Resumo: Neste artigo, apresenta-se um estudo empírico de otimização das taxas de acurácias resultantes de um sistema de reconhecimento facial baseado nas técnicas Eigenfaces e K-Nearest Neighbors. Foram investigadas as seguintes variáveis: imagens com três dimensões distintas, número de características (Eigenfaces), valores de k da técnica K-Nearest Neighbors e três medidas de distância (euclidiana, Manhattan e euclidiana normalizada). Os estudos foram importantes para entender empiricamente quais parâmetros são os mais relevantes para as técnicas analisadas e que resultam em melhores taxas de acurácias de reconhecimento facial. Os resultados dos experimentos comprovaram que as imagens com dimensões 12x9 pixels produzem as melhores taxas de acurácias de reconhecimento facial, combinando com a medida de distância euclidiana normalizada e um número de Eigenfaces igual a vinte.Palavras-chave: Estudo empírico. Reconhecimento facial. Eigenfaces. K-Nearest Neighbors.
Abstract: In this article, we present an empirical study of optimization of accuracies rates resulting from a facial recognition system based on technical Eigenfaces and K-Nearest Neighbors. The following variables were investigated: images with three different dimensions, number of features (Eigenfaces), k values of the K-Nearest Neighbors and technical three distance measurements (Euclidean, Manhattan and the normalized Euclidean). The studies were important to understand, empirically, what are the most relevant parameters for the analyzed techniques that result the best accuracies rates of facial recognition. The results of the experiments showed that the images with dimensions 12x9 produce the best rates accuracies of facial recognition, matching the standard measure of Euclidean distance and a number of Eigenfaces equal to twenty.Keywords: Empirical study. Face Recognition. Eigenfaces. K-Nearest Neighbors.
IntroduçãoO reconhecimento facial é um dos processos de identificação mais utilizado pelos seres humanos, pois permite identificar rapidamente qualquer indivíduo. Embora o reconhecimento facial seja uma tarefa simples para o ser humano, não é trivial implementar esse processo em uma máquina. A grande dificuldade está na modelagem de uma face que abstraia as características que as diferenciem de outras faces, já que apresentam poucas diferenças substanciais entre si [1]. Pois, embora diferentes, todas as faces possuem características semelhantes, uma boca, dois olhos e um nariz. Além disso, imagens com diferentes dimensões dificultam o processo de reconhecimento facial, principalmente nas etapas de extração das características faciais e