Uma análise de funções Wavelet para a tarefa de reconhecimento facial

Abstract

A tarefa de reconhecimento facial é bastante estudada devido a sua ampla gama de aplicações, como vigilância, biometria e controle de acesso. A Waveletfaces é uma técnica de extração de características que pode aumentar a taxa de acurácia de um sistema que implementa a tarefa. Além disso, seus resultados podem variar dependendo da função wavelet escolhida, do nível de decomposição utilizado, do classificador, da base de dados ou de outras técnicas de redução de dimensionalidade consideradas para combinação. Para determinar se existe um subconjunto específico de itens que podem aumentar a taxa de acurácia média dessa técnica, uma comparação extensiva é realizada neste trabalho. São avaliados quatro diferentes métodos de redução de dimensionalidade considerando o Waveletfaces, 106 funções wavelet, cinco níveis de decomposição, quatro algoritmos de classificação e cinco bases de dados distintas. As combinações desses elementos resultam em, no máximo, 42.400 cenários de acurácia média. Uma análise realizada através de teste de hipótese por intervalo de confiança é utilizada com o objetivo de comparar as taxas obtidas em cada cenário com a máxima acurácia de cada base de dados. Tal análise demonstrou que algumas funções wavelet, como aquelas contidas na família Reverse Biorthogonal, são mais relevantes, aprimorando a taxa de classificação. O classificador de distância considerado foi o que mais se destacou entre todas as bases de dados de face. Ademais, outros elementos estão intimamente relacionados com as características próprias de cada base.