com um conjunto de
caracteres to difcil como os caracteres manuscritos, que
apresentam uma grande variao, e tem desafiado a maioria
dos algoritmos conhecidos. Embora o uso de redes neurais
tenha obtido taxas de acerto um pouco superior s obtidas com
a classificao baseadas em intervalos de mximos e mnimos,
os tempos de processamento desta ltima abordagem se
mostraram mais baixos, indicando a sua aplicao em sistemas
de reconhecimento onde o tempo de processamento crtico,
tal como em aplicaes de tempo real.
REFERENCES
[1]

[2]

[3]

[4]
Fig. 11.

Imagem contendo uma frase manuscrita.

Neste caso, foram obtidos os seguintes textos,

respectivamente:
Esse arti9o a6resen9a um al9ori9mo 9e reconnecimen9o 9e carac9eres
Bsse artigo apresenta um a7goritmo ae reconnecimento ae caracteres
E888 artigo apresenta Om a6g0rM8m0 a8 p8COnheCiment0 a8 ea0acteres

CONCLUSES

[5]

[6]

M. N. Kapp, Reconhecimento de palavras manuscritas utilizando redes

neurais artificiais. Dissertao de mestrado, PUCPR, Curitiba-PR,
2004. 98p.
C. Y. Suen, J. GUO, Z.C. Li, Analisis and Recognition of
Alphanumeric Handprints by parts. IEEE, Transactions on Systems,
Man, and Cybernetics, Vol.24, abril 1994, p. 614-631.
E. Silva, A. C. G. Thom, Reconhecimento de caracteres manuscritos
Utilizando Time de Redes Neurais, IV Encontro Nacional de
Inteligncia Artificial, 2003. p.13-16.
J. Park, An adaptative approach to offline handwritten word
Recognition, IEEE Transactions on Pattern Analysis and Machine
Intelligence, Vol.24, No.7, jul.2002, p.920-931
C. O. A. Freitas, Uso de modelos escondidos de Markov para
reconhecimento de palavras manuscritas. Tese de Doutorado,
PUCPR/PPGIA, Curitiba-PR, 2001, 188p.
Y. H. Tay, P. M. Lallican, M. Khalid, C. V. Gaudin, S. Knerr, An
offline cursive handwritten word recognition system. IEEE Region 10
Conference, Tencon2001, Singapore, 2001,p.19-22.

[7]

[8]

K. F. Chan, D. Y. Yeung, Recognizing on-line handwritten

alphanumeric characters through fexible structural matching, Pattern
Recognition 32 (1999) 1099-1114
E. G. Montaa, Digits recognition via neural networks, (2007)
http://www.pdf-finder.com/Digits-recognition-via-neural-networks.html#.

[9]

G. Jain, J. Ko, Handwritten Digits Recognition. Multimedia Systems,

Project Report, University of Toronto, November 21, 2008, pp. 1-3.
[10] J. F. Pereira, V. M. O. Alves, G. D. C.Cavalcanti, T. I. Ren, Modular
image principal component analysis for handwritten digits recognition.
IWSSIP 2010 - 17th International Conference on Systems, Signals and
Image Processing, Center of Informatics Federal University of
Pernambuco Recife, Brazil.
[11] V. B. Trentini, L. A. T. Godoy, A. N. Marana, Reconhecimento
automtico de placas de veculos, Anais do WVC 2010 - VI Workshop
de Viso Computacional. Presidente Prudente, 2010, pp. 267-272.

[12] S. K. Shrivastava, S. S. Gharde, Support vector machine for

handwritten devanagari numeral recognition. International Journal of
Computer Applications (0975 8887), Vol. 7 N.11, October 2010.
[13] F. A. Silva, A. O. Artero, M. S. V. Paiva, R. L. Barbosa, Um Algoritmo
Rpido para o Reconhecimento de Caracteres, Anais do VII Workshop
de Viso Computacional, UFPR, Curitiba, pp. 149-154, 2011.
[14] R. F. Gonzalez, R. E. Woods, Digital Image Processing, AddisonWesley, 1993.
[15] F. A., Silva, A. O., Artero, M. S. V. Paiva, R. L. Barbosa,
Reconhecimento de caracteres baseado em regras de transies entre
pixels vizinhos, In. L. A. P., Neves, H., Vieira Neto, A. Gonzaga,
Avanos em Viso Computacional, Omnipax Editora Ltda, Curitiba, PR,
pp. 265-282, 2011.