Os métodos holísticos consideram todos os pixels da imagem ou de regiões
características da face. Nessa abordagem, a dimensionalidade dos dados é igual
ao número de pixels das imagens consideradas. Para evitar o problema da
dimensionalidade, podem ser utilizados métodos estatísticos de redução de
dimensionalidade, como, por exemplo, Análise dos Componentes Principais (PCA) [Turk and Pentland, 1991], Discriminantes Lineares [Belhumeur et al., 1997] e Redes Neurais [Lawrence et al., 1996,Romdhani, 1996]. O método de reconhecimento com PCA é o mais popular, tendo sido freqüentemente utilizado em associação com pré-processamentos de normalização de imagens para melhorar o desempenho. A classificação pode ser feita de diversas maneiras, geralmente através de redes neurais ou sistemas estatísticos. Métodos baseados em pirâmides (como Wavelets [Castleman, 1996]) para reconhecimento de faces considerando toda a imagem (sem modular por regiões como é feito nos métodos descritos na próxima seção) também podem ser classificados como holísticos.
Em [Brunelli and Poggio, 1993], é feito um estudo comparando o desempenho de métodos por
atributos (locais) com um método holístico. O método holístico testado foi o
de template matching (casamento), testando o desempenho de imagens de
olhos, nariz, boca e também de toda a face (vide figura 4.3). Os métodos holísticos proporcionaram resultados melhores que os locais. A vantagem de abordagens globais está no fato de que pequenas variações locais não prejudicam muito o reconhecimento. A principal desvantagem está nos problemas de variação de iluminação e, em alguns casos, no custo computacional.
.6FEATXTEM.eps
Atributos utilizados para extração de características locais e
templates testados (abordagem local) baseada em [Brunelli and Poggio, 1993].
