Phương pháp k-Faces được đề xuất dựa trên ý tưởng chọn đại diện nhằm giảm thiểu chi phí tính toán, cung cấp một giải pháp có hiệu quả cao với chi phí tính toán thấp để ước lượng độ tương tự giữa những face-track; k-Faces có khả năng khắc phục nhược điểm về độ chính xác của nhóm độ đo dựa trên đại diện: hiệu quả kém khi face-track có độ đa dạng cao.
Ý tưởng tổng quát: với mỗi face-track ta chọn một đại diện; độ tương tự giữa hai face-track là độ tương tự giữa hai đại diện của mỗi face-track (xem Hình 1.8). Mặt đại diện là “mặt trung bình” của một tập con rút ra từ tập mặt ban đầu trong face-track. Một cách cụ thể, phương pháp k-Faces định nghĩa khoảng cách giữa hai face-track là khoảng cách giữa hai mặt đại diện.
Để chọn mặt đại diện cho face-track, k-Faces thực hiện các bước sau:
1. Chia face-track thành k đoạn dựa theo chiều dài của face-track (số lượng ảnh trong face-track). Ví dụ, với k = 5, face-track F có 100 ảnh sẽ được chia thành 5 đoạn, mỗi đoạn 20 ảnh.
2. Với mỗi đoạn, chọn mặt nằm giữa làm đại diện cho đoạn. Như vậy ta thu được một tập con gồm k mặt từ tập mặt ban đầu trong face-track. 3. Tính mặt trung bình từ tập con gồm k ảnh. Lưu ý rằng mặt trung bình
(hay mặt đại diện) có thể không phải là ảnh khuôn mặt thật sự. Nó được định nghĩa là một “mặt” có vectơ đặc trưng được tính toán bằng cách lấy trung bình các vectơ đặc trưng của k mặt từ bước trên.
4. Cuối cùng, tính khoảng cách Euclide giữa hai “mặt trung bình”. Việc tính trung bình nhiều mặt khác nhau có thể trung hòa sự đa dạng của face-track và nhờ thế tạo ra mặt đại diện tốt hơn. Theo đó, ta có thể truy tìm với độ chính xác cao trong khi vẫn giữ chi phí tính toán ở mức thấp. Hình 2.11 là ví dụ về cách thức chọn mặt đại diện với k = 3.
Hình 2.12 Ý tưởng của phương pháp so khớp k-Faces (ảnh minh họa khi k = 3).