O Reconhecimento de faces consiste em, a partir de uma imagem, identificar ou verificar um ou mais indivíduos através de um banco de dados de faces. O reconhecimento de faces é uma tarefa de grande interesse, principalmente pelo grande número de possíveis aplicações. Dessa forma, existem diversos métodos para lidar com o problema. No entanto, apesar da maioria dos métodos conseguirem bons resultados em ambientes controlados, quando há variações de iluminação, pose ou expressão facial, esse desempenho é reduzido. Buscando lidar com as dificuldades existentes, este trabalho propõe um método para o reconhecimento de faces utilizando os conjuntos-K. Os conjuntos-K são modelos conexionistas baseados em populações de neurônios, concebidos através de estudos e análises do sistema olfativo animal. Estes modelos apresentam estrutura e comportamento biologicamente mais plausíveis que os modelos tradicionais de redes neurais. Os conjuntos-K vêm sendo usados em diversas tarefas de aprendizado de máquina, apresentando bons resultados principalmente na resolução de problemas complexos ou com ruídos. Devido ao grande potencial dos conjuntos-K para reconhecimento de padrões em ambientes complexos e ruidosos, é levantada a hipótese de que um método baseado nos conjuntos-K alcance um melhor desempenho que os métodos existentes na literatura. O método proposto foi avaliado utilizando dois bancos de dados, AT&T e Yale B, o primeiro com pequenas variações em relação a pose e expressão facial e o segundo com grandes variações de iluminação fornecendo um cenário mais complexo. Os resultados mostraram que o método proposto consegue um desempenho equivalente ou um pouco inferior que os outros métodos avaliados para o primeiro banco de dados. Porém, para o segundo banco de dados, que fornece o cenário mais complexo, o método proposto supera os demais métodos.

Face recognition consists of, from a picture, identifying or checking one or more individuals through a face database. Face recognition is an interesting task mainly because of the large number of possible applications. This way, there are various methods to deal with the problem. However, although most methods achieve good results in controlled environments, when there are lighting, pose or facial expression variations, this performance is reduced. Seeking to deal with the existing difficulties, this work proposes a method for recognizing faces using K-sets. The K-sets are connectionist models based on neuron populations, designed from studies and analyses of the animal olfactory system. These models present more biologically plausible structure and behavior than traditional neural network models. K-sets have been used in various machine learning tasks with good results, mainly in the resolution of complex or noisy problems. Due to the great potential of K-sets for pattern recognition in complex and noisy environments, a hypothesis is raised that a method based on K-sets achieves a better performance than existing methods. The proposed method was evaluated using two databases, AT&T and Yale B, the first with small variations of pose and facial expressions and the second with large variations in illumination providing a more complex scenario. The results show that the proposed method achieve an equivalent or slightly lower performance than the other methods evaluated for the first database. However, for the second database, which provides the more complex scenario, the proposed method outperforms the other methods.