人脸识别算法评价指标

最近在阅读人脸识别的论文，发现里面用到的指标是TAR（True Accept Rate）和FAR（False Accept Rate），开始没有在意以为相当于TPR（True Positive Rate）和FPR(False Positive Rate), 后来发现并不是这么回事，在百度上也没有找到直接的解释，但是也有一些收获，这里结合自己的理解把学到的东西记录一下。

首先我们来看我们熟悉的TPR（True Positive Rate）和FPR(False Positive Rate)，TPR（True Positive Rate）和FPR(False Positive Rate)是二分类算法常用的评价指标，分别是真正例率和假正例率。他们都是基于混淆矩阵的度量标准。 混淆矩阵 下面我们来看看他们的怎么进行计算。 TPR （True Positive Rate）为真正例率，也成召回率和灵敏性： 正确识别的正例数据在实际正例数据中的百分比。 T P R = T P T P + F N TPR = \frac{TP }{TP+FN} TPR=TP+FNTP​ FPR （Frue Positive Rate）为假正例率： 实际值是负例数据，预测错误的百分比。 F P R = F P T N + F P FPR = \frac{FP }{TN+FP} FPR=TN+FPFP​ 关于基于混淆矩阵的分类器的性能度量还有一些别的指标，具体请参考:scikit-learn中评估分类器性能的度量，像混淆矩阵、ROC、AUC等

接下来看人脸识别中的 常用的指标TAR和FAR。TAR（True Accept Rate）表示正确接受的比例，FAR（False Accept Rate）表示错误接受的比例。所谓的接受就是在进行人脸验证的过程中，两张图像被认为是同一个人。在网上到的了FAR（False Accept Rate）的计算方式如下： F A R = 非同人分数 > T 非同人比较的次数 FAR = \frac{非同人分数>T}{非同人比较的次数} FAR=非同人比较的次数非同人分数>T​ 对于人脸识别不太了解的小伙伴可能不太了解上面公式的意思，下面我就来解释一下。做人脸验证的时候我们会给出两张图像让算法判断两张图片是不是同一个人的。一般是先将两张图片表示成两个高维的特征向量，然后计算两个特征向量的相似度或者距离。在这里定义FAR时使用的是相似度，公式中分数就是指的相似度。在比较的过程中我们希望同一个人的图像相似度比较高，不同人的相似度比较低。我们会给定一个相似度阈值T，比如0.6, 如果两张图像的相似度大于T我们就认为两张图片是一个人的，如果小于T我们就认为两证图像 是不同人的。但是无论将T设置成什么样值都会有一定得错误率，就是FAR，因为我们提取的图像的特征向量总是不够好，并不总能 满足：同一个人的图像相似度比较高，不同人的相似度比较低。偶尔也会出现不同人的图像的相似度大于给定的阈值T，这样我们就会犯错误接受的错误。FAR就是我们比较不同人的图像时，把其中的图像对当成同一个人图像的比例。我们希望FAR越小越好。

TAR（True Accept Rate）表示正确接受的比例。所谓的就是在进行人脸验证的过程中，两张图像被认为是同一个人。我在网上并没有查到TAR的定义，在这里我参照FAR的定义猜测一下，不一定正确，如有错误还望批评指正。 T A R = 同人分数 > T 同人比较的次数 TAR = \frac{同人分数>T}{同人比较的次数} TAR=同人比较的次数同人分数>T​ 参考上面对 FAR的解释，我们知道对相同人的图片对进行比较也会出现相似度小于阈值T的情况，这是我们就会犯错误，这个错误就是FRR( False Reject Rate),就是把相同的人的图像当做不同人的了，这个下面我们再讲。可以理解 TAR就是对相同人的图片对进行比较，我们计算出的相似度大于阈值的图像对所占的比例。我们希望TAR越大越好。

上面讲解TAR的时候，提到了FRR（False Reject Rate）就是错误拒绝率。就是把相同的人的图像当做不同人的了。有了上面的基础，FRR就很好理解了： F R R = 同人比较分数 < T 同人比较的次数 FRR=\frac{同人比较分数