本書在前面章節已經介紹了6種人臉檢測算法及兩款商業軟件，分別是DPM、LAEO、CNN Facial Point Detection、Viola&Jones、DDFD和Fast R-CNN，以及VeriLook和Face++。為瞭解這些算法的檢測效果，本書進行了大規模的測試實驗。該大規模測試的算法有4個，分別是DPM、LAEO、CNN Facial Point Detection和Viola&Jones，不包括DDFD，因為DDFD噪聲太多。大規模測試的數據集有4個，兩個公開的數據集LFW和FDDB；兩個自己收集的數據集Wanwan1（100張圖片，每張圖片都是人的側臉）、Wanwan2（100張圖片，每張圖片都是360°人臉）。關於這4個數據集的介紹，請參考本書第1章的內容。
每個算法分別在這4個數據集上進行測試，大規模測試結束後，統計每個算法在各個數據集上檢測後的TP和FP數量。TP即True Positive，表示已檢測到的並且是人臉的圖片數量；FP即False Positive，表示已檢測到的但不是人臉的圖片數量。圖8-15所示為某個算法的檢測結果，該圖片檢測結果的TP=1，FP=1。
圖8-15 某個算法的檢測結果
表8-1中統計了每個數據集上人臉的數量，以及每個算法在該數據集上檢測到的TP數量和FP數量。
表8-1 人臉檢測結果對比
根據表8-1，我們可以計算出每個算法在各個數據集上的檢測率和檢錯率。表8-2統計了各個算法在4個數據集上檢測完成所需的時間，以及在各個數據集上的檢測率。表8-3統計了每個算法在各個數據集上的檢錯率。
例如，DPM在LFW數據集上的檢測率為：534/601×100%=88.85%，DPM在LFW數據集上的檢錯率為：61/601×100%=10.15%。
表8-2 各算法的檢測率及運行時間
表8-3 各算法的檢錯率匯總
註：由於LFW數據集中有13 233張圖片，FDDB數據集中有28 736張圖片，圖片數量太多，在統計檢測數量和檢錯數量時，本書只統計了LFW和FDDB數據集中的前500張圖片。運行時間仍然是4個數據集全部運行完成所花費的時間。
綜合表8-2和表8-3可知，DPM在各個數據集上的檢測率都是最高的，但是它的檢錯率也比較高，並且運行時間太長。所以，DPM的優勢為：適合各種角度的人臉檢測，如正臉、側臉、360°人臉；缺點為：運行時間長，是CNN Facial Point Detection的64倍。
CNN Facial Point Detection在數據集LFW、FDDB和Wanwan1上的檢測率僅比DPM低一點，但它的檢錯率幾乎為0，並且運行時間最短，2個小時就能檢測完將近5萬張圖片。所以，CNN Facial Point Detection的優勢為：檢測時間短，對於正臉和側臉檢測效果好，錯檢率幾乎為0；缺點是：不適合檢測360°人臉。
Viola&Jones在LFW和FDDB數據集上檢測率一般，但在Wanwan1和Wanwan2數據集上檢測率非常低。Viola&Jones檢測時間非常短，和CNN Facial Point Detection不相上下。所以，Viola&Jones的優點為：適合檢測正臉，檢測時間短，檢錯率也較低；缺點是：不適合檢測側臉和360°人臉。
LAEO在各個數據集上的檢測率都比DPM低，並且運行時間長，是CCN Facial Point Detection運行時間的61倍，和DPM的運行時間不相上下。所以，LAEO的優點是：可以檢測各個角度的人臉；缺點是：運行時間長，和其他算法相比，檢測率低。