A utilização de um algoritmo de seleção de características é motivada pelo fato de que tais métodos podem ser utilizados para efetuar fusão de multisensores [Somol et al., 2001,Jain and Zongker, 1997]. Considerando-se que as representações de cada região característica da face no espaço PCA podem ser vistas como dados provenientes de sensores diferentes (câmeras), surge a necessidade de reduzir a dimensionalidade de maneira a valorizar os sensores com maior poder de discriminação. Além disso, como podemos concluir da seção 5.2.1, a aplicação de algoritmos de seleção de características pode proporcionar melhora na taxa de acerto de classificadores.
Outro motivo é que, conforme mencionado na seção 3.2.2, a transformada PCA faz uma rotação no espaço de características de forma que o primeiro vetor da base fique na direção em que há mais variação entre os padrões, o segundo vetor na direção em que ocorre a segunda maior variação perpendicular ao primeiro, e assim por diante. Ou seja, a variação específica entre elementos de classe diferente não é otimizada.
Em [Jain et al., 2000], os autores mostram os resultados de uma abordagem de reconhecimento parecida com a abordagem proposta aqui e na seção anterior. Trata-se da aplicação de seleção de características usando a técnica de busca flutuante (SFSM) sobre as características obtidas a partir da transformada PCA sobre imagens de dígitos. O uso dos autovetores selecionados proporcionou resultados superiores ao uso dos primeiros autovetores.
Outro fator motivador para a aplicação de seleção de características sobre PCA está em um dos resultados obtidos em [Belhumeur et al., 1997], em que o desempenho de um sistema de reconhecimento de pessoas baseado em PCA foi melhorado com a eliminação dos três primeiros auto-vetores. Os autores de [Belhumeur et al., 1997] justificam que há algumas evidências de que esses auto-vetores são influenciados pelas mudanças de iluminação e não por variações inter-classes. Provavelmente, esse fato ocorre principalmente porque, em [Belhumeur et al., 1997], foram realizados testes com imagens apresentando grandes variações de iluminação, e os primeiros auto-vetores apontam para o sentido em que há maior variação dos dados. Esse resultado fornece evidências de que é possível obter resultados melhores aplicando um método de seleção de características sobre as eigenfeatures ao invés de utilizar simplesmente os primeiros auto-vetores.
Em [Moghaddam and Pentland, 1994] os autores declararam que não estava definida uma estratégia de realizar fusão ótima das informações obtidas das diferentes regiões da face. Tanto em [Moghaddam and Pentland, 1994] como em [Brunelli and Poggio, 1993], foi utilizado um classificador para cada região da face. Para combinar os resultados, foi utilizado um método de super-classificação.
Também conhecidos como ``métodos de combinação'', os super-classificadores são utilizados quanto se dispõe de vários resultados de classificação e deseja-se combinar os resultados para decidir a qual classe os dados pertencem. Tais esquemas podem ser aplicados quando são utilizados sistemas de multi-sensores e vários classificadores diferentes para classificar um determinado conjunto de dados, ou quando vários padrões separados formam um conjunto que pode pertencer à mesma classe. Um exemplo desse caso é o de seqüências de vídeo.
Quando são utilizados classificadores que informam qual o grau de certeza de se classificar um padrão a uma classe, como o casamento, podem ser utilizados métodos de classificação baseados em operações sobre os resultados de diversas classificações, como soma, média, mediana e máximo. Também pode ser aplicado um outro classificador que utiliza um vetor de características construído a partir dos resultados dos outros classificadores [Brunelli and Poggio, 1993]. Por outro lado, se os classificadores a serem combinados informam apenas qual a classe em que o padrão provavelmente pertence, deve ser utilizado, por exemplo, o esquema de votação. Maiores detalhes sobre super-classificadores encontram-se em [Jain et al., 2000].
No caso de [Brunelli and Poggio, 1993], a classificação das regiões foi feita usando template matching e o método de super-classificação utilizado foi a soma dos resultados (graus de similaridade dos templates de cada pessoa). Já em [Moghaddam and Pentland, 1994], a classificação das regiões foi feita por vizinho mais próximo no eigenspace e a super-classificação, através do esquema de votação.