Teste de algoritmos

Em [9], nós fizemos um estudo comparando o desempenho de quatro formas de seleção de características, dos quais dois baseados em busca automática, para discriminar classes de padrões obtidos a partir de descritores de Fourier. O problema abordado em [9] trata de discriminação de imagens contendo faces versus imagens não contendo faces de uma forma rápida. O método de discriminação, que nós propusemos em [59] constitui-se de:

• obtenção do mapa de bordas horizontais binário da imagem através do Laplaciano de uma janela Gaussiana unidimensional vertical [44];
• formação de um sinal unidimensional a partir de uma ``varredura'' vertical do mapa de bordas obtido;
• obtenção de 30 descritores de Fourier [44,45] desse sinal unidimensional.

Para efetuar a seleção automática de características (no caso, descritore de Fourier), os únicos métodos de busca testados foram os algoritmos SFS e o ASFS (Métodos de Busca Seqüencial Flutuante e suas versões Adaptativas). Isso se justifica pelo fato desses serem os melhores algoritmos de busca para seleção de característica (vide seção 5). Os resultados obtidos foram avaliados para determinar o melhor seletor de características e a melhor dimensionalidade. A arquitetura desse processo está ilustrada na figura 14.

Figura: Esquema do sistema de discriminação faces $\times$ não-faces.

Esse processo foi realizado em 219 imagens de faces e em 219 imagens de outros objetos (não-faces). Desse total, $2/3$ foi utilizado para treinar um classificador de mínima distância ao protótipo, e o restante para testá-lo. As quatro técnicas de seleção de características testadas foram:

• utilização dos $d$ primeiros coeficientes (abordagem mais comum em se tratando de coeficientes de Fourier);
• utilização dos $d$ maiores coeficientes (comum em Wavelets);
• métodos de seleção SFS (vide seção 5);
• métodos de seleção ASFS (vide seção 5).

Para os métodos de seleção de características SFS e ASFS, foi usado, como função critério, o desempenho de um classificador de mínima distância ao protótipo. É importante notar que o número de padrões de treinamento é de 146 faces e 146 não-faces, enquanto que o número de classes é apenas 2 (face e não-face). Com isso, o uso do desempenho do classificador como função critério para seleção de características é justificado (vide seção 5). Através da figura 15 pode-se observar os resultados obtidos, que comprovam a superioridade dos métodos de seleção de característica, principalmente o ASFS. É interessante notar também que os melhores resultados foram obtidos utilizando dimensionalidade menor que 20, o que confirma que um aumento no número de características não garante melhora no desempenho do classificador.

Figura: Resultados obtidos (em % de taxa de acerto do classificador) pelos conjuntos de características selecionados.

No pior caso, a maior diferença entre o resultados de SFS e ASFS foi de 4,35%. Mas, em termos de tempo de execução, no pior caso o algoritmo SFS levou 2 segundos, enquanto o ASFS levou 4 horas e 22 minutos para determinar o conjunto de características. Esse é um fator muito relevante na escolha do algoritmo de seleção. É importante lembrar que o total de características disponíveis é 30 e, por isso, todos os métodos ``convergem'' para o mesmo resultado quando a dimensionalidade vai para 30. Detalhes sobre esse trabalho podem ser vistos em [57].