Redes Complexas Aplicadas no Reconhecimento de FacesRESUMOO artigo publicado por Wesley Nunes Gonalves e Odemir Martinez Bruno, pesquisadores do ICMC (Instituto de Cincias Matemticas e Computao) da Universidade de So Paulo, intitulado como Redes Complexas Aplicadas no Reconhecimento de Faces apresenta, conforme o ttulo j induz, o estudo que aplica os conhecimentos de Redes Complexas no reconhecimento de faces. Foram classificadas 50 imagens (contendo apenas faces, sendo descartadas informaes irrelevantes tais como o fundo da imagem) de 10 diferentes indivduos para a realizao dos experimentos. Para a formao da rede complexa na imagem cada pixel representa um vrtice e as arestas so inseridas de acordo com a dissimilaridade entre dois pixels, atravs de frmulas preestabelecidas. As tcnicas de reconhecimento de faces mais conhecidas e utilizadas so divididas em mtodos baseados em imagens - holistic approach (por exemplo: eigenfaces, fisherfaces) e mtodos baseados em caractersticas - features-based approach (por exemplo: HMM, LBP), que utilizam caractersticas faciais locais, como os olhos, boca e nariz, na classificao das faces. Paralelamente aos estudos e discusses principais, neste artigo os autores discutem e comparam a eficincia do uso de Redes Complexas em relao ao mtodo eigenfaces, principalmente.O mtodo eigenfaces uma tcnica que utiliza a imagem sem utilizar qualquer modelo inicial da face, onde uma imagem com pixels representada como um vetor contendo as intensidades de todos os pixels da imagem. Para corrigir alguns problemas apresentados por este mtodo foi apresentado e aplicado com base na informao das classes das faces o mtodo fisherfaces. Em uma comparao entre ambos os mtodos este ltimo o que apresentou melhores resultados com uma taxa de erro de 0.6% contra 19.4% do mtodo eigenfaces.As medidas utilizadas nesta experincia esto relacionadas conectividade, coeficiente de aglomerao e hierrquicas. essencial a escolha de medidas para que a classificao final no seja influenciada por valores redundantes ou estatisticamente similares, por exemplo.Na medida de conectividade decidida a natureza do modelo de rede em aleatria ou seguindo uma determinada lei de formao, atravs da distribuio da conectividade dos vrtices. O coeficiente de aglomerao pode ser analisado como a probabilidade de dois vrtices vizinhos de um vrtice terem outro vizinho em comum, sendo possvel mensurar a conectividade dos vizinhos de um vrtice; medida muito importante quando se pretende quantificar texturas em imagens. O grau hierrquico, terceira e ltima medida utilizada neste experimento, definido sobre a dilatao em um subgrafo. Nesta pesquisa foi considerado o grau hierrquico das redes definido atravs do nmero de arestas que conecta os anis sobre todos os vrtices presentes na rede.As 50 imagens dos 10 indivduos foram aplicadas em diferentes condies de iluminao, totalizando 500 imagens. Nos experimentos, os valores de limiar foram variados de 1 a 50 na construo das redes complexas. O melhor resultado foi de 96.8% com o valor 14 de limiar. Dentre alguns outros resultados conclui-se que a rede complexa com um limiar pequeno representa a face com mais detalhes e essas pequenas diferenas pode auxiliar na classificao dos diferentes indivduos. No entanto, se o limiar for muito pequeno, pode a rede complexa representar algum rudo e no generalizar a face dos indivduos, e com isso confundir a classificao das faces.Os resultados obtidos atravs das experincias com as redes complexas foram comparados com a tcnica eigenface. Resultados estes muito promissores, pois com a utilizao de outros raios de vizinhana ou propriedades visuais, a classificao correta pode ser incrementada. Em sntese, os resultados alcanados mostraram que as redes complexas podem ser utilizadas para a resoluo do problema apresentado com eficincia e, em conjunto com outras tcnicas possvel avaliar no somente este, mas diversos outros problemas da rea de viso computacional e reconhecimento de padres. possvel extrapolar esta experincia avaliando tambm as redes complexas com diferentes raios de vizinhana e utilizar outras propriedades visuais para quantificar o peso das arestas, como a textura.