人脸识别模型 人脸识别模型评估

想问一下有没有比较方便的人脸识别算法，求

可变形模板法可以视为几何特征方法的一种改进，其基本思想是 :设计一个参数可调的器官模型 (即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。

主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。

人脸识别模型 人脸识别模型评估

人脸识别模型 人脸识别模型评估

对内外部人员进行身份确认，是保障企业数据信息安全的重要手段。以往，供电局在营业厅业务办理、办公楼闸机门禁、会议签到、食堂就餐、施工人员身份验证等场景的身份认证，主要通过工牌刷卡、人工登记验证、现场纸质签名等传统方式，这几种方式，存在冒名顶替、借用、漏签、效率慢等问题，不仅不够便捷，还存在一定安全隐患。

1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果；

2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。

1. 基于几何特征的方法

这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。 基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在率上还远不能满足要求，计算量也较大。

2. 局部特征分析方法（Local Face Analysis）

主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。

特征脸方法是90年代初期由Turk和Pentland提出的目前的算法之一，具有简单有效的特点, 也称为基于主成分分析(principal component ysis,简称PCA)的人脸识别方法。

特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。

实际上，特征脸反映了隐含在人脸样本内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。

该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。其技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。Turk和Pentland提出特征脸的方法，它根据一组人脸训练图像构造主元子空间，由于主元具有脸的形状，也称为特征脸 ,识别时将测试 图像投影到主元子空间上，得到一组投影系数，和各个已知人的人脸图像比较进行识别。Pentland等报告了相当好的结果，在 200个人的 3000幅图像中得到 95%的正确识别率，在FERET数据库上对 150幅正面人脸象只有一个误识别。但系统在进行特征脸方法之前需要作大量预处理工作如归一化等。

在传统特征脸的基础上，研究者注意到特征值大的特征向量 (即特征脸 )并不一定是分类性能好的方向，据此发展了多种特征 (子空间 )选择方法，如Peng的双子空间方法、Weng的线性歧义分析方法、Belhumeur的FisherFace方法等。事实上，特征脸方法是一种显式主元分析人脸建模，一些线性自联想、线性压缩型BP网则为隐式的主元分析方法，它们都是把人脸表示为一些向量的加权和，这些向量是训练集叉积阵的主特征向量，Valentin对此作了详细讨论。总之，特征脸方法是一种简单、快速、实用的基于变换系数特征的算法，但由于它在本质上依赖于训练集和测试集图像的灰度相关性，而且要求测试图像与训练集比较像，所以它有着很大的局限性。

基于KL 变换的特征人Lanitis等提出灵活表现模型方法，通过自动人脸的显著特征点将人脸编码为 83个模型参数，并利用辨别分析的方法进行基于形状信息的人脸识别。弹性图匹配技术是一种基于几何特征和对灰度分布信息进行小波纹理分析相结合的识别算法，由于该算法较好的利用了人脸的结构和灰度分布信息，而且还具有自动面部特征点的功能，因而具有良好的识别效果，适应性强识别率较高，该技术在FERET测试中若干指标名列前茅，其缺点是时间复杂度高，速度较慢，实现复杂。脸识别方法

基本原理:

KL变换是图象压缩中的一种正交变换，人们将它用于统计特征提取，从而形成了子空间法模式识别的基础，若将KL变换用于人脸识别，则需设人脸处于低维线性空间，且不同人脸具有可分性，由于高维图象空间KL变换后可得到一组新的正交基，因此可通过保留部分正交基，以生成低维人脸空间，而低维空间的基则是通过分析人脸训练样本集的统计特性来获得，KL变换的生成矩阵可以是训练样本集的总体散布矩阵，也可以是训练样本集的类间散布矩阵，即可采用同一人的数张图象的平均来进行训练，这样可在一定程度上消除光线等的干扰，且计算量也得到减少，而识别率不会下降。

4. 基于弹性模型的方法

Nastar将人脸图像 (Ⅰ ) (x，y)建模为可变形的 3D网格表面 (x，y，I(x，y) ) (如下图所示 )，从而将人脸匹配问题转化为可变形曲面的弹性匹配问题。利用有限元分析的方法进行曲面变形，并根据变形的情况判断两张是否为同一个人。这种方法的特点在于将空间 (x，y)和灰度I(x,y)放在了一个 3D空间中同时考虑，实验表明识别结果明显优于特征脸方法。

