Les environnements virtuels auditifs deviennent de plus en plus pertinents pour des applications comme la téléconférence, les prothèses auditives, les jeux vidéos, et l'écoute immersive en général. Afin de permettre une interprétation haute fidélité d'une scène sonore dans de tels environnements, le contenu audio doit être traitée avec les filtres acoustiques de l'auditeur, nommés Head-Related Transfer Functions (HRTFs). Le défi actuel, étant donné la difficulté de mesurer les HRTFs d'un auditeur, est d'être capable d'effectuer une sélection de HRTFs, à partir d'une base de données pré-existante de HRTFs, et de donner à l'auditeur les HRTFs qui ressemblent le plus possible à leurs propres HRTFs en utilisant seulement une photo des oreilles de l'auditeur. Un processus est décrit dans lequel une base de données de HRTFs mesurées pour 46 auditeurs différents est réduite au moyen de différentes techniques telles que l'analyse en composantes principales ou un décalage des HRTFs dans le domaine fréquentiel, et de multiples régressions linéaires sont effectuées sur les paramètres morphologiques les plus importants afin de prédire les HRTFs préférés d'un auditeur. Les HRTFs prédîtes sont ensuite comparées à un classement, fait par les auditeurs, des HRTFs de la base de données selon leurs préférences en utilisant un test d'écoute. Les résultats montrent que le processus est en mesure de prédire les HRTFs pour un auditeur de façon significativement meilleure que si les HRTFs avaient été choisies au hasard.