僅僅在幾年前，程序員要開發(fā)一款人臉識別應用，就必須精通算法的編寫。但現(xiàn)在，隨著成熟算法的對外開放，越來越多開發(fā)者只需專注于開發(fā)垂直行業(yè)的產品即可。

由調查機構發(fā)布的《中國AI產業(yè)地圖研究》中也有一組有趣的數(shù)據，目前中國的AI企業(yè)中，有近8成集中在應用層，其中AI行業(yè)解決方案占比高達40.7%，從上下班的人臉識別考勤，到金融App的人臉身份核驗，再到醫(yī)院和政務大廳的人臉識別取號，以及車站的人臉核驗檢票……

目前市面上既有OpenCV等開源算法庫，很多芯片廠商的產品也自帶簡單算法，同時專業(yè)算法大廠也會開放相關技術，如提供免費、離線人臉識別SDK的虹軟視覺開放平臺等。對于開發(fā)者而言，面對多種算法，如何進一步了解算法性能至關重要。因此，本文將從算法原理、應用場景、關鍵指標一一進行介紹。

人臉識別算法原理簡述

在介紹關鍵性能指標之前，我們需要厘清人臉識別的技術原理。

所謂人臉識別(Face Recognition)，是對圖像中的人臉進行檢測、識別和跟蹤。當前的人臉識別，通常是利用卷積神經網絡(CNN)對海量的人臉圖片進行學習，然后對輸入圖像提取出對應的人臉特征值。

人臉特征值是面部特征所組成的信息集。人類記憶和辨別一張臉，主要是靠肉眼可見的特征，譬如國字臉、雙眼皮、黑眼睛、藍色頭發(fā)、塌鼻梁……但人工智能不同，主要是利用卷積神經網絡(CNN)對海量的人臉圖片進行學習。它們能夠抽象出人類難以理解的面部特征，因而在識別能力上超越人類。

人臉特征值是一組空間向量，也是人臉比對的依據。同一張臉不同照片提取出的特征值，在特征空間里距離很近，不同人的臉在特征空間里相距較遠。換言之，距離近的就有更大可能是同一個人。

另外需要注意，人臉識別和人臉檢測并非同一技術。人臉檢測是人臉識別完整流程中的一個環(huán)節(jié)。在用攝像頭采集含有人臉的圖像或視頻流后，首先就需要用人臉檢測技術自動檢測、提取當中的人臉，隨后才能進入人臉圖像預處理及最核心的人臉特征提取環(huán)節(jié)。

在實際商業(yè)落地中，人臉檢測也可獨立于人臉識別進行使用，典型應用如近期在海內外大熱的AI測溫機，只在檢測到人臉時激活測溫模塊，從而降低產品長期運行的損耗與能耗，該過程就無需對人臉進行識別。

【了解這些指標，你也能評價算法】

在理想狀態(tài)下，人臉識別準確率越高越好，但算法在產品化時會受到逆光、暗光、強光、識別角度等諸多實際因素的影響。因此，脫離使用場景單獨考量算法的識別準確率參考價值不大。

那么我們又該如何合理且有效的判斷一款算法呢?業(yè)內知名免費算法平臺——虹軟視覺開放平臺推出的《從零學習人臉識別》系列技術公開課中，對算法測試的關鍵指標進行了詳細介紹。開發(fā)者朋友可以百度搜索 "虹軟人臉公開課"，在第三期"人臉檢測算法介紹"和"人臉識別算法介紹"中進行詳細了解。

人臉識別關鍵指標：

多數(shù)情況下，我們以基于FAR(錯誤接受率，又稱誤識率，即把某人誤識為其他人的概率)和FRR(錯誤拒絕率率，即本人注冊在底庫中，但比對相似度達到不預定的值)的DET曲線作為評判參考。

(1)錯誤拒絕率(FAR)

相似度值范圍內等分為若干檔，得到若干個不同的閾值 S，計算不同閾值 S 的 FRR 如下：FRR(S) = 同人比對相似度中低于閾值S的數(shù)量 / 同一人比對總數(shù) × 100%;

(2)錯誤接受率(FRR)

相似度值范圍內等分為若干檔，得到若干個不同的閾值 S，計算不同閾值 S 的 FAR 如下：FAR(S) = 非同人比對相似度中不低于閾值S的數(shù)量 / 非同人比對總數(shù) ×100%;

理想狀況下，F(xiàn)AR和FRR都越低越好，但兩個指標是一個蹺蹺板，一個指標的降低通常意味著另一個指標會升高，所以需要實現(xiàn)兩者間的平衡。一般認為在FAR達到市場正常水準時，F(xiàn)RR越低，該人臉識別算法性能就越好。

目前，市場上大部分場景會根據自身安全性要求，制定不同標準。比如在門禁場景下，要求FAR低于十萬分之一，此時FRR越低，算法效果越好。以下圖為例，算法1效果就好于算法2。

人臉檢測關鍵指標：

評價一款人臉檢測算法，也有檢測率、誤報率、FPS、IOU四個指標。

一般情況下，我們同樣希望檢測率越高越好，誤報率越低越完美，但這兩者需要一個最優(yōu)的平衡，我們可以用ROC曲線解決這一問題。

(1)True Positive：檢測出來確實是人臉，但實際上仍然是人臉的

(2)False Positive：檢測出來是人臉，但實際上是背景的

(3)False Negative：檢測出來是背景，但實際上是人臉的

(4)True Negatives：檢測出來是背景，實際上就是背景的

除了算法模型本身，我們也還可以從工程和應用等角度提升整體人臉識別效果。

應用角度：研發(fā)質量模型，對檢測到的人臉質量進行評價，質量較差則不識別，如虹軟視覺開放平臺的FQ(人臉圖像質量檢測算法)

工程角度：施加場景限制，比如刷臉解鎖，人臉閘機，會場簽到時，都要求用戶在良好的光照條件下正對攝像頭，以避免采集到質量差的圖片。