人脸识别评价算法指标

人脸识别评价算法指标
1、混淆矩阵

真阳性（True Positive，TP）：指被分类器正确分类的正例数据
真阴性（True Negative，TN）：指被分类器正确分类的负例数据
假阳性（False Positive，FP）：被错误地标记为正例数据的负例数据
真阳性（False Negative，FN）：被错误地标记为负例数据的正例数据
2、FAR/FRR/EER/TPR/FPR/TNR/FNR/ACC
误识率FAR   false acceptance rate   FAR=NFA/NIRA   NIRA是类间测试次数（假冒者尝试的总次数），NFA是错误接收次数，FAR越低，假冒者被接受的可能性越低，系统安全性越高
误拒率FRR   false rejection rate    FRR=NFR/NGRA   NGRA是类内测试次数（合法用户尝试的总次数），NFR是错误拒绝次数， FRR越低，合法用户被拒绝的可能性越低，系统的易用性越好
等错误率EER (EER-Equal Error Rate) ：取一组0到1之间的等差数列，分别作为识别模型的判别界限，既坐标x轴，画出FFR和FAR的坐标图，交点就是EER值。

一般，FAR=0.001时，FRR的值作为参考。值越小，性能越好。
真正类率TPR    true positive rate  将正例分对为正类的概率，也称Recall召回率   Recall = TPR = TP/(TP+FN)
假正类率FPR    false positive rate  将负例错分为正类的概率   FPR = FP/(FP+TN)
真负类率TNR    true negative rate TNR=TN/(TN+FP)
假负类率FNR    false negative rate FNR=FN/(TP+FN)
准确率ACC     Accuracy = (TP+TN)/(P+N) = (TP+TN) / (TP + FN + FP + TN)
精确度       Precision = TP/(TP+FP)

3、ROC曲线
ROC曲线（Receiver Operator characteristic Curve）是一种已经被广泛接受的系统匹配算法测试指标，它是匹配分数阈值、误识率以及拒识率之间的一种关系。
它反映了识别算法在不同阈值上，拒识率和误识率的平衡关系。
下图给出了ROC曲线，其中横坐标是拒识率，纵坐标是误识率，等错误率（EER Equal-Error Rate）是拒识率和误识率的一个平衡点，等错误率能够取到的值越低，表示算法的性能越好。

通常要求FAR,FRR尽可能的小，使系统具有高的识别性能。但对于一个系统，FAR和FRR是一对矛盾体，通过调节阈值使其中一项降低必然引起另一项升高。
所以需要根据实际来确定FAR或FRR，在强调安全性的场合，如金融领域，可调高阈值以保障误识率的要求；而对于一般民用系统，如公司考勤机，可降低阈值放宽误识率的要求。