5. 神经网络方法（Neural Networks）

神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。因此人工神经网络识别速度快，但识别率低 。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入庞大，其识别重要的一个目标就是降维处理。

PCA的算法描述：利用主元分析法 (即 Principle Component Analysis,简称 PCA)进行识别是由 Anderson和 Kohonen提出的。由于 PCA在将高维向量向低维向量转化时，使低维向量各分量的方，且各分量互不相关，因此可以达到的特征抽取。

想问一下有没有比较方便的人脸识别算法，求

主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。

1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效一般来说，ROC曲线越靠近左上方越好。果；

2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。

1. 基于几何特征的方法

这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。 基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在率上还远不能满足要求，计算量也较大。

2. 局部特征分析方法（Local Face Analysis）

主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，Atick提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。

特征脸方法是90年代初期由Turk和Pentland提出的目前的算法之一，具有简单有效的特点, 也称为基于主成分分析(principal component ysis,简称PCA)的人脸识别方法。

特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。

实际上，特征脸反映了隐含在人脸样本内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比7、mAP（Mean Average Precision）值较条件，则判断其为人脸。

该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。其技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。Turk和Pentland提出特征脸的方法，它根据一组人脸训练图像构造主元子空间，由于主元具有脸的形状，也称为特征脸 ,识别时将测试 图像投影到主元子空间上，得到一组投影系数，和各个已知人的人脸图像比较进行识别。Pentland等报告了相当好的结果，在 200个人的 3000幅图像中得到 95%的正确识别率，在FERET数据库上对 150幅正面人脸象只有一个误识别。但系统在进行特征脸方法之前需要作大量预处理工作如归一化等。

在传统特征脸的基础上，研究者注意到特征值大的特征向量 (即特征脸 )并不一正例（Positives）：你所关注的识别目标就是正例。定是分类性能好的方向，据此发展了多种特征 (子空间 )选择方法，如Peng的双子空间方法、Weng的线性歧义分析方法、Belhumeur的FisherFace方法等。事实上，特征脸方法是一种显式主元分析人脸建模，一些线性自联想、线性压缩型BP网则为隐式的主元分析方法，它们都是把人脸表示为一些向量的加权和，这些向量是训练集叉积阵的主特征向量，Valentin对此作了详细讨论。总之，特征脸方法是一种简单、快速、实用的基于变换系数特征的算法，但由于它在本质上依赖于训练集和测试集图像的灰度相关性，而且要求测试图像与训练集比较像，所以它有着很大的局限性。

基于KL 变换的特征人脸识别方法

基本原理:

KL变换是图象压缩中的一种正交变换，人们将它用于统计特征提取，从而形成了子空间法模式识别的基础，若将KL变换用于人脸识别，则需设人脸处于低维线性空间，且不同人脸具有可分性，由于高维图象空间KL变换后可得到一组新的正交基，因此可通过保留部分正交基，以生成低维人脸空间，而低维空间的基则是通过分析人脸训练样本集的统计特性来获得，KL变换的生成矩阵可以是训练样本集的总体散布矩阵，也可以是训练样本集的类间散布矩阵，即可采用同一人的数张图象的平均来进行训练，这样可在一定程度上消除光线等的干扰，且计算量也得到减少，而识别率不会下降。

4. 基于弹性模型的方法

Nastar将人脸图像 (Ⅰ ) (x，y)建模为可变形的 3D网格表面 (x，y，I(x，y) ) (如下图所示 )，从而将人脸匹配问题转化为可变形曲面的弹性匹配问题。利用有限元分析的方法进行曲面变形，并根据变形的情况判断两张是否为同一个人。这种方法的特点在于将空间 (x，y)和灰度I(x,y)放在了一个 3D空间中同时考虑，实验表明识别结果明显优于特征脸方法。

5. 神经网络方法（Neural Networks）

神经网络方法在人脸识别上的应用比起前述几类方法来有一定的优势，因为对人脸识别的许多规律或规则进行显性的描述是相当困难的，而神经网络方法则可以通过学习的过程获得对这些规律和规则的隐性表达，它的适应性更强，一般也比较容易实现。因此人工神经网络识别速度快，但识别率低 。而神经网络方法通常需要将人脸作为一个一维向量输入，因此输入庞大，其识别重要的一个目标就是降维处理。

