利用自己的人臉資料集對人臉識別模型進行精度評測

本博記錄為滷煮學習過程中的理解，作為備忘demo。其中有錯誤疏漏之處，還請大家幫忙指正。

滷煮：非文藝小燕兒

一般人臉識別模型的精度驗證都是用lfw，但是lfw的資料分布於我們實用階段有些差距，因此最好還是在我們自己實用環境下的人臉影象進行測試評估。

lfw精度評測：

利用lfw對人臉識別模型進行精度評測

以下使用的都是crop後的人臉彩色影象，人臉的命名都是以name_****.jpg的格式存放（***的長度和內容隨意）。以便區分同人（name相同）和異人*（name不同）。

（1）自己的分兩組，一組為ref_faces（m張）,一組為test_faces（n張）。

（2）利用你的人臉識別模型和網路，計算所有faces的特徵。

（3）將ref_faces中每乙個face，與test_faces中的所有face一一匹配計算相似度。

將相似度存放在similarity_file.txt中，每匹配完一張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。

同時將真實匹配結果（同人為1，異人為0），以相同的方式存放在ref_file.txt中，也相當也得到乙個m*n的矩陣。

（4）ref_file矩陣的和，就是同人匹配對的個數s_n，則異人匹配對的個數d_n=m*n-s_n。

（5）以ref_file為參照，將similarity_file中的所有同人匹配概率存放到same_p向量中，所有異人匹配概率存放到diff_p向量中。

（6）由(5)的結果已經可以通過matlab繪製出概率密度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。指定乙個錯誤接受率（far），根據異人匹配總數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，便是判定閾值。

（8）在排序後的same_p中，從頭開始查詢比判定閾值大的數，找到第乙個大於閾值的數為止。由於找到這個數之前所排查的數都是小於閾值的，因此這些就是同臉匹配失敗的結果，用其總數除以s_n就可以得到錯誤拒絕率（frr）。

備註：

far：false accept rate，錯誤接受率，指將身份不同的兩張**，判別為相同身份，越低越好

frr：false reject rate，錯誤拒絕率，指將身份相同的兩張**，判別為不同身份，越低越好

這兩個指標有明確的物理意義，far決定了系統的安全性，frr決定了系統的易用程度。