利用自己的人臉資料集對人臉識别模型進行精度評測

本博記錄為鹵煮學習過程中的了解，作為備忘demo。其中有錯誤疏漏之處，還請大家幫忙指正。

鹵煮：非文藝小燕兒

本博位址：利用自己的人臉資料集對人臉識别模型進行精度評測

一般人臉識别模型的精度驗證都是用LFW，但是LFW的資料分布于我們實用階段有些差距，是以最好還是在我們自己實用環境下的人臉圖像進行測試評估。

LFW精度評測：利用LFW對人臉識别模型進行精度評測

以下使用的都是crop後的人臉彩色圖像，人臉的圖檔命名都是以name_****.jpg的格式存放（***的長度和内容随意）。以便區分同人（name相同）和異人*（name不同）。

（1）自己的圖檔分兩組，一組為ref_faces（M張）,一組為test_faces（N張）。

（2）利用你的人臉識别模型和網絡，計算所有faces的特征。

（3）将ref_faces中每一個face，與test_faces中的所有face一一比對計算相似度。

将相似度存放在Similarity_file.txt中，每比對完一張ref_face，進行一次回車。最終會得到M行資料，每行N個相似度。也就是M*N的矩陣。

同時将真實比對結果（同人為1，異人為0），以相同的方式存放在Ref_file.txt中，也相當也得到一個M*N的矩陣。

（4）ref_file矩陣的和，就是同人比對對的個數S_n，則異人比對對的個數D_n=M*N-S_n。

（5）以ref_file為參照，将Similarity_file中的所有同人比對機率存放到Same_p向量中，所有異人比對機率存放到Diff_p向量中。

（6）由(5)的結果已經可以通過matlab繪制出機率密度figure，和累積分布figure。如下圖：

（7）對Same_p進行從小到大排序，Diff_p進行從大到小排序。指定一個錯誤接受率（FAR），根據異人比對總數D_n，可以計算出容錯個數Miss_n，在排序後Diff_p中第Miss_n+1個數值，便是判定門檻值。

（8）在排序後的Same_p中，從頭開始查找比判定門檻值大的數，找到第一個大于門檻值的數為止。由于找到這個數之前所排查的數都是小于門檻值的，是以這些就是同臉比對失敗的結果，用其總數除以S_n就可以得到錯誤拒絕率（FRR）。

備注：

FAR：False Accept Rate，錯誤接受率，指将身份不同的兩張照片，判别為相同身份，越低越好

FRR：False Reject Rate，錯誤拒絕率，指将身份相同的兩張照片，判别為不同身份，越低越好

這兩個名額有明确的實體意義，FAR決定了系統的安全性，FRR決定了系統的易用程度。