Android人脸比对 人脸比对模式

文章目录

• 1. 人脸识别模式
• 2. 二分类常用指标

• 2.1 四个基础指标
• 2.2 全项指标
• 2.3 行指标
• 2.4 列指标
• 2.5 综合指标
• 2.6 指标曲线

• 3. 人脸识别指标

• 3.1 人脸验证（Verification）
• 3.2 Verification的指标
• 3.3 人脸识别（Identification）
• 3.4 Identification指标

• 4. 后续

• 4.1 公式汇总
• 疑问
• 结论（以下适用于1：1Verification）

1. 人脸识别模式

首先，我们得弄清楚人脸识任务的常见两种模式：

• 1:1模式——face verification （人脸验证）

Verification is the process of asking “are you who you say you are?”

• face verification （1:1）的意思是，用户声明自己的身份可以被设备或系统识别，设备或系统去验证这个说法是真是假。简单来说，就是比较两张照片（底库数量为1），判断是不是同一个人。
• 1:N模式——face identification （人脸识别）

identification is asking “who are you”

• face identification （1:N）的意思是把一个人同数据库里的其他可能的身份进行比对，目的是匹配和发现这个人的身份。实际上，可理解为底库数量为N的1:1，需要回答N次“are you who you say you are?”

具体可以参考：
1、Identification vs Verification: What’s the Difference?

2、人脸识别工作流程

更全面的人脸识别综述可以参考：
人脸识别长篇研究人脸识别长篇研究2

2. 二分类常用指标

需要注意下图是标准的混淆矩阵，是以样本的正负来划分，

2.1 四个基础指标

• TP
• FP
• FN
• TN
  这四个基础指标的线性组合可以得到其它所有指标。

2.2 全项指标

• 准确率(accuracy) ：$Acc = \frac{TP+TN}{TP+FN+FP+TN}$
• 错误率(error rate)：$Err = \frac{FP+FN}{TP+FN+FP+TN}$

ACC + ERR = 1

这两项指标很简单，用的也不多。

2.3 行指标

• TP/(TP + FN) = TPR = 召回率(Recall) = 查全率 = TAR
• FP/(FP + TN) = FPR = 误识率 = 误诊率（医学）= FAR

以上两个指标最为常用,除此之外的另外两个行指标：

• FN/(TP+FN) = 1-TPR = 漏检率 = 漏诊率（医学） = FRR，即TPR的互补指标
• TN/(FP+TN ) =1-FPR = TRR，即FPR的互补指标

2.4 列指标

常见的列指标只有一个：

• TP/(TP+FP) = PRE(precision)、查准率

2.5 综合指标

行列综合指标：

• F1-score
  $\frac{1}{F1}=1/2*(\frac{1}{PRE}+\frac{1}{REC})$
  $F1 = 2PREREC/(PRE+REC)

2.6 指标曲线

• PR曲线
• ROC曲线
• DET曲线
• K-S曲线

3. 人脸识别指标

人脸识别的指标离不开标准的二分类指标，但是还是有一些不同，新手很容易掉坑里，理解不清晰。

3.1 人脸验证（Verification）

和上面的二分类混淆矩阵一样，列表示算法的判定结果，行表示实际情况。其中，红色部分表示两种出现错误的情况，我们分别用 false accept rate (FAR) 和 false reject rate (FRR) 来表示，计算的方法是：相应错误的数量/数据集大小。而且这两种错误有着很大的不同：

在安防案例中，

• false positive 表示让一个错误的人进入
• false negative 表示拒绝一个已经被授权的人进入

3.2 Verification的指标

总的来说，verification是1:1的比对，比较一对人脸是否属于同一个人。一对人脸，属于同一个人的是P/A，即正样本/接受，属于不同人的是N/R，即负样本/拒绝。在这里用的指标术语是FMR(False Match Rate)和FNMR(False Non-Match Rate)。

3.3 人脸识别（Identification）

根据目标人是否在数据集中，人脸识别可以分为两小类：

• closed-set identification （“闭集”人脸识别）：目标人在数据集中
• open-set identification （“开集”人脸识别）：目标可能在或者不在数据集中

对于“闭集”人脸识别，一个可靠的、可解释的度量指标就是准确率（Accuracy）。简而言之，准确率测量了目标人在搜寻结果中出现的平均次数。
举例来说，针对一个可以最高展示10个搜索结果的网页，我们应该计算对的人出现在这10个结果中的次数，这被称作 Top-N accuracy，在这里 N=10 。

