Face Recognition 人臉識別該如何測試
- 2019 年 10 月 11 日
- 筆記
01
測量人臉識別的主要性能指標有
1.誤識率(False;Accept;Rate;FAR)：這是將其他人誤作指定人員的概率;
2.拒識率(False;RejectRate;FRR)：這是將指定人員誤作其它人員的概率。
電腦在判別時採用的閾值不同，這兩個指標也不同。一般情況下，誤識率FAR;隨閾值的增大(放寬條件)而增大，拒識率FRR;隨閾值的增大而減小。因此，可以採用錯誤率(Equal;Error;Rate;ERR)作為性能指標，這是調節閾值，使這FAR和FRR兩個指標相等時的FAR;或FRR。
02
影響人臉識別性能的因素&解決方法
(1)背景和頭髮：消除背景和頭髮，只識別臉部圖象部分。
(2)人臉在圖象平面內的平移、縮放、旋轉：採用幾何規範化，人臉圖象經過旋轉、平移、縮放後，最後得到的臉部圖象為指定大小，兩眼水平，兩眼距離一定。
(3)人臉在圖象平面外的偏轉和俯仰：可以建立人臉的三維模型，或進行三維融合(morphing)，將人臉圖象恢復為正面圖象。
(4)光源位置和強度的變化：採用直方圖規範化，可以消除部分光照的影響。採用對稱的從陰影恢復形狀(symmteric;shape;from;shading)技術，可以得到一個與光源位置無關的圖象
03
採集場景
正常場景下，在合適的光源下，採集人臉的正面，包含正常完整的人臉輪廓，毫無遮擋的五官，清晰的被拍照設備拍到，這樣才能夠準確的捕捉到特徵，並判斷出來。
但對於測試同學來講，還要考慮異常場景的表現，即任何可能造成拍不到，拍不清晰，判斷不出是人臉，或者不完整的表現。詳細場景比如：
1) 人臉沒有正對攝影機，角度有傾斜。
2) 拍照環境過暗或者過黑。
3) 有佩戴黑框眼鏡或墨鏡拍照。
4) 頭髮有明顯遮住眼睛或臉部輪廓。
5) 攝影機內包含多張人臉。
另外判斷拍攝的樣品是否包含人臉時，原理上一般會通過樣品學習、或者是參考模版來，比如先設計一個標準人臉的模版，包含標準的特徵、有一定的結構分布、相對規律的膚色分布。
那麼針對這個原理，在測試時需要考慮不同膚色，或者是面部特徵過於複雜的案例，比如黑人、比如臉上有皺紋的老人。
再看人臉比對。
實際應用場景中，人臉比對的本質是照片的比對。比對兩張臉中，其中一張臉一般來自於當前場景拍攝的照片，另一張照片一般來自於公安部或者資料庫中的照片。
公安部或資料庫的照片是用來作為比對標準的，也是固定且一般不可隨意篡改的。但採集照片的環節容易出現各種各樣的漏洞，容易被一些不法分子利用虛假照片、他人照片、網路照片等進行攻擊。
因此，從測試角度來看，需要覆蓋到這些非法採集照片的行為，比如：
1) 翻拍後的照片。
2) 長相相似度很高的非本人的照片
3) 軟體合成的虛擬人臉
4) 基於證件照PS的照片
等等。
04
照片採集方式
目前市面上主流的幾種抗攻擊的照片採集方式主要有三種：活體檢測、連續檢測、3D檢測。
1) 活體檢測：判斷用戶是否為正常操作，通過指定用戶做隨機動作，一般有張嘴、搖頭、點頭、凝視、眨眼等等，防止照片攻擊。判斷用戶是否真實在操作，指定用戶上下移動手機，防止影片攻擊和非正常動作的攻擊。
2) 3D檢測：驗證採集到的是否為立體人像，能夠防止平面照片、不同彎曲程度的照片等。
3) 連續檢測：通過連續的檢測，驗證人臉運動軌跡是否正常，防止防止跳過活體檢測直接替換採集的照片，也能夠防止中途切換人。
其中活體檢測是現在應用最廣的一種抗攻擊人臉數據採集方式。
因為不管是直接對照片檢測，還是對活體進行檢測，最終的目的都是採集人臉不同角度的照片。因此如果活體檢測沒有與連續性檢測和3D 檢測結合使用，也會存在一些漏洞。
這些漏洞即是測試的重點：
1) 拍攝人臉正面、側面、張嘴、閉眼等照片，用不同角度的靜態照片繞過本人現場檢測。
2) 錄製各種動作影片，按照一定的標準拼接起來，繞過本人現場檢測。
電腦只會告訴我們比對的兩張臉的相似程度，是80%或者是20%，但不會告訴我們這兩張臉是否為同一個人。
因此人臉比對有一個閾值的概念。設置相似度大於x%的時候，視為人臉比對通過，小於x%的時候，視為人臉比對不通過。設定閾值的過程就是模型評估。
閾值設定過低，則人臉比對通過率高，誤報率可能也會升高。
閾值設定過高，則人臉比對通過率低，誤報率可能也會降低也可能會增高。
因此在人臉識別的測試中，除了要關注通過率，還要關注誤報率。這兩項也可以統稱為是查准率。
舉個例子：
有8個樣本，分別拿十張照片與資料庫證件照進行人臉比對，其中3個確實是人證統一，另外四個人證不同。比對的結果相似度如下：
假設閾值設定60%，則人臉比對通過率=4/8=50%，誤報率=1/8=12.5%。
假設閾值設定70%，則人臉比對通過率=2/8=25%，誤報率=1/8=12.5%。
假設閾值設定50%，則人臉比對通過率=5/8=62.5%，誤報率=2/8=25%。
目前人臉識別在金融、教育、景區、出入境、機場等領域已經大量應用，方便的同時也帶來了一些問題，怎麼做好人臉識別的測試，還是一個需要思考和深挖的課題。
