Panorama de Reconhecimento de Padrões

Há várias abordagens diferentes para se efetuar reconhecimento de padrões. Dentre elas, podemos destacar:

• casamento (template matching) [Gonzalez and Woods, 1992], [Feris et al., 2000],
  [Theodoridis and Koutroumbas, 1999],
• abordagem sintática (por exemplo: Hiddem Markov Models)
  [Theodoridis and Koutroumbas, 1999], [Morimoto et al., 1996],
• redes neurais [Theodoridis and Koutroumbas, 1999];
• lógica nebulosa [Bloch, 1999,Dubois et al., 1997,Bonventi-Jr. and Costa, 2000];
• morfologia matemática com aprendizado computacional [Barrera et al., 2000];
• estatística.

É importante ressalvar que essa separação entre as abordagens, baseada no artigo
[Jain et al., 2000], possui apenas fins didáticos, pois, apesar de possuírem aparentemente princípios diferentes, a maioria dos modelos de redes neurais populares são implicitamente equivalentes ou similares a métodos clássicos de reconhecimento estatístico de padrões. Entretanto, algumas redes neurais podem oferecer certas vantagens, como abordagens unificadas para extração de características, seleção de características e classificação, e procedimentos flexíveis para encontrar boas soluções não lineares [Jain et al., 2000]. A abordagem de morfologia matemática com aprendizado computacional é uma abordagem estatística. Porém, nessa abordagem, o espaço de características utilizado é discreto e não linear. Além disso, o método de classificação se baseia em busca em uma tabela. Com essas características, seu paradigma é bastante divergente de todas as abordagens relacionadas com este trabalho. Este trabalho concentra-se em métodos estatísticos de reconhecimento de padrões, que é uma das abordagens mais populares e bem conhecidas. Por isso as outras abordagens não serão detalhadas. Porém, na revisão bibliográfica sobre métodos de reconhecimento de faces (capítulo 4), serão citados trabalhos relacionados com as outras abordagens.