English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

This paper presents a comparative study between the Eigenfaces and Fisherfaces techniques combined with the KNN, SVM and MLP classifiers. The Eigenfaces and Fisherfaces techniques were used to project the images from the AT&T (The database of faces) and Extended Yale B databases into a new space in order to obtain a reduction in the dimensionality of these data. The classifiers mentioned used the data designed to perform the training task and subsequent identification of the test data classes. The results were very promising in both cases, but the MLP neural network with the Fisherfaces technique obtained the best results. Resumo. Neste trabalho é apresentado um estudo comparativo entre as técnicas Eigenfaces e Fisherfaces combinadas com os classificadores KNN, SVM e MLP. As técnicas Eigenfaces e Fisherfaces foram utilizadas para projeção das imagens dos bancos de imagens AT&T (The database of faces) e Extended Yale B em um novo espaço de forma a se obter uma redução da dimensionalidade desses dados. Os classificadores mencionados utilizaram os dados projetados para executar a tarefa de treinamento e posterior identificação das classes dos dados de teste. Os resultados foram bastante promissores em ambos os casos, porém a rede neural MLP com a técnica Fisherfaces obtiveram os melhores resultados. 1. Introdução Apesar de o problema de se reconhecer faces ser trivial para seres humanos, para computadores, este problema mostrou-se quase impossı́vel de se resolver [Coppin 2010]. O reconhecimento facial é considerado uma das técnicas biométricas mais importantes e possui vantagens em relação às demais técnicas biométricas, como o fato de ser um processo natural e passivo, não necessitando da cooperação de indivı́duos como acontece em outras técnicas, como o reconhecimento de impressões digitais [Zhang and Gao 2009]. Embora o reconhecimento de impressões digitais seja mais preciso que outros métodos de reconhecimento, o reconhecimento facial ainda atrai grande atenção de muitos pesquisadores no campo de visão computacional. Existem duas categorias de algoritmos utilizados em reconhecimento de faces: os métodos baseados em caracterı́sticas e métodos baseados em aparência [Silva 2009, Eleyan and Demirel 2007]. Os métodos baseados em caracterı́sticas utilizam caracterı́sticas faciais distintas, como olhos, boca e nariz para obter o vetor de caracterı́sticas, já os métodos baseados em aparência extraem caracterı́sticas globais da imagem, observando os valores dos pı́xeis para isso [Silva and Cintra 2015]. Essa extração de caracterı́sticas ou extração de atributos, consiste em obter através dos dados originais, novos dados que melhor descrevem as entidades em estudo [Müller and Guido 2016]. Em geral, métodos baseados em aparência são mais robustos que métodos baseados em caracterı́sticas [Tan et al. 2002]. Esses métodos geralmente implicam na representação de imagens como um vetor, que na prática é muito grande para permitir o reconhecimento robusto e rápido de objetos [Martı́nez and Kak 2001]. Uma forma muito comum de se resolver tal problema é através do uso de técnicas de redução de dimensionalidade, como por exemplo, as técnicas PCA e LDA. A análise de componentes principais (Principal Component Analisys ou PCA) é um método usado tanto para redução de dimensionalidade em problemas de compressão, quanto para problemas de reconhecimento [Toygar and Adnan 2003]. A aplicação desse método no contexto de reconhecimento facial é também referida como Eigenfaces [Turk and Pentland 1991a]. A análise de descriminantes lineares (Linear Discriminant Analysis ou LDA) é uma poderosa técnica de redução de dimensionalidade que procura tornar os dados de classes diferentes os mais separados possı́vel, para isso essa técnica utiliza uma análise da matriz de dispersão dos dados [Toygar and Adnan 2003]. A aplicação dessa técnica em problemas de reconhecimento facial é também conhecida como Fisherfaces [Belhumeur et al. 1997]. Este trabalho então tem como objetivo desenvolver um estudo comparativo quanto à eficiência das técnicas de extração de atributos Eigenfaces (PCA) e Fisherfaces (LDA) no problema de reconhecimento facial, empregando classificadores clássicos de aprendizagem de máquina: o simples e conhecido algoritmo KNN (K-nearest neighbors); a rede neural Perceptron multicamadas (Multilayer Perceptron o MLP); e um modelo de máquina de vetores de suporte (Support Vector Machine ou SVM).

A comparative study involving classifiers and dimensionality reduction techniques applied to facial recognition