Systémy rozpoznávania tvári spadajú do dvoch kategórií: verifikácia a identifikácia.

V prípade, že nevieme, či testovaná tvár je v databáze systému, postup je nasledujúci. Obrázok s tvárou je porovnaný so všetkými obrazmi tvárí v databáze a vyhodnotí sa pravdepodobnosť zhody pre každú z nich. Všetky tieto pravdepodobnosti sú numericky zoradené: najvyššia hodnota je ako prvá. V prípade, že pravdepodobnosť je vyššia ako nastavená prahová hodnota, systém nás informuje o výsledku [1].

Základné vybrané metódy 2D rozpoznania tvári:

• Lineárne/nelineárne projekčné metódy
  • Principal Component Analysis (PCA) - metóda založená na PCA sa volá „eigenface“. Hlavnou myšlienkou PCA je rozložiť dátový priestor na lineárnu kombináciu malého počtu bázových funkcii, ktoré sú ortogonálne a ktoré reprezentujú maximálnu variáciu smerov v trénovacej sade [4].
  • Kernel Principal Component Analysis (KPCA) - je metóda nelineárnej extrakcie príznakov. KPCA môže získať sadu príznakov, ktoré sú vhodnejšie pre kategorizáciu než konvenčné PCA. KPCA je široko používaný v prípade rozpoznania tváre s výrazom a pri rôznych svetelných podmienkach [4].
  • Linear Discriminant Analysis (LDA) – bola navrhnutá ako lepšia alternatíva k PCA. Poskytuje rozdelenie medzi triedami, zatiaľ čo PCA sa zaoberá vstupnými dátami v celom ich rozsahu bez toho, aby venovala pozornosť základnej štruktúre. V skutočnosti hlavný cieľ LDA spočíva v nájdení bázy vektorov, ktoré poskytujú najlepšiu diskrimináciu medzi triedami. LDA sa snaží maximalizovať rozdiely medzi triedami, čím sa minimalizujú rozdiely v rámci svojej triede [1].
  • Discriminant Common Vectors (DCV) - hlavná myšlienka DCV spočíva v zhromažďovaní podobnosti medzi prvkami v rovnakej triede a vylúčením ich odlišnosti [1].
• Neurónové siete – je nelineárne riešenie, používa sa aj v iných oblastiach rozpoznávania vzorov. Výhodou neurónových klasifikátorov oproti lineárnym je tá, že sa môže znížiť počet nesprávnych zaradení medzi susednými triedami. Základnou myšlienkou je, aby sa brala do úvahy sieť s neurónom pre každý pixel v obraze. Avšak, vzhľadom na rozmery vzorov, neurónové siete nie sú priamo trénované so vstupnými obrazmi. Pred procesom trénovania sa používajú techniky znižujúce počet rozmerov.
• Systémy iterovaných funkcií (iterated function systems - IFS) – IFS teória bola vyvinutá predovšetkým v oblasti kódovania obrazu a nedávno bola rozšírená na indexovanie obrazu. Fraktálny kód obrázku je nemenný vzhľadom na širokú sadu globálnych transformácií ako je rotácia, kontrastné škálovanie, atď. IFS obrazu tváre sa používa pri trénovaní neurónových sietí, kde sa používa ako klasifikátor [1].