PCA的算法描述：利用主元分析法 (即 Principle Component Analysis,简称 PCA)进行识别是由 Anderson和 Kohonen提出的。由于 PCA在将高维向量向低维向量转化时，使低维向量各分量的方，且各分量互不相关，因此可以达到的特征抽取。

人脸识别技术可以识别年龄异比较大的人吗

灯光不亮 看脸上有没有异物 还就是头发是不是太长了

随着技术的不断发展，人脸识别技术已经成为了现代中广泛应用的一种身份识别方式。但是，随着人们对人脸识别技术的需求日益增加，一些问题也逐渐暴露出来。其中一个问题就是在年龄异较大的情况下，人脸识别技术是否能够进行准确的识别。

2021年8月20日，十三届常委会第三十次会议表决通过《中华个人信息保》，2021年11月1日起施行。

为了解决这个问题，人脸识别技术研究者们一直在不断探索和改进技术。他们主要采用了两种方法：一是通人脸识别技术如何应对年龄异较大的情况过算法调整和优化来进行识别；二是增加训练样本以提高模型的泛化能力。

在加强训练样本方面，人脸识别技术研究者们则会采用不同年龄、不同肤色、不同场景下的人脸图像来训练模型，从而提高模型的泛化能力和鲁棒性。同时，他们也会利用一些数据增强技术，例如图像旋转、亮度调整、噪声添加等，来增加数据量，提高模型的学习能力和鲁棒性。

总的来说，虽然人脸识别技术在识别年龄异较大的情况下存在一定的挑战，但是随着技术的不断发展和进步，越来越多的尝试和改进让人脸识别技术在此方面也取得了较好的效果。对于未来的人脸识别技术发展，我们有理由相信，在人工智能和深度学习等技术的不断推进和完善下，人脸识别技术也会日益成熟和精准。

图像识别人脸识别文字识别有哪些改进或创新之处

在图像识别、人脸识别和文字识别等领域，目前已经有了许多创新和改进的技术。以下是其中的一些例即：子：

1. 深度学习技术：深度学习是一种基于神经网络的机器学习技术，可以用于图像识别、人脸识别和文字识别等领域。深度学习模型可以通过大量的数据训练，从而提高识别的准确率和速度。

2. 3D人脸识别技术：传统的人脸识别技术主要是基于2D图像E=( FP+FN)/S进行识别，但是这种方法容易受到光照、角度等因素的影响。3D人脸识别技术可以通过3D传感器获取人脸的3D模型，从而提高识别的准确率和鲁棒性。

3. 多模态识别技术：多模态识别技术可以同时利用图像、声音、语音等多种信息进行识别，从而提高识别的准确率和鲁棒性。

4.强推虹软的人脸识别SDK开发包，免费离线、支持全平台、接口设计简单易接入 弱监督学习技术：弱监督学习技术可以利用少量的标注数据进行训练，从而提高训练效率和泛化能力。

5. 对抗性样本防御技术：对抗性样本是一种针对机器学习模型的攻击方式，可以使得模型产生错误的识别结果。对抗性样本防御技术可以通过对抗性样本的检测和过滤等方式，提高模型的鲁棒性和安全性。

人脸识别技术要求识别的人脸图像质量如何

R=TP/(TP+ FN)

人脸识别技术要求识别的人脸图像质量如何？

采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的性进行了实验性的研究，结果不容乐观。

人脸识别技术已经广泛应用于生活和工作中，如安防、门禁系统、自助式银行服务、解锁等，并且在未来还有广阔的应用前景。然而，这项技术的有效性和可靠性依赖于识别的人脸图像质量。

人脸图像质量直接影响了人脸识别的准确性和鲁棒性。人脸图像可以从多种来源获得，如摄像头、录像、照片、等，其中每个来源都有自己的特点。为了保证人脸识别系统的稳健性，必须对识别的人脸图像质量进行严格的要求。

