Os métodos baseados em Análise dos Componentes Principais (PCA) estão entre os que possibilitam a obtenção dos melhores resultados em termos de reconhecimento de faces frontais. Apesar da qualidade dos resultados obtidos, essa técnica tem a desvantagem de ser um tanto cara computacionalmente, pois todos os pixels da imagem são utilizados para obter-se sua representação em função da covariância entre essa imagem e todas as outras imagens da base de dados (vide seção 3.2.2).
Alguns pesquisadores utilizaram eigenfaces e eigenfeatures para efetuar o reconhecimento. Os termos eigenfeatures, eigeneyes, eigennose e eigenmouth foram criados em [Moghaddam and Pentland, 1994]. Eigenfeature refere-se aos componentes principais obtidos com imagens de regiões restritas da face, como boca (eigenmouth), nariz (eigennose) e olhos (eigeneyes). Segundo [Moghaddam and Pentland, 1994], estudos de movimentos dos olhos indicam que essas regiões particulares das faces representam marcas importantes para reconhecimento, especialmente em uma tarefa de tentativa de discriminação para identificação de pessoas.
Em [Brunelli and Poggio, 1993], os resultados alcançados através da utilização de um quadro (template) abrangendo somente a região dos olhos surpreendentemente foram melhores que os resultados com um quadro que cobria toda a face. De maneira similar, no artigo [Moghaddam and Pentland, 1994], os resultados obtidos com eigenfeatures, que incluíram olhos, nariz e boca, foram melhores que o de eigenfaces.
Além desses fatores, [Moghaddam and Pentland, 1994] discutem uma vantagem potencial do uso de regiões características, também chamados de módulos, das faces. Trata-se da eliminação da possibilidade de ocorrência de erros provocados pelo uso ou não de barba, bigode, chapéu, variações no comprimento do cabelo, presença de feridas e cicatrizes na face, etc. Esses elementos podem prejudicar o desempenho quando utiliza-se a imagem de toda a face, mas não quando forem utilizadas somente as regiões importantes. A figura 5.1 ilustra três casos em que o uso de toda a imagem da face causou erro de classificação, e o uso de módulos resultou na classificação correta.
Neste trabalho de mestrado, realizamos testes visando verificar os resultados de Brunelli em um sistema de reconhecimento baseado em PCA, mas comparando apenas o desempenho do classificador com imagens de faces versus com imagens contendo os olhos. Também verificamos a relação existente entre esses resultados e o número de autovetores utilizados (dimensionalidade). Este trabalho, publicado em [Campos et al., 2000d], iniciou-se como parte das tarefas exigidas na disciplina de Tópicos em Inteligência Artificial: Reconhecimento de Faces, ministrada pelo Prof. Carlos Hitoshi Morimoto, no primeiro semestre de 1999.