21、人脸识别中的评估方法

人脸识别中的评估方法

1 引言

人脸识别技术在过去二十年间取得了显著的进步，尤其是在受控环境中使用静态正面图像时。错误率从早期的较高水平下降到了2006年人脸识别供应商测试（FRVT）和多重生物特征评估（MBE）中报告的1%以下，误接受率为1000分之1。这些进展的背后是严谨的实验设计和评估方法，确保了人脸识别系统的性能可以被客观衡量。

核心在于实验协议的设计与实施。该协议详细规定了评估的具体步骤以及结果的计算方式。本文将聚焦于FERET和FRVT 2002协议，它们为后来的FRVT 2006和MBE 2010评估奠定了基础。这些协议不仅用于评估人脸识别算法，也为其他生物识别技术提供了宝贵的参考。

2 性能度量

在人脸识别和生物识别领域，性能通常通过三个标准任务来报告：验证、开放集识别和闭集识别。每个任务都有其独特的性能度量标准。这三个任务之间有着密切的关系，其中开放集识别是更为通用的情况。

2.1 生物识别样本

生物识别系统依赖于生物识别样本进行工作，这些样本记录了个人的特征，使得该人可以被识别。例如，面部图像或指纹都可以作为生物识别样本。一个生物识别样本可能由多个记录组成，比如同时获取的几张面部图片或一张面部图片加上一个指纹。

为了计算性能，需要三组图像：一组包含系统已知人员的生物识别样本（称为画廊G），另外两组是探测集。探测集分为两类：一类包含画廊中人员的生物识别样本（PG），另一类包含不在画廊中的人员的生物识别样本（PN）。

2.2 闭集识别

闭集识别是自动人脸识别社区的经典性能度量。在此任务中，探测集中的生物识别样本总是画廊中的某个人。因此