هدف نهایی تحقیقات بینایی ماشین ایجاد یک سیستم خودکار تشخیص چهره است که بتواند بهتر از انسان باشد. اما به دلیل استفاده از مدل ها و ساختارهای بسیار پیچیده توسط مغز انسان، لب خوانی ، بازیابی تصویر براساس محتوا، فشرده سازی تصویر و مانند آن است. مطالعات بسیاری در این زمینه انجام گرفته است. معمولا کشف چهره با استفاده از روش های مبتنی بر مدل، ویژگی ها، تطبیق الگو، بافت، شبکه عصبی، عمق و رنگ پوست انجام می شود. اهمیت روش های موجود در استفاده از تصاویر خاکستری است در حالی که بیشتر تصاویر امروزی رنگی هستند. روش های جدید از تصویر رنگی برای تشخیص چهره بهره می برند. یک سیستم مطمئن تشخیص چهره بر اساس رنگ پوست و ویژگی های هندسی متمرکز است. دقت این روش ها ۹۵ درصد است. همچنین شبکه عصبی بر اساس مدل های آماری در فضای رنگی هستند. مثلا از هیستوگرام برای بیان بافت محلی و شکل تصویر سراسری استفاده می کنند. از ماشین بردار پشتیبان و کلاس بندی آدابوست با ساختار آموزش در فضای مختلف نیز استفاده شده است. کارآیی هیستوگرام و مدل های تشخیص پوست و یافتن مدل های هیستوگرام بسیار عالی عمل می کنند و باعث افزایش دقت و کاهش هزینه می شوند. مدل های تشخیص بر اساس رنگ پوست بسیار ساده، قابل اعتماد و بسیار سریع تر از روش های دیگر هستند. به منظور بخش بندی نواحی پوستی بر مبنای رنگ، به یک مدل رنگ پوست با قابلیت تطبیق برای افراد با رنگ های مختلف پوستی و شرایط نوری متفاوت نیاز داریم. در این بخش یک مدل رنگ پوست در فضای رنگی کروماتیک برای بخش بندی نواحی پوستی ارایه می شود. رنگ های کروماتیک به شکل گسترده ای برای بخش بندی تصاویر بکار برده می شوند. برای پردازش تصاویر افراد مختلف با رنگ های پوستی متفاوت و از نژادهای متمایز، استفاده از یک آستانه ثابت، مناسب و مقدور نیست. برای دستیابی به یک مقدار آستانه بهینه در هر تصویر نیاز به آستانه گیری تطبیقی است. در آستانه گیری تطبیقی کاهش مرحله های مقدار آستانه، مستقیما باعث رشد تعداد نواحی کشف شده می گردد. هر چند این افزایش در تعداد نواحی به تدریج رو به کاهش می گذارد زیرا درصد نواحی کشف شده به ۱۰۰ درصد میل می کند. مقدار آستانه ای که در آن کمترین میزان رشد نواحی کشف شده را شاهد باشیم به عنوان مقدار آستانه بهینه تلقی می گردد.