在上图中的例子中，目标人像出现在第二个位置，所以Top-1准确率是0，而Top-2以及超过Top-2的其它Top准确率则是1。

“开集”人脸识别可以被看作是闭集人脸识别和人脸验证的叠加，并且所有的评估人脸验证任务的讨论在这里也适用。

参考：Notes on Evaluating Face Recognition Software

3.4 Identification指标

真的有很少人讲清楚人脸识别（Identification）的指标，而且很多人都直接用的人脸验证（Verification）的指标！

人脸识别，可以看做是1：N的检索，可以参考：
1、verification(1:1)指标与identification(1:N)指标的关系

2、人脸识别性能指标——很强！

4. 后续

4.1 公式汇总

人脸识别常用的算法评价指标：

• FAR（false acceptance rate）误识率/误检率
• FRR（false rejection rate）拒识率/漏检率
• ROC曲线
• 速度

我们发现：FAR和FRR，它们代表的就是两种错误，也就是混淆矩阵中我标红的部分。
如何理解和区分这两种错误？：

误识率（FAR）= $\frac{本该匹配失败却被判为匹配成功的次数}{类间总的匹配失败次数}$

拒识率（FRR）= $\frac{本该匹配成功却被判为匹配失败的次数}{类内总的匹配成功次数}$

或者更具体的来说：

误识率（FAR） = $\frac{非同人比较分数>阈值T的次数}{非同人比较的次数}$

拒识率（FRR）= $\frac{同人比较分数<阈值T的次数}{同人比较的次数}$

公式：（参考:错误接受率 (FAR), 错误拒绝率(FRR), 等错误率(EER)）
FAR = nontarget_is_target / ( target_is_target + nontarget_is_target )
FRR = target_is_nontarget / ( target_is_nontarget + nontarget_is_nontarget )

更多：EER(等概率错误)

FRR = FP/(TP+FP)
表示 正样本中 被错误识别为负样本的概率
FAR = FN/(TN+FN)
表示 负样本中 被错误识别为正样本的概率

疑问

1、TPR和TAR是一回事么？
2、上面的两种计算公式是一回事么？比如 FAR = nontarget_is_target / (target_is_target + nontarget_is_target ) = ？=FAR = FN/(TN+FN) 3、所谓”类内“和“类间”具体是怎么计算的？

看了这么多参考的文章，发现很多人把二分类指标FPR和人脸识别指标FAR当做是一样的，也有区别开来的（比如：Face recognition algorithm evaluation --TAR, FAR, FRR, ERR），但是很少能把具体的计算过程讲清楚的。

如何理解误识率（FAR）拒识率（FRR），TPR,FPR以及ROC曲线这一篇中提到了，”类内“和“类间”的具体计算，理解后我做了一个总结（解决了公式中的分母部分）：

参数：

• 人数：n
• 类别数：m

计算公式：

• （类内）同类总的比较次数：$n * A^2_m$，即每个人下，类别之间的比较（有顺序）
• （类间）非同类总的比较次数：$n * m * (n-1) * m$，即所有的情况 x 除去自己之外的所有情况

最后，参照一篇比较全的知乎帖子，人脸识别数据集及评估协议(尚未完成)，完成下面的总结：

结论（以下适用于1：1Verification）

• TAR



• FAR



• 至于这种说法：FAR = nontarget_is_target / ( target_is_target + nontarget_is_target )，我暂时觉得不正确，不应是FAR = nontarget_is_target / ( nontarget_is_target + nontarget_is_nontarget)么？
• FRR



• 至于这种说法：FRR = target_is_nontarget / ( target_is_nontarget + nontarget_is_nontarget )，我暂时觉得不正确，不应是FRR = nontarget_is_target / ( nontarget_is_target + target_is_target)么？
• EER

EER (Equal Error Rate) 表示等误率。EER为取某个T值时，使得FAR=FRR时，FAR或者FRR的值。一般画两条曲线，求交点。

参考：

1. Identification vs Verification: What’s the Difference?
2. 人脸识别工作流程
3. 人脸识别长篇研究
4. 人脸识别长篇研究2
5. 一文说透机器学习的主流评价指标
6. 如何理解误识率（FAR）拒识率（FRR），TPR,FPR以及ROC曲线
7. 人脸识别算法评价指标——TAR，FAR，FRR，ERR
8. 图像识别中的FAR，FRR，ERR总结
9. 如何理解误识率（FAR）拒识率（FRR），TPR,FPR以及ROC曲线
10. Notes on Evaluating Face Recognition Software
11. 错误接受率 (FAR), 错误拒绝率(FRR), 等错误率(EER)
12. Face recognition algorithm evaluation --TAR, FAR, FRR, ERR
13. 人脸识别数据集及评估协议(尚未完成)
14. verification(1:1)指标与identification(1:N)指标的关系