Luận văn đã tập trung nghiên cứu vào hiệu quả và hiệu suất phân lớp của phương pháp MDS kết hợp SVM so với phương pháp PCA kết hợp SVM. Qua đó luận văn đã mô hình hóa được quy trình hoạt động của hai phương pháp kết hợp này, đồng thời đưa ra sơ đồ hoạt động cũng như các bước thực hiện tiến trình xử lý phân lớp ảnh (ảnh mặt người).
Kết quả thực nghiệm cho ta thấy kết quả về các thông số: Độ chính xác, thời gian xử lý, qua bảng so sánh và sơ đồ thể hiện ta thấy rằng hiệu suất của phương pháp MDS kết hợp SVM cao hơn về độ chính xác. Mặc khác so sánh độ chính xác trong bảng ta thấy độ ổn định của phương pháp MDS-SVM cao hơn PCA-SVM.
Luận văn cũng phát hiện được rằng đối với dữ liệu mẫu chúng ta chỉ cần tính toán khoảng cách ban đầu của các ảnh và sau đó sử dụng dữ liệu này một cách độc lập để tính tọa độ mới trong không gian MDS mà không cần sử dụng lại các mẫu ảnh ban đầu. Vậy nên đây là phương pháp rất hữu hiệu cho các cơ sở dữ liệu lớn không làm ảnh hưởng hay thay đổi đến dữ liệu mẫu. Khi có một ảnh mới cần bổ sung vào cơ sở dữ liệu thì ta chỉ cần tính khoảng cảnh của ảnh đó với các ảnh còn lại theo độ đo khoảng cách đã được sử dụng trước đó cho các ảnh mẫu vì thế sẽ làm cho thời gian xử lý được nhanh hơn.
Luận văn cũng phát hiện rằng khi sử dụng phương pháp MDS để giảm chiều dữ liệu sang không gian mới thì việc làm mất mát thông tin được hạn chế tối đa so với phương pháp PCA. Lý do làm được điều này là do nguyên lý hoạt động đặc biệt của MDS, MDS hoạt động theo kiểu co giãn khoảng cách giữa các điểm ảnh và MDS sẽ chọn độ co giãn hợp lý nhất để chuyển khoảng cách dữ liệu về không gian mới với các khoảng cách tương ứng và xác định được các tọa độ mới. Tuy nhiên đối với phương pháp PCA thì không làm như vậy, PCA chỉ lấy những vùng có năng lượng lớn (Eigenfaces) khi chiếu lên các trục tọa độ vậy nên thông tin sẽ bị mất đi thông tin đối với các vùng có năng lượng thấp.
Một kết luận quan trọng nhất của luận văn khi đánh sự chênh lệch và độ chính xác của phương pháp kỹ thuật MDS-SVM và PCA-SVM là dựa vào các yếu tố chính của phương pháp MDS:
• MDS là phương pháp nén dữ liệu ít mất mát thông tin hơn PCA
• MDS sử dụng độ đo khoảng cách giữa các ảnh và điểm ảnh làm dữ liệu đầu vào tối ưu hơn PCA khi sử dụng các vector riêng và giá trị riêng của ảnh.
• Trong không gian MDS các tọa độ mới của ảnh luôn thay đổi vì vậy ta có thể chọn lựa phương pháp tối ưu nhất cho từng bài toán ngược lại PCA có độ ổn định cao do chỉ sử dụng các trục tọa độ có độ biến thiên cao nhất hay vùng có giá trị riêng tập trung cao nhất.