首先，人基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量，这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留了各部件本身的信息，而基于部件的识别则是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。现在Eigenface(PCA)算法已经与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法；而自19年特征脸技术诞生以来，研究者对其进行了各种各样的实验和理论分析，FERET'96测试结果也表明，改进的特征脸算法是主流的人脸识别技术，也是具有性能的识别方法之一。脸图像应该是清晰的，没有模糊或失真的现象。这可以通过选择高分辨率的图像和高质量的录像来实现。但是，在实际应用中，人脸图像难免出现一些噪点或者图像质量不佳的情况，如亮度过低或过高、受到遮挡、拍摄角度不佳等。因此，要将噪点降到，并在图像中提取足够多的有用信息。

其次，人脸图像的面部特征应该能够清晰地区别开来。在识别时，每个人的脸都有独特的三维形状和纹理特征，如眼睛、鼻子、嘴巴的大小和位置。为了确保系统可以准确地分辨每个人的面部特征，应该根据使用情况和目标用户选择恰当的算法和模型。

荣耀10支持2D人脸识别，2D与3D有什么区别

2D是平面的，3D是立体的。2D也能做出立体的视人脸识别，是人工智能率先大规模应用的一个领域，它是基于人的脸部特征信息进行身份识别的一种生物识别技术,目前购物、安检、出行、金融等各行各业的智能领域都已经广泛应用。今年，一批人脸识别的闸机出现在供电局有限公司(下简称供电局)的大门口，实现员工“刷脸进门”，既充满了酷炫的科技气息，又极利了大家进出。觉效果，但是没有3D的效果好。3D只很难做出纯平面的效果，看上去都是立体的。 2D：二维，平面的，3D：三维，立体的 2D是长和宽，3D是长宽高。2D一般是手绘，3D是建模，也有不少2D模拟3D的效果，绘图高手都是在2D上表现3D空间，就是人们常说的活灵活现的。在平面的纸上画出了立体的效果. 2D游戏的就是我们经常玩得扫雷、纸牌乃至连连看等，这类游戏的绘图模式仅仅是用像素平面绘图或者是矢量绘图（也就是在x.y平面直角坐标上的绘图） 3D游戏的就是CS，飞车，乃至Doom。这类游戏的绘图模式是采用代码直接控制显示卡人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。等硬件经过复杂的三维几何运算得到看似逼真的三维立体图像。

睿家 人脸识别怎么弄

人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种异才使得世界上每个人脸千万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。

人脸识别要有前摄像头才可以用，如有前摄比如光线太昏暗了、面部遮挡太多、整过容这些外在因素都有可能造成识别效果不佳，当然关键还是要看系统本身的技术含量。比如云脉人脸识别系统，就已经可以识别化妆、戴、帽子等外部因素的影响像头以以下步骤：人脸识别开启步骤：隐私保护-（右上角）密码中心-隐私信箱密码（人脸识别）-点击开启即可。

在上述电的例子中，TP=40，TP+ FP=50。也就是说，在100张照片识别结果中，模型总共给出了50个电的目标，但这50个目标当中只有40个是识别正确的，则精度为：

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期，并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术，同时需结合中间值处理的理论与实现，是生物特征识别的应用，其核心技术的实现，展现了弱人工智能向强人工智能的转化。

机器学习中的评价指标

错误率（Error-rate）：识别错了的正例（FP）与负例（FN）占总识别样本的比例。

作者 | 我的智慧生活

来源 | 咪付

在人工智能领域，机器学习的效果需要用各种指标来评价。本文将阐述机器学习中的常用性能评价指标，矢量卷积与神经网格的评价指标不包括在内。

训练与识别

当一个机器学习模型建立好了之后，即模型训练已经完成，我们就可以利用这个模型进行分类识别。

比如，给模型输入一张电的照片，模型能够识别出这是一辆电；输入一辆摩托车的照片，模型能够识别出这是一辆摩托车。前提是：在模型训练过程中，进行了大量电照片、摩托车照片的反复识别训练。

但即便模型具备了识别电、摩托车的能力，并不代表每次都能百分百正确识别。当然，我们肯定希望识别正确率越高越好。识别正确率越高，代表模型性能越良好。

具体有哪些指标可以评价模型性能的优良呢？我们从下面的例子来详细了解。

设模型给出的识别结果如下图：

从上表结果可以看出，在100张照片中，模型识别给出了50个电目标，剩下50个则是摩托车。这与实际的情况有出入（实际是：电60个，摩托车40个），因而有些识别是错误的。正确的识别数据体现在TP和TN（T代表True），错误的识别数据则体现在FP和FN（F代表False）。

