Resumo-Alvo de diversas pesquisas, a estimação de posicionamento de cabeça tem por objetivo determinar a posição de um indivíduo em uma determinada cena. Estratégias de análise de vídeo para estimação de posição de cabeça que funcionem com webcams convencionais têm um papel central em sistemas de rastreamento ocular de baixo-custo. Neste trabalho, os autores comparam três classificadores (baseados em kernel principal component analysis, KPCA; linear discriminant analysis, LDA; e support vector classification, SVC) para estimar a posição de cabeça em uma base de imagens contendo poses discretas. A extração de características de entrada dos classificadores utiliza transformada wavelet de Gabor, cujos aspectos conceituais básicos são apresentados no texto. Testes utilizando uma base de dados disponível publicamente na internet foram realizados. Os resultados mostram que os classificadores possuem acurácia superior a 70% para número total de classes não superior a 15. À medida em que o número de classes aumenta, o desempenho dos classificadores deteriora significativamente: para 93 classes, por exemplo, as acurácias medidas foram de 34%, 33% e 43% para os classificadores baseados em KPCA, LDA, e SVC, respectivamente. Palavras-chave-Estimação de pose de cabeça. Wavelet de Gabor. KPCA. LDA. SVC.