人脸识别评测指标：多源视觉信息感知与识别

评测指标使得研究人员可以通过数据量化的方式评价某种人脸识别算法的优劣。假设探测集（probe set）P中的第j个样本pj和模板集（gallery set）G中的第i个样本gi的相似度为sij，sij越大表示两个样本越相似。同理，测试样本pj和数据库中的所有注册样本相似度为s*j。对于人脸识别任务而言，正序排列相似度s*j。如果s*j是第n个最大相似度，则pj的排序（rank）为n，即rank（pj）=n。只有当一个测试样本pj的相似度sij大于阈值τ，且gi与pj属于同一类时，该测试样本被认为是正确的分类；否则，则被认为是错误的分类。而函数id（pj）则表示样本pj的身份编号。

（1）识别准确度（Identification Accuracy）

根据上面的定义，rank-1（即，最佳匹配）的准确度可以表示为

而rank-n的准确度可以表示为

（2）验证准确度（Verification Accuracy）

（3）误警率（False Positive Rate，FPR）(www.xing528.com)

误警率也称为假阳率，用于表示将正例（positive sample）错误地分类成负例（negative sample）的概率。当某个负例的相似度大于阈值τ时，误警就会发生。因此，误警率的表达公式如下：

（4）ROC曲线（Receiver Operating Characteristic curve）

在现实人脸识别系统中，准确率与误警率之间是相互制约的（trade-off）。这两种性能指标不可能同时达到最大，而需要利用ROC曲线来表示它们之间的相对关系。ROC曲线的横轴表示误警率，而纵轴表示准确率。

（5）ROC曲线下面积（Area Under the ROC Curve，AUC）

由于在本书中使用的某些人脸识别数据库的测试协议下不允许使用任何的标签信息，因此，分类器无法通过标签或标签分布信息来设定（或学习）阈值τ。而AUC这个指标可以通过计算横轴（误警率）和纵轴（正识率）的相对关系，即ROC曲线下的面积，来描述人脸识别算法性能的好坏。简单说，AUC值越大的人脸识别算法，其性能越好。AUC的数值可以使用梯形法（trapezoid method）或ROC AUCH两种方法计算得到。