使用典型的ORL、UMIST、CVL 等人脸库和即时采集的视频进行实验，并通过网络下载了一些人脸图片进行补充实验。人脸图像大小从5k 到800k，人脸图片类型包含不同角度拍摄的照片；脸部表情和脸部细节有着不同程度变化的照片（如戴不戴眼镜，眼睛睁或闭，笑或悲伤）；人脸姿态有相当程度变化的照片；人脸图像有不同程度旋转的照片；人脸尺度有不同程度变化的照片；光照强弱不同的人脸照片；不同年龄段的人脸照片；不同肤色的人脸照片；衣领高低不同的人脸照片；和人类有近亲关系的猿猴照片等。本章选用了200 幅单人正面人脸图片、300幅不同偏角和表情的单人人脸图片、400 幅不同偏角和表情及姿态的双人人脸图片、400 幅不同偏角和表情及姿态的多人人脸图片、100 幅多偏角和复杂背景下的人脸图片、10 幅不同角度拍摄的同一人脸照片和20 幅非人脸图片，运用本章算法和参考文献算法进行人脸检测和识别实验。人脸检测的部分实验结果如图7-9～图7-17 所示，这表明本章提出的算法能克服模板匹配算法不能检测出戴墨镜的人脸的缺陷。
图7-9 不同角度拍摄的同一人脸检测结果
图7-10 不同肤色、性别和年龄段正面人脸检测结果
图7-11 不同偏角和表情下的单人人脸检测结果
图7-12 不同偏角和表情下的双人人脸检测结果
图7-13 多人人脸图像检测结果
图7-14 多偏角和复杂背景下的人脸检测结果
图7-15 侧面人脸和非人脸检测结果
(www.xing528.com)
图7-16 不均匀光照下人脸检测结果
图7-17 不同睁眼下人脸检测结果
图7-18 人脸内脸检测和定位结果
实验结果说明，本章算法对各种情况下的人脸具有良好的检测和识别能力，能够很好地克服光照变化、衣领高低、人脸尺寸变化、脸部表情变化、人脸偏角变化、年龄变化、人脸姿态变化、复杂背景、拍摄角度变化和类肤色背景等影响因素对人脸检测与识别结果的影响。为了比较本章提出的方法与基于Haar 特征的Adaboost 方法及文献[146]基于贝叶斯决策规则的检测方法的检测效果，下面定义检测率（DR，Detection rate）和误检率（FDR，False detection rate）并作为评价指标。
在相同测试集条件下进行对比实验，检测结果性能比较如表7-1 所示，人眼定位结果如图7-8 所示，左图为人眼眼眶的定位；右图为人眼瞳孔的定位。人眼定位误差与人眼尺度之间的关系如图7-19 所示。由图可以看出，利用本章算法能够实现人眼的精确定位，识别结果性能比较如表7-2 所示。
表7-1 几种人脸图像检测算法检测结果性能比较
图7-19 尺度-定位误差曲线
表7-2 几种人脸图像识别算法识别结果性能比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
