بازشناسی چهره در طی چند دهه ی اخیر به طور گسترده ای مورد مطالعه قرار گرفته است و همچنان نیز، یکی از زمینه های فعال در بینایی ماشین می باشد. بسیاری از سیستم های بازشناسی چهره وابسته به مجموعه تصاویر ذخیره شده از هر فرد هستند. کارائی اینگونه سیستم ها، وقتی تعداد نمونه های آموزشی کمی ذخیره می شود، به شدت کاهش می یابد. . برای حل مشکل فوق روش زیرنمونه برداری برای افزایش داده های آموزشی ارائه شده است. در این روش، ابتدا پنجره به اندازه ی 2×2 انتخاب شده، ضمن حرکت دادن این پنجره روی تصویر، هر کدام از عنصرهای آن به ماتریس تصویر جدید داده می شود. بنابراین چهار تصویر جدید از تصویر اصلی با ربع اندازه ی تصویر اصلی بوجود می آید. هر کدام ازتصاویر تولید شده به طبقه بند پرسپترون های چند لایه داده شده، در آخر با روش های مختلف ترکیب، آنها را باهم ترکیب می کنیم که در بین آنها روش ترکیب میانگین وزن دار عملکرد بهتری از خود نشان می دهد. زیرا در حوزه آموزش طبقه بندی که بهتر آموزش می بیند وزن بیشتری می گیرد. سپس برای استخراج ویژگیهای مفیدتر از یک نمونه ی آموزشی، بیان های مختلف تصویر چهره با فیلترهای گابور مختلف ساخته می شود. بنابراین ابتدا فیلترهای گابور با فرکانس یکسان و زوایای مختلف روی تصویر اصلی حرکت داده می شود تا چهار بیان متفاوت از تصویر بدست آید. هرکدام از این بیان ها، همراه با تصویر اصلی، با روش رای اکثریت بهبود یافته باهم ترکیب می شوند. روش رای اکثریت بهبود یافته همانند رای اکثریت عمل می کند ولی وقتی رای دو یا چند کلاس یکسان می شود، رای طبقه بند تصویر اصلی به عنوان رای نهائی انتخاب می شود. نتایج آزمایشات برتری روش پیشنهادی نشان می دهد و دلیل آن پوشش اکثر فضای ویژگی ورودی با استفاده از تولید بیان های جدید توسط فیلترهای گبور می باشد. در گام آخر، برای غلبه بر مشکل تعداد نمونه ی کم، تصاویر مجازی با زوایای مختلف ساخته شده است. در این روش، ابتدا با تخمین ماتریس فاصله چهره، مدل سه بعدی تصویر چهره ساخته می شود. سپس با چرخش تصویر سه بعدی در زاوایای مختلف، تصاویر مجازی با زوایای مختلف ساخته می شود. با زیاد کردن تعداد نمونه های آموزش توسط نمونه های مجازی تولید شده بدیهی است نرخ بازشناسی نیز افزایش خواهد یافت. به این دلیل که نمونه های مجازی در زوایای مختلف تولید شده است و سیستم بازشناسی ما نسبت به تغییرات زاویه مقاوم می شود