人脸识别 确定阈值

目录

face TAR FAR计算：

人脸识别中的阈值应该如何设置？

python画roc曲线：

---

face TAR FAR计算：

facenet-pytorch-glint360k/test_model_lfw_far_align.py at b1d8b1014b00650688646330fcd258728c7ccb2f · tamerthamoqa/facenet-pytorch-glint360k · GitHub

人脸识别中的阈值应该如何设置？

人脸识别中的阈值应该如何设置？

随着人脸识别技术使用范围越来越广，大部分使用者可能对人脸识别中的某一方面不是很懂，咨询的问题也五花八门，下面，主要讲解视壮人脸识别中的阈值应该如何设置？

首先我们来看看提供的一组数据（绝对数值有修改，可以定性来看）。

误识率	通过率	阈值
0.01	0.999	64
0.001	0.998	68
0.0001	0.996	72
1e-5	0.993	76
1e-6	0.985	80
1e-7	0.950	84
1e-8	0.300	88

通过这组数据，可以得出以下结论：

一是误识率、通过率和阈值具有相关性，但属于非线性关系

可能大部分人看到这组数据，就会认为阈值越高，通过率和误识率越低，阈值越低，通过率和误识率越高。

这就引出了一个常见的误区，客户认为通过率越高，体验越好，那么阈值就应该设置越低。但是通过率越高，误识率也就越高，意味着防风险能力就会下降，所以阈值的设置要综合考虑客户体验和防风险能力两个因素。较准确的说法应该是在指定阈值下，公司A的通过率比其他公司高，误识率也比其他公司低，，这就说明公司A的人脸识别算法比其他公司要好。

另外阈值不能设置过高，从数据可以看出，阈值不断提高后，通过率和误识率也跟着急速下降。当前人脸识别只能作为辅助认证手段，不能等同于二代Key这样的强认证工具，人脸数据量如果足够大，一定会出现误识，没有办法做到风险为0。

提供的这组数据是基于他们自己人脸识别测试底库，阈值、误识率和通过率并不是绝对的。不过从定性的角度来看，还是值得参考的。如果测试底库有大量多胞胎，或者人脸库数据规模超级大，那么所得结果一定会有所差异。  

python画roc曲线：

# -*- coding: utf-8 -*-
"""
Created on Thu Sep 21 16:13:04 2017
@author: lizhen
"""
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc  ###计算roc和auc
from sklearn import model_selection as cross_validation
# Import some data to play with
iris = datasets.load_iris()
X = iris.data
y = iris.target

##变为2分类
X, y = X[y != 2], y[y != 2]

# Add noisy features to make the problem harder
random_state = np.random.RandomState(0)
n_samples, n_features = X.shape
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

# shuffle and split training and test sets
X_train, X_test, y_train, y_test = cross_validation.train_test_split(X, y, test_size=.3, random_state=0)

# Learn to predict each class against the other
svm = svm.SVC(kernel='linear', probability=True, random_state=random_state)

###通过decision_function()计算得到的y_score的值，用在roc_curve()函数中
y_score = svm.fit(X_train, y_train).decision_function(X_test)

# Compute ROC curve and ROC area for each class
fpr, tpr, threshold = roc_curve(y_test, y_score)  ###计算真正率和假正率
roc_auc = auc(fpr, tpr)  ###计算auc的值

plt.figure()
lw = 2
plt.figure(figsize=(10, 10))
plt.plot(fpr, tpr, color='darkorange', lw=lw, label='ROC curve (area = %0.2f)' % roc_auc)  ###假正率为横坐标，真正率为纵坐标做曲线
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()

roc曲线：

转自：用Python绘制ROC曲线_-永不妥协-的博客-CSDN博客_python做roc曲线

from sklearn.metrics import roc_curve, auc  # 数据准备
import numpy as np
from sklearn import metrics
import matplotlib.pyplot as plt

y = np.array([1, 1,1, 2, 2,2])
scores = np.array([0.1, 0.4,0.5, 0.35, 0.8,0.9])

# roc_curve的输入为
# y: 样本标签
# scores: 模型对样本属于正例的概率输出
# pos_label: 标记为正例的标签，本例中标记为2的即为正例
fpr, tpr, thresholds = metrics.roc_curve(y, scores, pos_label=2)  # 假阳性率
print(fpr)
# array([0., 0.5, 0.5, 1.]) # 真阳性率
print(tpr)
# array([0.5, 0.5, 1., 1.]) # 阈值
print(thresholds)
# array([0.8, 0.4, 0.35, 0.1])
auc = metrics.auc(fpr, tpr)
print(auc)

plt.figure()
lw = 2
plt.plot(fpr, tpr, color='darkorange', lw=lw, label='ROC curve (area = %0.2f)' % auc)
plt.plot([0, 1], [0, 1], color='navy', lw=lw, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver operating characteristic example')
plt.legend(loc="lower right")
plt.show()