人脸识别常用评价指标

参考链接：

1、https://blog.youkuaiyun.com/blueblood7/article/details/41823593

2、https://blog.youkuaiyun.com/lijiao1181491631/article/details/54407830?utm_source=blogxgwz0

3、https://blog.youkuaiyun.com/u014696921/article/details/74435229

1、混淆矩阵
预测    预测
正    负
实际    正    TP    FN
实际    负    FP    TN
TP：true positive，实际为正的，预测成正的个数
FN：false negative，实际为正的，预测成负的个数
FP：false positive，实际为负的，预测成正的个数
TN：true negative，实际为负的，预测成负的个数
2、TPR/FPR/TNR/FNR
即上面提到的TP/FN/FP/TN的比率

TPR：true positive rate，真正率，敏感性sensitivity，实际为正的，预测成正的比率
TPR=TPTP+FN TPR= \frac{TP}{TP+FN}
TPR= 
TP+FN
TP
​    
 

FNR：false negative rate，假负率，实际为正的，预测成负的比率
FNR=FNTP+FN FNR= \frac{FN}{TP+FN}
FNR= 
TP+FN
FN
​    
 

FPR：false positive rate，假正率，实际为负的，预测成正的比率
FPR=FPFP+TN FPR= \frac{FP}{FP+TN}
FPR= 
FP+TN
FP
​    
 

TNR：true negative rate，真负率，特异性specificity，实际为负的，预测成负的比率数
TNR=TNFP+TN TNR= \frac{TN}{FP+TN}
TNR= 
FP+TN
TN
​    
 

3、ROC/AUC
ROC曲线：受试者工作特征曲线：receiver operating characteritic curve，又称为感受性曲线（sensitivity curve），表示敏感性和特异性之间的相互关系。

横坐标为FPR，纵坐标为TPR，如下图所示，ROC曲线上的每一个点对应一个threshold，

其中，有三种极限状态：

TPR=0，FPR=0，这时threshold最大，将每个实例都预测为负类；
TPR=1，FPR=1，这时threshold最小，将每个实例都预测为正类；
TRP=1，FPR=0，理想模型，所有实例都预测准确。
一个好的分类模型，其曲线应该尽可能靠近上图的左上角。如果是随机猜测模型，则位于图中的主对角线上。

AUC：ROC曲线下方的面积，area under the ROC curve。另一种评价模型性能的方式，如果模型是完美的，则AUC=1，如果模型是随机猜测模型，则AUC=0.5，模型性能越好，则面积越大。

4、FAR/FRR/EER
人脸识别一般分为Indentification和Verification（人脸验证），当进行人脸验证时，一般考虑以下两个指标：

误识率(False Accept Rate,，FAR)：将其他人误作指定人员的概率
拒识率(False Reject Rate，FRR)：将指定人员误作其它人员的概率。
等错误率 (EER-Equal Error Rate) ：取一组0到1之间的等差数列，分别作为识别模型的判别界限，既坐标x轴，画出FFR和FAR的坐标图，交点就是EER值。
FAR=NontargetIsTarget(TargetIsTarget+NontargetIsTarget) FAR = \frac{NontargetIsTarget } {( TargetIsTarget + NontargetIsTarget ) }
FAR= 
(TargetIsTarget+NontargetIsTarget)
NontargetIsTarget
​    
 

FRR=TargetIsNontarget(TargetIsNontarget+NontargetIsNontarget) FRR = \frac{TargetIsNontarget} {( TargetIsNontarget + NontargetIsNontarget ) }
FRR= 
(TargetIsNontarget+NontargetIsNontarget)
TargetIsNontarget
​    
 

一般，FAR=0.001时，FRR的值作为参考。值越小，性能越好。

计算机在判别时采用的阈值不同，这两个指标也不同。一般情况下，误识率FAR 随阈值的减小（放宽条件）而增大，拒识率FRR
随阈值的减小而减小。因此，可以采用等错误率（Equal Error Rate,
ERR）作为性能指标，即通过调节阈值，使这FAR和FRR两个指标相等时的FAR 或 FRR。

另一种关于FAR、FRR的解释如下：

5、FMR、FNMR
FMR：False match rate
FNMR：False non-match rate

FAR=FMR∗(1–FTA) FAR = FMR * (1 – FTA)
FAR=FMR∗(1–FTA)

FRR=FTA+FNMR∗(1–FTA) FRR = FTA + FNMR * (1 – FTA)
FRR=FTA+FNMR∗(1–FTA)

错误采集率 failure-to-acquire rate FTA: 在辨识或验证的尝试中，采集不到样本或样本质量无法达到要求的比例。

6、GFAR、GFRR
GFAR ：广义误接受率，Generalized false accept rate

GFRR ：广义误拒绝率，Generalized false reject rate

广义上的错误拒绝发生在：

测试对象没有注册
不能提取提交的样本
存在错误匹配
广义上的错误接受和错误拒绝率将由下述公式给出：

GFAR=FMR∗(1–FTA)∗(1–FTE)2 GFAR = FMR * (1 – FTA) * (1 – FTE)^2
GFAR=FMR∗(1–FTA)∗(1–FTE) 
2
 

GFRR=FTE+(1–FTE)∗FTA+(1–FTE)∗(1–FTA)∗FNMR GFRR = FTE + (1 – FTE) * FTA + (1 – FTE) * (1 – FTA) * FNMR
GFRR=FTE+(1–FTE)∗FTA+(1–FTE)∗(1–FTA)∗FNMR

FTE：注册失败率 failure-to-enroll rate
--------------------- 
作者：夏洛的网 
来源：优快云 
原文：https://blog.youkuaiyun.com/liuxiao214/article/details/83177402 
版权声明：本文为博主原创文章，转载请附上博文链接！