在识别给出的50个电目标中，其中只有40个是对的（TP:真的电），另外10个则识别错了（FP:的电，实际是摩托车）。

以上四个识别结果数值（TP、FP 、TN、FN）就是常用的评估模型性能优良的基础参数。在进一步详细说明TP、FP 、TN、FN各符号的含义之前，我们先来了解正例（正样本）、负例（负样本）的概念。

正例与负例

负例（Negatives）：正例以外的就是负例。

例如，在上面的例子中，我们关注的目标是电，那么电就是正例，剩下摩托车则是负例。

再如，设在一个森林里，有羚羊、驯鹿、考拉三种动物，我们的目标是识别出羚羊，那么羚羊就是正例，驯鹿和考拉则是负例。

又如，有一堆数字卡片，我们的目标是要找出含有数字8的卡片，那么含有数字8的卡片就是正例，剩于其他的都是负例。

混淆矩阵

了解了正例（Positives）和负例（Negatives）的概念，我们就可以很好地理解TP、FN、TN、FP的各自含义（其中T代表True，F代表False，P即Positives，N即Negatives）：

在以上四个基础参数中，真正例与真负例就是模型给出的正确的识别结果，比如电识别成电（真正例），摩托车识别成摩托车（真负例）；伪正例与伪负例则是模型给出的错误的识别结果，比如摩托车识别成电（伪正例），电识别成摩托车（伪负例）。其中，真正例（TP）是评价模型性能非常关键的参数，因为这是我们所关注的目标的有用结果，该值越高越好。

可以看出，在一个数据集里，模型给出的判断结果关系如下：

接下来，我们就来了解模型性能的各类评价指标。

模型性能指标

1、正确率（Accuracy）

A=(TP+ TN)/S

A=70/100=0.7

通常来说，正确率越高，模型性能越好。

2、错误率（Error-rate）

在上述电的例子中，从上表可知，FP+ FN =30，S= 100，则错误率为：

E=30/100=0.3

可见，正确率与错误率是分别从正反两方面进行评价的指标，两者数值相加刚好等于1。正确率高，错误率就低；正确率低，错误率就高。

3、精度（Precision）

精度（Precision）：识别对了的正例（TP）占识别出的正例的比例。其中，识别出的正例等于识别对了的正例加上识别错了的正例。

P=TP/(TP+ FP)

因此，精度即为识别目标正确的比例。精度也即查准率，好比电的例子来说，模型查出了50个目标，但这50个目标中准确的比率有多少。

4、召回率（Recall）

召回率（Recall）：识别对了的正例（TP）占实际总正例的比例。其中，实际总正例等于识别对了的正例加上识别错了的负例（真正例+伪负例）。

同样，在上述电的例子中，TP=40，TP+FN =60。则召回率为：

R=40/60=0.上表可以看出，该模型识别结果给出正例110个，负例0个。在110个正例当中，其中10个是真正例（识别正确），100个却是伪正例（识别错误）。在这个测试数据集中，计算的召回率R为，非常好，也就是说，在这个数据集里总共有10个目标，已全部找到（召回）。但同时，计算得出模型识别结果的错误率E也很高，高达%，所以这个模型性能也很低，基本不可靠。67

在一定意义上来说，召回率也可以说是“找回率”，也就是在实际的60个目标中，找回了40个，找回的比例即为：40/60。同时，召回率也即查全率，即在实际的60个目标中，有没有查找完全，查找到的比率是多少。

从公式可以看出，精度与召回率都与TP值紧密相关，TP值越大，精度、召回率就越高。理想情况下，我们希望精度、召回率越高越好。但单独的高精度或高召回率，都不足以体现模型的高性能。

例如下面的例子：

高精度模型

从上表可以看出，该模型识别结果给出正例50个，负例200个。在识别给出的50个正例当中全部都正确（都是真正例，没有伪正例），因而精度P为，非常高。但是识别给出的200个负例全部都错误（都是伪负例），错误率非常高，这样的模型性能其实非常低。

