Métodos Propostos e Resultados

Conforme mencionado anteriormente, o principal objetivo deste trabalho é o estudo de algoritmos de redução de dimensionalidade com a finalidade de possibilitar a implementação de um sistema de classificação de faces que seja rápido, eficiente e robusto. Com isso, uma possível aplicação será a criação de um sistema de reconhecimento de faces a partir de seqüências de vídeo com poucas restrições em relação à iluminação e aos movimentos das pessoas. Um sistema desse tipo, com o objetivo de efetuar reconhecimento em tempo real, possui as seguintes características:

• Necessidade de um sistema de extração de características e classificação rápido e barato, para que se respeite as restrições de tempo como, por exemplo, aquelas determinadas pela taxa de aquisição de quadros por segundo (caso cada quadro seja classificado) e pelo tempo exigido para que seja dada uma resposta ao usuário [Farines et al., 2000].
• Possibilidade de haver muitas imagens por pessoa tanto para treinamento quanto para testes [Chellappa et al., 1995]. Porém, dependendo do classificador utilizado, é desejável utilizar poucos exemplos de treinamento para permitir a obtenção de resultados em tempo real. Já a disponibilidade de muitas imagens por pessoa na fase de testes permite o uso de métodos de super-classificação^5.1 para obter-se melhores resultados.
• Flexibilidade com relação a iluminação, escala e orientação da face (em conformidade com [McKenna et al., 1997]).

Visando a obter um sistema rápido e que não tenha um grande custo em relação a memória, é desejável que a dimensionalidade dos dados não seja grande. Isso deve-se ao fato de que a extração de medidas para realizar a classificação dos padrões de teste fica mais barata computacionalmente quando a dimensionalidade é pequena. Além disso, há outras vantagens em efetuar redução de dimensionalidade as quais foram comentadas no capítulo 2.

Basicamente, foram estudadas duas abordagens para redução da complexidade dos dados de um reconhecedor de faces. A primeira, e mais óbvia, é a de reduzir a dimensionalidade dos dados observados através da simples utilização de uma janela na imagem. A segunda abordagem testada consiste na aplicação de um algoritmo de seleção de características, selecionando somente os atributos com maior poder de discriminação das classes. Tais testes estão descritos a seguir.