تشخیص چهره، توانــایی تشخـــیص یک افـــراد با توجه به ویژگی های چهر? آنها است. تشخیص چهره، یک موضوع مهم در کاربردهایی همچون سیستم های امنیتی، کنترل کارت اعتباری و شناسایی مجرمان محسوب می شود. استفاده از تصاویر ویدیویی موجب می شود که محدودیت تصاویر ثابت از بین رفته و بتوان تحت هر شرایطی تصویر کاربر را دریافت کرد و تشخیص چهره انجام شود. در این سیستم ها چالش هایی وجود دارد: تغییرات ژست فرد، تغییرات نور، پوشیدگی چهره، کفیت پایین تصاویر ویدیویی و تغییرات ویژگی های شخصی در هریک از فریم ها. برای انجام کار تشخیص چهره با استفاده از تصاویر ویدیویی نیاز به سه فاز وجود دارد: آشکارسازی، دنبال کردن کردن تصویر چهره در فریم ها و تشخیص چهره. هدف اصلی در این پروژه نوآوری در فاز تشخیص چهره می باشد. در این پژوهش با استفاده از روش های مبتنی بر الگوی باینری محلی به حل چالش های موجود در سیستم های تشخیص چهره پرداختیم. به همین منظور از رویکرد همسایگی نامتقارن در الگوهای باینری محلی استفاده شده است. با تعریف همسایگی نامتقارن در تصویر اطلاعات مفید تصاویر چهره که قدرت تمایز بیشتری در تصاویر چهره را دارا هستند، استخراج می شوند. این روش با استفاده از یک نمون? آموزشی به ازای هر کلاس و توسط یادگیری نیمه نظارتی ارزیابی شده است. دقت تشخیص این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 93.4، 85.5 و 96.2 است. این رویکرد در الگوهای باینری محلی حجمی که در تصاویر ویدیویی و با بعد زمان کار می کند، استفاده شده است. به این منظور از شبک? عصبی خودسازمانده برای پیدا کردن نقاط کلیدی در یک همسایگی استفاده می شود. با استفاده از الگوی بهینه شده توسط شبک? عصبی خودسازمانده در این ناحیه، الگوهای باینری محلی حجمی به محاسب? ویژگی های کلیدی تصویر می پردازد و عملکرد الگوهای باینری محلی حجمی بهبود پیدا می کند. دقت تشخیص این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 96.9، 85.8 و 98.4 است. از دیگر رویکردهایی که برای بهبود الگوهای باینری محلی حجمی استفاده شده است، استخراج ویژگی های متمایز کنند? تصویر چهره بر اساس آنتروپی می باشد. با استفاده از آنتروپی محلی تصویر، نواحی حائز اهمیت در تصاویر الگوی چهره استخراج می شوند و به این ترتیب نواحی با اهمیت برای تمایز تصاویر چهره استفاده می شوند. دقت تشخیص این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 98.4، 91.1 و 99.1 است. با استفاده از الگوریتم pso می توان به استخراج نواحی مهم با توجه به شرایط محلی و سراسری پرداخت و دقت تشخیص به دست آمده با استفاده از این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 99.0، 92.8 و 99.8 است. با استفاده از نقاط کلیدی که توسط روش sift استخراج می شود، همسایگی نواحی مهم تصویر استخراج می شود و با محاسب? الگوی باینری محلی حجمی به ازای هریک از نواحی استخراج شده، می توان به طور چشمگیری عملکرد الگوهای باینری محلی حجمی را بهبود بخشید. دقت تشخیص این روش روی پایگاه داده های mobo، honda/ucsd و essex به ترتیب برابر 99.5، 95.3 و 99.6 است.