As imagens são sinais que possuem muita informação. Os objetos representados em ima- gens podem sofrer deformações fazendo com que suas características mudem, o que difi- culta o reconhecimento do objeto. A chave para o sucesso de um sistema de reconheci- mento de padrões em imagens é escolher adequadamente a sua abordagem e um modelo para as feições presentes nas imagens. Uma das dificuldades é extrair e selecionar as feições que são mais discriminantes entre as diferentes classes usadas para modelar um objeto. Os modelos ativos de formas (Active Shape Models ASM) adaptam-se às defor- mações de um objeto. O objeto a ser modelado, pode ser representado com um modelo de pontos distribuídos (Point Distribution Models PDM). O PDM consiste de pontos de interesse ou marcadores, que permitem a extração de feições em localizações específicas do objeto. Após tratar a incerteza da localização e oclusão dos marcadores é possível ex- trair as feições mais representativas, obtendo-se um desempenho alto em termos da taxa de reconhecimento. Nesta tese são introduzidas novas formas para extrair e selecionar feições com modelos ativos de formas, que melhoram a taxa de classificação onde há objetos deformáveis. Esta tese é inovadora no sentido de aperfeiçoar o uso de ASMs na classificação de faces humanas, e na sua aplicação no monitoramento visual de outros tipos de objetos deformáveis. / Images are signals that have a lot of information. The objects depicted in images may suf- fer deformations causing changes in their characteristics, which hinders the recognition of the object. The key to the success of a system of pattern recognition in images is to choose properly your approach and a model for the features in the images. One difficulty is to extract and select the features that are most discriminating between different classes used to model an object. The Active Shape Models (ASM) adapt to deformations of an object. The object to be modeled can be represented with a Points Distribution Model (PDM). The PDM consists of points of interest or landmarks that allow the extraction of features in specific locations of the object. After treating the uncertainty of the location and occlu- sion of the landmarks it is possible to extract the most representative features, obtaining a high performance in terms of recognition rate. This thesis introduces new ways to extract and select features with ASMs, which improve the classification rate where deformable objects are present. This thesis is innovative in the sense that improves the use of ASMs in the classification of human faces, and that can be applied in visual monitoring of other types of deformable objects.

As imagens são sinais que possuem muita informação. Os objetos representados em ima- gens podem sofrer deformações fazendo com que suas características mudem, o que difi- culta o reconhecimento do objeto. A chave para o sucesso de um sistema de reconheci- mento de padrões em imagens é escolher adequadamente a sua abordagem e um modelo para as feições presentes nas imagens. Uma das dificuldades é extrair e selecionar as feições que são mais discriminantes entre as diferentes classes usadas para modelar um objeto. Os modelos ativos de formas (Active Shape Models ASM) adaptam-se às defor- mações de um objeto. O objeto a ser modelado, pode ser representado com um modelo de pontos distribuídos (Point Distribution Models PDM). O PDM consiste de pontos de interesse ou marcadores, que permitem a extração de feições em localizações específicas do objeto. Após tratar a incerteza da localização e oclusão dos marcadores é possível ex- trair as feições mais representativas, obtendo-se um desempenho alto em termos da taxa de reconhecimento. Nesta tese são introduzidas novas formas para extrair e selecionar feições com modelos ativos de formas, que melhoram a taxa de classificação onde há objetos deformáveis. Esta tese é inovadora no sentido de aperfeiçoar o uso de ASMs na classificação de faces humanas, e na sua aplicação no monitoramento visual de outros tipos de objetos deformáveis. / Images are signals that have a lot of information. The objects depicted in images may suf- fer deformations causing changes in their characteristics, which hinders the recognition of the object. The key to the success of a system of pattern recognition in images is to choose properly your approach and a model for the features in the images. One difficulty is to extract and select the features that are most discriminating between different classes used to model an object. The Active Shape Models (ASM) adapt to deformations of an object. The object to be modeled can be represented with a Points Distribution Model (PDM). The PDM consists of points of interest or landmarks that allow the extraction of features in specific locations of the object. After treating the uncertainty of the location and occlu- sion of the landmarks it is possible to extract the most representative features, obtaining a high performance in terms of recognition rate. This thesis introduces new ways to extract and select features with ASMs, which improve the classification rate where deformable objects are present. This thesis is innovative in the sense that improves the use of ASMs in the classification of human faces, and that can be applied in visual monitoring of other types of deformable objects.

As imagens são sinais que possuem muita informação. Os objetos representados em ima- gens podem sofrer deformações fazendo com que suas características mudem, o que difi- culta o reconhecimento do objeto. A chave para o sucesso de um sistema de reconheci- mento de padrões em imagens é escolher adequadamente a sua abordagem e um modelo para as feições presentes nas imagens. Uma das dificuldades é extrair e selecionar as feições que são mais discriminantes entre as diferentes classes usadas para modelar um objeto. Os modelos ativos de formas (Active Shape Models ASM) adaptam-se às defor- mações de um objeto. O objeto a ser modelado, pode ser representado com um modelo de pontos distribuídos (Point Distribution Models PDM). O PDM consiste de pontos de interesse ou marcadores, que permitem a extração de feições em localizações específicas do objeto. Após tratar a incerteza da localização e oclusão dos marcadores é possível ex- trair as feições mais representativas, obtendo-se um desempenho alto em termos da taxa de reconhecimento. Nesta tese são introduzidas novas formas para extrair e selecionar feições com modelos ativos de formas, que melhoram a taxa de classificação onde há objetos deformáveis. Esta tese é inovadora no sentido de aperfeiçoar o uso de ASMs na classificação de faces humanas, e na sua aplicação no monitoramento visual de outros tipos de objetos deformáveis. / Images are signals that have a lot of information. The objects depicted in images may suf- fer deformations causing changes in their characteristics, which hinders the recognition of the object. The key to the success of a system of pattern recognition in images is to choose properly your approach and a model for the features in the images. One difficulty is to extract and select the features that are most discriminating between different classes used to model an object. The Active Shape Models (ASM) adapt to deformations of an object. The object to be modeled can be represented with a Points Distribution Model (PDM). The PDM consists of points of interest or landmarks that allow the extraction of features in specific locations of the object. After treating the uncertainty of the location and occlu- sion of the landmarks it is possible to extract the most representative features, obtaining a high performance in terms of recognition rate. This thesis introduces new ways to extract and select features with ASMs, which improve the classification rate where deformable objects are present. This thesis is innovative in the sense that improves the use of ASMs in the classification of human faces, and that can be applied in visual monitoring of other types of deformable objects.