28、人脸识别算法评估与分析

人脸识别算法评估与分析

1. 无约束图像和视频数据库评估

我们使用LFW和YouTube这两个具有挑战性的无约束面部图像和视频数据库，依据它们各自提出的10折评估协议来评估人脸识别算法。每一折都单独评估，包括为每一折的ISV和LDA - IR进行单独训练，以及为每一折定义的开发集计算单独的决策阈值。

在LFW数据库上，测试算法的平均分类率和标准差如图11.8b所示。商业COTS系统在该数据库上以较大优势超越了所有开源算法。ISV是表现最佳的开源算法，分类成功率达74.7%，其次是LDA - IR。Graphs和LGBPHS的表现也不错，且它们未使用训练数据。不过，所有算法都未能达到LFW网站报告的最佳性能，原因包括算法未针对LFW进行适配、未使用外部训练数据、未应用算法融合、采用了较紧的面部裁剪方式，以及为每一折的独立开发集计算决策阈值等。

对于YouTube数据库，为探究选择更多帧是否能提高验证效果，我们从YouTube人脸数据库的视频中选取1、3、10和20帧，输入到人脸识别系统中。这些帧在整个视频序列中均匀分布，未采用其他帧选择策略。由于没有手动标注的眼睛注释，我们使用基于增强LBP特征的人脸检测和地标定位算法自动检测眼睛地标。

实验结果如图11.8c所示，增加帧数能提高识别准确率，但约10帧后结果趋于稳定。YouTube数据库包含多个非正面人脸视频记录，COTS在应对这些变化时表现稳定，因此在实验中表现最佳。在测试的开源系统中，ISV再次略胜一筹，LDA - IR也有竞争力。Graphs（+8.3%）、ISV（+9%）和COTS（+8.7%）的识别准确率提升显著，而LGBPHS（+4.8%）的简单平均策略效果一般，LDA - IR（+7.6%）的最大得