تغييرات شدت و جهت تابش نور یکی از مهم‌ترین چالش‌های مطرح در سيستم‌هاي شناسایی چهره است كه منجر به ايجاد سايه‌هاي عادي و غير عادي متفاوتي در تصوير چهره مي‌شود. امروزه روش‌هاي مختلفي براي بازشناسي چهره تحت شرايط نوري متفاوت ارائه شده‌اند كه بسياري از آنها نياز به دانش قبلي در مورد منبع نور و زاويه تابش دارند. در اين مقاله رویکردی مبتني بر روش‌هاي يادگيري برای استخراج دانش مربوط به زاويه نورپردازي در تصاوير چهره پيشنهاد شده است. ابتدا ویژگی‌های DCT مؤثر در تغييرات نور از تصوير استخراج شده و پس از نرمال‌سازي، جهت تعيين کلاس‌های نوری مورد استفاده قرار مي‌گيرند. براي یادگیری کلاس‌های نوری از سه الگوریتم درخت تصميم، SVM و الگوريتم مبتني بر بيز WAODE استفاده شده و عملكرد آنها ارزيابي شده است. نتایج به‌دست آمده روي پایگاه‌های تصویری YaleB و ExtendedYale نشان مي‌دهد كه SVM بهترین متوسط دقت را برای طبقه‌بندی تصاویر چهره در نورپردازی‌های مختلف ارائه می‌دهد. در حالی که طبقه‌بند بیزی WAODE به دلیل مقاومت بهتر در برابر فقدان داده، براي کلاس‌های نوری با زاویه تابش زیاد نتایج بهتری را ارائه می‌دهد. Manuscript profile