高召回率模型

5、精度-召回率曲线（PR曲线）

实际中，精度与召回率是相互影响的。通常，精度高时，召回率就往往偏低，而召回率高时，精度则会偏低。这其实也很好理解，前面我们说了，精度即查准率，召回率即查全率，要想查得精准（一查一个准），即模型给出的目标都正确，那就得提高阈值门槛，阈值一提高，符合要求的目标就会减少，那必然会导致漏网之鱼增多，召回率降低。

相反，若想召回率高，没有漏网之鱼（目标都找到），就要降低阈值门槛，才能把所有目标收入囊中，与此同时会揽入一些伪目标，从而导致精度降低。

例如，在不同的阈值下（分别为0.6和0.5），模型给出15张的识别结果如下：

上表中1、0分别代表正例和负例。通过设定一个阈值（T），当置信度分数大于阈值则识别为正例，小于阈值则识别为负例。上表识别结果中当阈值T=0.6，模型给出的正例有8个，当阈值T=0.5，模型给出的正例则有10个。

通过与真实属性值核对，我们可以得出这两个阈值下的各个参数（TP、FP、FN）以及计算得出召回率（R）和精度（P）如下：

可以看出，设定的阈值不同，得出的召回率（R）和精度（P）也不相同。因此，对于每一个阈值可得到对应的一组（R，P），例如，上述的两个阈值可得出两组（R，P），分别为：（0.86，0.75）和（1，0.7）。如果取多个不同的阈值，就可以得到多组（R，P）。将这些坐标点（R，P）绘制在坐标上，然后将各坐标点用曲线连起来，即可得到PR曲线。

因此，PR曲线即是以召回率R为横轴，精度P为纵轴画出的曲线，如下图：

6、AP（Average Precision）值

PR曲线下的面积称为AP（Average Precision），表示召回率从0-1的平均精度值。如何计算AP呢？很显然，根据数学知识，可用积分进行计算，公式如下：

显然，这个面积的数值不会大于1。PR曲线下的面积越大，模型性能则越好。性能优的模型应是在召回率（R）增长的同时保持精度（P）值都在一个较高的水平，而性能较低的模型往往需要牺牲很多P值才能换来R值的提高。如下图所示，有两条PR曲线，可以看出，PR1曲线为性能较优的模型表现形式，PR1曲线下的面积明显大于PR2曲线下的面积。对于PR1曲线，随着R值的增长，P值仍能保持在一个较高的水平；而对于PR2曲线，随着R值的增长，P值则不断下降，因此是通过牺牲P值才能换得R值的提高。

除了使用积分方法计算AP值，实际应用中，还常使用插值方法进行计算。常见的一种插值方法是：选取11个精度点值，然后计算出这11个点的平均值即为AP值。

怎样选取11个精度点值呢？通常先设定一组阈值,例如[0,0.1,0.2…,1], 对于R大于每一个阈值（R>0, R>0.1,…, R>1），会得到一个对应的精度值Pmax,这样就会得到11个精度值（Pmax1, Pmax2,…, P此外，对于大规模应用的人脸识别系统，还需要考虑运行速度和计算效率。为了快速执行人脸检测和识别，系统必须具备高效的计算资源和优化算法。max11）。

则：

AP=（Pmax1+ Pmax2+…+ Pmax11）/11

AP是衡量模型在单个类别上平均精度的好坏，mAP则是衡量模型在所有类别上平均精度的好坏，每一个类别对应有一个AP，设有n个类别，则有n个AP，分别为：AP1，AP2，…，APn, mAP就是取所有类别 AP 的平均值，即：

mAP= (AP1+ AP2+…+ APn)/n

8、综合评价指标F-Measure

F-Measure又称F-Score，是召回率R和精度P的加权调和平均，顾名思义即是为了调和召回率R和精度P之间增减反向的矛盾，该综合评价指标F引入了系数α对R和P进行加权调和，表达式如下：

而我们最常用的F1指标，就是上式中系数α取值为1的情形，即：

F1=2P.R/(P+R)

F1的值为1，最小值为0。

9、ROC曲线与AUC

ROC曲线，也称受试者工作特征。ROC曲线与真正率（TPR，True Positive Rate）和正率(FPR, False Positive Rate)密切相关。

真正率(TPR): 识别对了的正例（TP）占实际总正例的比例，实际计算值跟召回率相同。即：

TPR =TP/(TP+ FN)

FPR =FP/(FP+ TN)

