39、人脸识别系统评估：原理、指标与误差分析

人脸识别系统评估：原理、指标与误差分析

1. 人脸识别研究现状

近年来，人脸识别研究显著升温，这得益于多个因素的共同作用。先进机器学习算法的发展、免费且强大的软件实现、运行速度更快的 GPU 处理器、大量网络抓取的人脸图像数据库、开放的性能基准以及丰富的人脸识别文献，都推动了该领域的进步。

新算法的开发旨在实现对姿势、光照和表情变化的不变性，以适应新闻摄影和社交媒体图像的特点。最初的研究使用相对较少个体（约 $10^4$）的大量图像来学习不变性，后来训练使用了更大的群体（约 $10^7$）。不过，一些基准测试任务，如使用 EER 指标的 LFW，代表的是在非常高的误匹配率下的一对一验证，相对容易。而更大规模的识别基准（如 Megaface）的主要指标——排名第一的命中率，与大规模政府人脸识别应用（如证件去重、执法和情报搜索）所需的高阈值判别任务存在差异。

技术进步大幅降低了识别错误率。NIST 的人脸识别供应商测试表明，领先的商业算法在 2018 年的相同肖像图像识别任务（图库大小为 160 万）中产生的假阴性比 2013 年少 20 倍，而在 2010 - 2013 年期间，错误率仅下降了一半。这表明基于 CNN 的算法能够同时实现不变性和判别性，主要商业开发者已将现有算法集成或替换为基于卷积神经网络（CNN）的算法。

2. 评估的重要性与目标

评估是人脸识别进展的基础，即量化准确性以评估算法是否优于其前身和竞争对手。大多数评估在开发者的实验室进行，与研究紧密相关。在大学环境中，同行评审期刊要求根据已发布的基准测量准确性；在商业环境中，结果很少公开。过去，开发者因缺乏合适的图像数据集而受挫，但近年来，互联网上的人脸图像（尤其是摄影、新