Neste item serão comentadas abordagens baseadas em extratores de características que utilizam transformada de Gabor em regiões da imagem, e não na imagem toda, o que diferencia essa abordagem das abordagens holísticas. Esses métodos são um pouco mais recentes e muito promissores. A mais conhecida é uma abordagem local que utiliza jets. Um jet é um vetor em que cada posição é determinada através de uma transformada de Gabor bidimensional com a janela Gaussiana (modulada por uma exponencial complexa) em um determinado local da imagem, como, por exemplo, o centro do nariz, as pupilas, os cantos da boca etc.. Cada variável de um vetor jet é determinada pelo cálculo da transformada com uma janela de escala (variância da Gaussiana), orientação e/ou freqüência diferente.
Na fase de treinamento, cada jet é calculado em uma posição diferente de
uma imagem (modelo) de treinamento. Na abordagem de Elastic Graph
Matching [Wiskott et al., 1997,Wiskott et al., 1995,Lades et al., 1993], os jets são tratados como nós e as ligações
entre os nós são arestas, formando um grafo. No primeiro quadro da figura 4.4, é
mostrada a posição inicial dos jets numa imagem, bem como a disposição do
grafo. Nos outros quadros, é mostrada a topologia dos grafos após o casamento
com a imagem da face com variações de expressão facial, escala e rotação.
.5DLA.eps
Elastic Graph Matching.
Antes de efetuar a classificação, é necessário realizar um processo de combinação com imagens, que se refere ao posicionamento dos jets em determinados pontos da imagem. Para isso, um procedimento tenta localizar a posição para cada nó do grafo que, ao mesmo tempo, maximiza a similaridade das características e minimiza o custo da topografia. Esse processo é feito para as imagens de treinamento e de testes, de forma que os pontos importantes da face são localizados e os jets são calculados nessas posições. As imagens de teste são classificadas de acordo com a similaridade com as imagens de treinamento, com base na combinação dos grafos e os jets obtidos. Essa abordagem pode apresentar problemas com variações na iluminação e com a imagem do fundo.
Uma outra abordagem que também utiliza a transformada de Gabor é a de
Gabor Wavelet Networks [Krüger and Sommer, 2000], que consiste em uma técnica que
representa um modelo discreto da face como a combinação linear de funções da
wavelet bidimensional de Gabor. Essa abordagem é bastante recente e mostra-se
muito eficiente e precisa, principalmente no rastreamento de faces e de pontos
característicos da face em movimento [Feris, 2001]. Mas as Gabor Wavelet
Networks também podem ser utilizadas para detecção e reconhecimento de
faces. Ao centro da figura 4.5 é ilustrada a representaçao da face da
esquerda no espaço de GWN, cujas Wavelets otimizadas se encontram nas
posições demarcadas pelos pontos pretos na imagem da direita.
.5magorn.eps
Gabor Wavelet Networks (obtida de [Feris, 2001]).
