Dybde intervju2 utført 21.02.15

A Figura 81 apresenta a taxa de erro por classe obtida pelos v´arios sistemas biom´etricos abordados nesta disserta¸c˜ao. Observe que o ensemble envolvendo sistemas multimodais conseguiu obter menor taxa de erro para 93 classes das 106 classes poss´ıveis. Isto demonstra que o ensemble pode melhorar o desempenho dos sistemas biom´etricos unimodais e multimodais.

Figura 81 – Compara¸c˜ao da taxa de erro por classe gerada pelos melhores sistemas biom´etricos abordados nesta disserta¸c˜ao

Na Figura82 ´e apresentado a taxa de erro por classe gerada pelos v´arios sistemas biom´etricos abordados nesta disserta¸c˜ao. Note que o sistema unimodal apresentou de- sempenho superior em rela¸c˜ao aos outros sistemas para a pose #4 (imagem frontal). Por outro lado, ensemble envolvendo sistemas multimodais conseguiu produzir uma melhora

no desempenho quando comparado aos outros sistemas para todas as outras poses. Neste caso, a melhora produzida foi de aproximadamente 5, 00% por pose.

Figura 82 – Compara¸c˜ao da taxa de erro por pose gerada pelos melhores sistemas biom´etricos abordados nesta disserta¸c˜ao.

A Figura 83 apresenta a distribui¸c˜ao da taxa de erro para diferentes varia¸c˜oes nas condi¸c˜oes do ambiente gerada pelos melhores sistemas biom´etricos abordados. Note que, para imagens que apresentam pouca varia¸c˜ao na ilumina¸c˜ao, o melhor sistema biom´etrico baseado em face conseguiu superar o desempenho alcan¸cado por todos os outros sistemas biom´etricos abordados. Isto mostra que sistema unimodal baseado em face ´e indicado para ambientes controlados. Por outro lado, o melhor sistema multimodal conseguiu melhorar o desempenho alcan¸cado pelos sistemas unimodais em aproximadamente 10% para imagens com grande varia¸c˜ao na ilumina¸c˜ao (varia¸c˜oes no ambiente #7, #8 e #9). Al´em disso, os sistemas multimodais conseguiram obter taxa de erro abaixo de 5.00% para todos os casos.

Figura 83 – Compara¸c˜ao da distribui¸c˜ao das taxas de erro obtidas pelo melhores sistemas biom´etricos para diferentes varia¸c˜oes nas condi¸c˜oes do ambiente.

7 Conclus˜ao

Essa disserta¸c˜ao realizou um estudo comparativo envolvendo sistemas unimodais, multimodais e a abordagem de ensemble usando diferentes t´ecnicas de extra¸c˜ao de carac- ter´ısticas. Com rela¸c˜ao aos sistemas multimodais, foram propostas algumas estrat´egias de fus˜ao para o n´ıvel de caracter´ıstica. Dois tipos de ensemble foram propostos: ensemble envolvendo sistemas unimodais e ensemble envolvendo sistemas multimodais.

Do ponto de vista das t´ecnicas de extra¸c˜ao de caracter´ısticas, pode se dizer que a transformada Wavelet conseguiu obter uma melhor representa¸c˜ao para ´ıris. O melhor sistema unimodal baseado em ´ıris foi projetado com os coeficientes de Wavelet. Este obteve uma taxa de erro igual a 9, 71%. J´a a transformada Curvelet conseguiu obter uma melhor representa¸c˜ao para a face. Neste caso, o melhor sistema unimodal baseado em face obteve uma taxa de acerto igual a 6, 36%. A transformada Contourlet produziu resultados satisfat´orio para ´ıris. Entretanto, os sistemas baseados em face, que foram projetados com os coeficientes da transformada Contourlet, apresentaram um p´essimo desempenho comparado aos outros sistemas. Acredita-se que este desempenho ruim possa ter sido causado pelas diferentes configura¸c˜oes das imagens de face.

Em rela¸c˜ao `as estrat´egias de fus˜ao empregadas nos sistemas multimodais, estas conseguiram gerar sistemas biom´etricos com desempenho satisfat´orio. Os sistemas mul- timodais que empregaram a estrat´egia de fus˜ao baseada em contornos alcan¸caram o pior desempenho. Esta estrat´egia foi proposta para fus˜ao de imagens de tomografias que apresentam o mesmo espectro de cores. No entanto, nesta disserta¸c˜ao, esta estrat´egia foi aplicada para fus˜ao de imagens de face e ´ıris, as quais apresentam caracter´ısticas distintas. Acredita-se que esta tenha sido umas das causas do desempenho ruim alcan¸cado pelos sistemas que utilizaram esta estrat´egia de fus˜ao. Por outro lado, as estrat´egias de fus˜ao baseada na concatena¸c˜ao e no m´ınimo dos coeficientes de aproxima¸c˜ao e m´aximo dos coeficientes de detalhes conseguiram projetar sistemas multimodais que apresentaram, na maioria dos casos, os melhores resultados, independente do tipo de transformada utilizada para extra¸c˜ao dos coeficientes.

Os classificadores SVM e LS-SVM apresentaram um comportamento bastante similar, ambos conseguiram obter taxas de acerto acima de 90% para alguns casos. Em rela¸c˜ao ao parˆametro σ do Kernel RBF, ´e poss´ıvel afirmar que h´a um intervalo de busca

adequado para cada transformada: [16, 256] para a transformada Wavelet e Contourlet e [32, 512] para transformada Curvelet.

Ensemble envolvendo sistemas multimodais conseguiu produzir o melhor desempe- nho global. No melhor caso, foi obtido uma taxa de erro igual a 2, 09%. Para alguns casos, o ensemble n˜ao conseguiu superar o desempenho alcan¸cado pelos sistemas unimodais ou multimodais. No entanto, no pior caso, o ensemble obteve um desempenho inferior a 1, 5% em rela¸c˜ao ao melhor sistema. Apesar disso, o ensemble demonstrou ser uma abordagem bastante promissora para projeto de sistemas biom´etricos, uma vez que alivia o problema de sele¸c˜ao de parˆametros do modelo. Pode-se construir um ensemble a partir de sistemas biom´etricos unimodais ou multimodais, desde que apresentem um desempenho satisfat´orio. Neste caso n˜ao ´e necess´ario que os sistemas que ir˜ao compor o ensemble tenham seus parˆametros otimizados. O ensemble gerado pode obter um desempenho pr´oximo do obtido pelo melhor sistema.