3、人脸识别算法统计评估指南

人脸识别算法统计评估指南

1. 引言

在人脸识别研究中，判断两个算法之间的差异是否显著是一个核心问题。“显著”这个词有两种重要但不同的含义。一方面，它可能指作者认为这种差异具有实际或科学上的重要性，这通常依赖于专家的判断。另一方面，“统计显著”则更为精确和狭义，意味着算法间观察到的性能差异幅度不太可能是由偶然因素造成的。

本文将介绍一些用于判断统计显著性的基本方法，例如在什么情况下可以得出观察到的差异具有统计显著性的结论，以及这些结论背后的假设。同时，还会探讨如何通过估计一个算法比另一个算法表现更优的频率，来评估其科学显著性。

为了更好地说明这些方法，我们将使用一个持续的示例，比较主成分分析（PCA）人脸识别算法和先进行PCA再进行线性判别分析（LDA）的算法。数据来自圣母大学的人脸数据集。

2. 人脸识别数据、算法和性能指标

在讨论人脸识别时，需要区分三个不同的任务：
- 检测与定位：确定图像中是否存在人脸以及其位置。
- 识别：为新图像中的人命名。
- 验证：判断新图像中的人是否是其声称的身份。

FERET评估主要关注人脸识别。它收集了FERET数据集，并组织了一系列人脸识别算法的测试。虽然FERET协议仍然重要，但人脸识别和验证也有各自的评估协议，并且近年来还进行了一些集成系统的测试。

2.1 定义和基础

人脸识别算法最常用的性能指标是固定排名下的识别率。为了理解这一点，需要一系列的定义。
- 数据 ：用 表示目标图像总体，评估者通常只能获取 的有限样本 W。图像用 wi, j 表示，其中