如何评价美颜api中人脸识别和人脸检测的准确度？

人脸识别和人脸检测识别是美颜api中的技术支撑之一，在理想状态下，人脸识别准确率越高越好，但实际情况中，经常会受到逆光、暗光、强光、识别角度等诸多实际因素的影响，因此，脱离使用场景单独考量算法的识别准确率参考价值不大。
那么，该如何科学评判美颜api人脸识别和人脸检测的准确度？

一、人脸识别关键指标
多数情况下，以基于FAR（错误接受率，又称误识率，即把某人误识为其他人的概率）和FRR（错误拒绝率，即本人注册在底库中，但比对相似度达到不预定的值）的DET曲线作为判断参考。
1、错误拒绝率（FAR）
相似度值范围内等分为若干档，得到若干个不同的阈值S，计算不同阈值S的FRR如下：FRR（S）= 同人比对相似度中低于阈值S的数量 / 同一人比对总数 X 100%
2、错误接受率（FRR）
相似度值范围内等分为若干档，得到若干个不同的阈值S，计算不同阈值S的FAR如下：FAR（S）= 非同人比对相似度中不低于阈值S的数量 / 非同人比对总数 X 100%。
理想状况下，FAR和FRR都越低越好，但两个指标是一个跷跷板，一个指标的降低通常意味着另一个指标会升高，所以需要实现两者间的平衡。一般认为在FAR达到市场正常水准时，FRR越低，该人脸识别算法算法性能就越好。

二、人脸检测关键指标
评价一款人脸检测算法，也有检测率、误报率、FPS、IOU四个指标：
检测率=检测出的人脸数 / 图像中所有人脸数
误报率=误报个数 / 图像中所有非人脸扫描窗口数
FPS，即帧率，体现人脸检测速度及性能。
IOU，即检测出来的人脸框A和实际的人脸框B的重合率。
一般情况下，检测率越高越好，误报率越低越完美，但这两者需要一个最优的平衡。
以上就是美颜api中人脸识别和人脸检测的准确度评价参数。