【人脸对齐-Landmarks】人脸对齐算法常用评价标准

1 the inter-ocular distance normalized error

其中 $x_i$ 表示预测坐标点，表示ground-truth，$d_{IOD}$ 表示两眼中心间距离，归一化该因素是为了消除因脸部尺寸不统一带来的不合理变化，当然其中$d_{IOD}$也可以用两外眼角间距离、人脸shape外接矩形对角线长度代替

2 the mean normalized error (MNE)

符号意义与上面相同，仅仅多了一项平均项

3 the area-under-the-curve ($AU{C}_{\alpha }$)

$AU{C}_{\alpha }$ 就是通过计算该曲线的面积进行评估

其中，$e$表示归一化误差，$f(e)$表示累积误差分布函数

横坐标表示归一化误差值 $e$（由1中式得），纵坐标表示小于归一化误差ee的特征点占所有特征点的比例，也就是该曲线右下区域越大越好；值得一说的是，该方法的好处就在于$AU{C}_{\alpha }$值不像平均误差那样受单个点误差较大而发生较大变化，非常敏感
详见：https://blog.csdn.net/liweibin1994/article/details/79462554

4 the Cumulative Errors Distribution (CED) curve

CED与AUC有些类似，但又不同；如下图（来自Look at Boundary论文）

横坐标表示归一化点与点间误差 $e$，见1中公式；纵坐标表示小于归一化误差 $e$ 的样本占总样本的比例，换句话说，误差 $e$ 大于某个阈值TT的样本定义为失败样本，统计失败率；如图中在误差阈值为$T=0.1$时，LAB的失败率为2.17%；另外图中Error是指平均误差（MNE），见方法2。