نمونه‏هایی از تصاویر چهره آشکارسازی نشده (خطای FNR) و نمونه‏هایی از تصاویر غیرچهره آشکارسازی شده (خطای FPR) به ترتیب در شکل ‏۴‑۵ و شکل ‏۴‑۶ نشان داده شده است. طبق آزمایشات انجام شده، الگوریتم آشکارسازی چهره در فیلم‏های تهیه شده، دچار خطا نشد.
 
شکل ‏۴‑۵: نمونه‏هایی از تصاویر چهره که آشکارسازی نشده‏اند
 
شکل ‏۴‑۶: نمونه‏هایی از تصاویر غیرچهره که به اشتباه آشکارسازی شده‏اند
همانطور که مشاهده می‏شود، اکثر تصاویر چهره آشکارسازی نشده، در قسمت ناحیه چشم نسبت به محور عمودی متقارن نیستند. در توجیه علت عدم آشکارسازی این تصاویر چهره می‏توان گفت یکی از مهمترین ویژگی‏های شبه هار که از تصویر چهره استخراج شده و مورد استفاده قرار می‏گیرد، ویژگی‏های مربوط به ناحیه چشم است. این ویژگی‏ها معمولا توسط ماسک نشان داده شده در شکل ‏۴‑۷ استخراج می‏گردند. در واقع این ماسک تغییرات شدت روشنایی قسمت‏های طرفین چشم را استخراج می‏کند. در اکثر تصاویر چهره که به اشتباه آشکارسازی نشده‏اند، به دلیل وجود نور بازتابیده شده از عینک، تقارن ناحیه چشم نسبت به محور عمودی از بین رفته و مقدار ویژگی شبه هار مربوط به ناحیه چشم تغییر می‏کند. البته اگر فرد عینک به چشم داشته باشد و وجود عینک باعث از بین رفتن این تقارن نشود، چهره آشکارسازی خواهد شد. نمونه‏هایی از تصاویر چهره آشکارسازی شده در شکل ‏۴‑۸ نشان داده شده است. همان‏طور که مشاهده می‏گردد، سیستم قادر به آشکارسازی چهره‏های دارای عینک نیز می‏باشد.
شکل ‏۴‑۷: یکی از ماسک‏های مهم برای استخراج ویژگی در الگوریتم آشکارسازی چهره
 
شکل ‏۴‑۸: نمونه‏هایی از تصاویر چهره که به درستی آشکارسازی شده‏اند
ردیابی چهره
برای آزمایش الگوریتم ردیابی، از دو روش تخمین حرکت و دو روش تطابق استفاده شد. تخمین حرکت بر اساس پنجره جستجو و به دو روش جستجوی کامل و جستجوی چند‏مرحله‏ای انجام گرفت. همچنین دو معیار ضریب همبستگی و مجموع قدرمطلق تفاضل به عنوان معیارهای محاسبه تطابق استفاده شد. ۱۶ فیلم به مدت ۶۳ دقیقه برای آزمایش و ارزیابی الگوریتم ردیابی چهره مورد استفاده قرار گرفت. نتایج ارزیابی الگوریتم ردیابی براساس نوع روش جستجو و نوع روش محاسبه میزان انطباق در جدول ‏۴‑۶ نشان داده شده است.
جدول ‏۴‑۶: ارزیابی الگوریتم ردیابی بر اساس نوع روش جستجو و نوع روش محاسبه میزان انطباق