AI大厂算法测试心得：人脸识别关键指标有哪些？

虹哥聊AI

于 2020-07-28 09:39:28 发布

阅读量387

点赞数

文章标签：人脸识别算法人工智能

本文链接：https://blog.csdn.net/HongGe_AI_talk/article/details/107628865

版权

本文探讨了人脸识别的关键技术和指标，包括FAR和FRR，指出在理想状态下，这两个指标越低，算法性能越好。此外，介绍了人脸检测的检测率、误报率、FPS和IOU，并强调在实际应用中，需要找到检测率和误报率之间的平衡。

摘要由CSDN通过智能技术生成

仅仅在几年前，程序员要开发一款人脸识别应用，就必须精通算法的编写。但现在，随着成熟算法的对外开放，越来越多开发者只需专注于开发垂直行业的产品即可。

由调查机构发布的《中国AI产业地图研究》中也有一组有趣的数据，目前中国的AI企业中，有近8成集中在应用层，其中AI行业解决方案占比高达40.7%，从上下班的人脸识别考勤，到金融App的人脸身份核验，再到医院和政务大厅的人脸识别取号，以及车站的人脸核验检票……

目前市面上既有OpenCV等开源算法库，很多芯片厂商的产品也自带简单算法，同时专业算法大厂也会开放相关技术，如提供免费、离线人脸识别SDK的虹软视觉开放平台等。对于开发者而言，面对多种算法，如何进一步了解算法性能至关重要。因此，本文将从算法原理、应用场景、关键指标一一进行介绍。

人脸识别算法原理简述

在介绍关键性能指标之前，我们需要厘清人脸识别的技术原理。
在这里插入图片描述
所谓人脸识别（Face Recognition），是对图像中的人脸进行检测、识别和跟踪。当前的人脸识别，通常是利用卷积神经网络（CNN）对海量的人脸图片进行学习，然后对输入图像提取出对应的人脸特征值。

人脸特征值是面部特征所组成的信息集。人类记忆和辨别一张脸，主要是靠肉眼可见的特征，譬如国字脸、双眼皮、黑眼睛、蓝色头发、塌鼻梁……但人工智能不同，主要是利用卷积神经网络（CNN）对海量的人脸图片进行学习。它们能够抽象出人类难以理解的面部特征，

关注