【人脸活体检测】参数介绍

1 TP、TN、FP、FN

TP、TN、FP、FN中第一个字母表示分类器识别结果是否正确，正确用True的首字母T表示，错误用False的首字母F表示。第二个字母表示分类器的判定结果，P表示分类器判定为正样本，N表示分类器判定为负样本。所以：

TP：分类器识别正确，分类器认为该样本为正样本；
TN：分类器识别正确，分类器认为该样本为负样本；
FP：分类器识别结果错误，分类器认为该样本是正样本；所以实际上该样本是负样本；
FN：分类器识别结果错误，分类器认为该样本是负样本；所以实际上该样本是正样本；

项目	真实_1	真实_0
预测_1	TP	FP
预测_0	FN	TN

2 APCER/BPCER/ACER/FRR/FAR/HTER

• Attack Presentation Classification Error Rate[APCER] : FP / (TN + FP)
• Bona Fide Presentation Classification Error Rate[BPCER] : FN / (TP + FN )
• Average Classification Error Rate[ACER] : (APCER + BPCER) / 2.0
• False Rejection Rate[FRR] : FN / (TN + FN )
• False Acceptance Rate[FAR] : FP / (TP + FP)
• Half Total Error Rate [HTER] : (FAR + FNR) / 2.0

3 roc_curve-副本，别看

fpr, tpr, threshold = roc_curve(test_labels, test_scores, pos_label=1)

test_labels = [[1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0…] （list:595）
test_labels为真实的样本标签

test_scores = [0.863, 0.999, 0.999, 0.979, 0.998, 0.720, 0.996, 0.968, 0.952, 0.980, 0.812, 0.933, 0.895, 0.924, 0.982…] （list:595）
test_scores 对每个样本的预测分数

pos_label = 1
pos_label正样本的标签。 说明test_label = 1是真实人脸。

---

roc_curve() 函数有3个返回值：

fpr：False positive rate。
tpr：True positive rate。
thresholds

在本例子中，
fpr = [0.  0.002  0.145 0.149 0.170 0.174,  0.231 0.235 0.250 0.254 0.265 0.269,  0.28 0.284 0.517  0.517 0.555…] （ndarray(80,)）

tpr = [0. 0. 0. 0. 0. 0.,  0. 0. 0. 0. 0. 0.,  0. 0. 0.   0.00833 0.0083 0.0166,  0.0166 0.025   0.025 0.033  0.033  0.0416,  …]（ndarray(80,)）

thresholds = [2. 1. 0.999  0.999   0.998  0.998,  0.998  0.998  0.997  0.997  0.997  0.9972,  0.9969  0.9969  0.9828  0.9827  0.9781  0.9781,  0.9780 …]（ndarray(80,)）

其中，thresholds就是原来的test_scores从高到低排序。每个阈值对应一个 fpr 和 tpr。

例如，当thresholds = 2时

test_scores	预测（2为阈值）	真实（看相应的test_labels）
0.863	<2 预测为负样本	1 真实为正样本
0.999	<2 预测为负样本	0 真实为负样本
0.999	<2 预测为负样本	0 真实为负样本
0.979	<2 预测为负样本	0 真实为负样本
…	…	…

则fpr = 0 ，tpr = 0

例如，当thresholds = 0.9781时

test_scores	预测（0.9781为阈值）	真实（看相应的test_labels）
0.863	<0.9781 预测为负样本	1 真实为正样本
0.999	>0.9781 预测为正样本	0 真实为负样本
0.999	>0.9781 预测为正样本	0 真实为负样本
0.979	>0.9781 预测为正样本	0 真实为负样本
…	…	…

则fpr = 0 ，tpr = 0

3 roc_curve

fpr, tpr, threshold = roc_curve(test_labels, test_scores, pos_label=1)

test_labels = [[1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 0.0…] （list:595）
test_labels为真实的样本标签

test_scores = [0.1361, 0.0002, 0.0001, 0.0208, 0.0013, 0.2790, 0.0031, 0.0316, 0.0478, 0.0196, 0.1872, 0.066, 0.1046,…]（list:595）
test_scores 对每个样本的预测分数

pos_label = 1
pos_label正样本的标签。 说明test_label = 1是真实人脸。

---

roc_curve() 函数有3个返回值：

fpr：False positive rate。
tpr：True positive rate。
thresholds

在本例子中，
fpr = [[0. 0. 0. 0.0021  0.0021  0.0042,  0.0042  0.0063  0.0063  0.0084  0.0084  0.0105,  0.0105  0.0126  0.0126  0.01473684  0.0147 0.0189,  …] （ndarray(80,)）

tpr = [[0.  0.00833  0.4333  0.4333  0.4916  0.4916,  0.55   0.55   0.6166  0.6166  0.65  0.65,  0.683  0.683 0.691  0.69  0.7  0.7,   …]（ndarray(80,)）

thresholds = [[1.3351  0.3351 0.21871  0.2175,  0.2071  0.2006  0.19257  0.19230,  0.17420  0.17203  0.1659  0.16589,  0.1591  0.1580  0.15701  0.15529,   …]（ndarray(80,)）

tpr = 预正实正/所有实正
fpr = 预正实负/所有实负
其中，thresholds就是原来的test_scores从高到低排序。每个阈值对应一个 fpr 和 tpr。

例如，当thresholds = 1.3351时

test_scores	预测（1.3351为阈值）	真实（看相应的test_labels）
0.1361	<1.3351 预测为负样本	1 真实为正样本
0.0002	<1.3351 预测为负样本	0 真实为负样本
0.0001	<1.3351 预测为负样本	0 真实为负样本
0.0208	<1.3351 预测为负样本	0 真实为负样本
…	…	…

则fpr = 0 ，tpr = 0

例如，当thresholds = 0.1012时

test_scores	预测（0.1012为阈值）	真实（看相应的test_labels）
0.1361	>0.1012预测为正样本	1 真实为正样本
0.0002	<0.1012预测为负样本	0 真实为负样本
0.0001	<0.1012预测为负样本	0 真实为负样本
0.0208	<0.1012 预测为负样本	0 真实为负样本
…	…	…

就以上这四个来说，fp = 0, tp = 1, tpr = 1/1 = 1

TPR越大，则表示挑出的越有可能（是正确的）；FPR越大，则表示越不可能（在挑选过程中，再挑新的出来，即再挑认为是正确的出来，越有可能挑
的是错误的）。
min|1-(tpr+fpr)| 这两个值相加越趋近于1，说明结果越好