以FPR为横轴，TPR为纵轴，绘制得到的曲线就是ROC曲线，绘制方法与PR曲线类似。绘制得到的ROC曲线示例如下：

ROC曲线下的面积即为AUC。面积越大代表模型的分类性能越好。如上图所示，绿线分类模型AUC=0.83大于红线分类模型AUC=0.65，因此，绿线分类模型的分类性能更优。并且，绿线较红线更光滑。通常来说，ROC曲线越光滑，过拟合程度越小。绿线分类模型的整体性能要优于红线分类模型。

10、IoU（Intersection-over-Union）指标

IoU简称交并比，顾名思义数学中交集与并集的比例。设有两个A与B, IoU即等于A与B的交集除以A与B的并集，表达式如下：

IoU=A∩B/A∪B

在目标检测中，IoU为预测框(Prediction)和真实框(Ground truth)的交并比。如下图所示，在关于小猫的目标检测中，紫线边框为预测框(Prediction)，红线边框为真实框(Ground truth)。

将预测框与真实框提取如下图，两者的交集区域为左下图斜线填充的部分，两者的并集区域为右下图蓝色填充的区域。IoU即为：

预测框与真实框交集与并集示例

在目标检测任务中，通常取IoU≥0.5，认为召回。如果IoU阈值设置更高，召回率将会降低，但框则更加。

理想的情况，当然是预测框与真实框重叠越多越好，如果两者完全重叠，则交集与并集面积相同，此时IoU等于1。

11、Top1与TopK

Top1：对一张，模型给出的识别概率中（即置信度分数），分数的为正确目标，则认为正确。这里的目标也就是我们说的正例。

TopK: 对一张，模型给出的识别概率中（即置信度分数），分数排名前K位中包含有正确目标（正确的正例），则认为正确。

K的取值一般可在100以内的量级，当然越小越实用。比如较常见的，K取值为5，则表示为Top5，代表置信度分数排名前5当中有一个是正确目标即可；如果K取值100，则表示为Top100，代表置信度分数排名前100当中有一个是正确目标（正确的正例）即可。可见，随着K增大，难度下降。

例如，在一个数据集里，我们对前5名的置信度分数进行排序，结果如下：

上表中，取阈值T=0.45，排名前5的置信度分数均大于阈值，因此都识别为正例。对于Top1来说，即ID号为4的，实际属性却是负例，因此目标识别错误。而对于Top5来说，排名前5的置信度分数中，有识别正确的目标，即ID号为2、20的，因此认为正确。

在常见的人脸识别算法模型中，正确率是首当其冲的应用宣传指标。事实上，对同一个模型来说，各个性能指标也并非一个静止不变的数字，会随着应用场景、人脸库数量等变化而变化。因此，实际应用场景下的正确率跟实验室环境下所得的正确率一定是存在距的，某种程度上说，实际应用场景下的正确率更具有评价意义。

人脸识别是什么？怎么进行人脸验证？

对于年龄异较大的情况，人脸识别技术确实存在一定的识别难度。由于年龄的变化会导致人脸的结构、外形和纹理等方面发生变化，因此不同年龄段的人脸特征并不是完全一致的。而且，随着年龄的增长，皮肤松弛、面部骨骼发生变化，以及面部表情尤其是皱纹等影响也会进一步加剧年龄的变化，导致同一个人的不同年龄段的人脸特征异更加明显。

这个刷脸验证只能是本例如，一个测试样本集S总共有100张照片，其中，电的照片有60张，摩托车的照片是40张。给模型（二分类模型）输入这100张照片进行分类识别，我们的目标是：要模型找出这100张照片中的所有电。这里所说的目标即为正例（Positives），非目标即为负例（Negatives）。人亲自进行，照片头像都不行。

P=40/50=0.8

用或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

2021年7月28日，《关于审理使用人脸识别技术处理个人信息相关民事案件适用法律若干问题的规定》正式对外发布。

发展历史：

人脸识别系统的研究始于20世纪60年代，80年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在90年后期。

并且以美国、德国和日本的技术实现为主；人脸识别系统成功的关键在于是否拥有尖端的核心算法，并使识别结果具有实用化的识别率和识别速度；“人脸识别系统”集成了人工智能、机器识别、机器学习、模型理论、专家系统、视频图像处理等多种专业技术。