硬核科普：人脸识别系统 帮你把脸刷明白(4)

TN（true negative）代表着负样本被正确预测为负的数量，于是TN=80；

FP（false positive）代表着负样本被错误预测为正的数量，于是FP=20；

FN（false negative）代表着正样本被错误预测为负的数量，于是FN=10。

有了上面四个值之后，就可以计算：

准确率Precision = TP/(TP+FP)=90/(90+20)=0.818

召回率Recall = TP/(TP+FN)=90/(90+10)=0.900

前面提到的人脸检测里只有人脸和背景两类，那么如何用准确率和召回率去评价人脸检测算法性能呢？ 人脸检测一般输出检测框，就要定义出什么样的检测结果是正确的。一般情况下，当检测框和GT的IOU（Intersection over Union）大于一个给定的阈值（如0.7）时，认为这张人脸被正确检测到，基于这个前提，就可以按照二分类进行统计。 继续举例来说明。假设实际测试集中有100张人脸，算法检测出95个人脸框，其中有90是满足阈值要求被认为是正确的，剩下的5个被认为是错误检测。那么TP/TN/FP/FN分别计算如下：

TP：100个人脸被正确预测出来的人脸有90个，所以TP=90；

TN：背景不输出，所以TN=0；

FP：预测是人脸，实际是非人脸，即错误的检测有5张，于是FP=5；

FN：正样本未被检测出来，即漏检，于是FN=100-90=10。

有了上面四个值之后，就可以计算：

准确率Precision = TP/(TP+FP)=90/(90+5)=0.947

召回率Recall = TP/(TP+FN)=90/(90+10)=0.900

根据不同的阈值，可以得到很多对准确率Precision和召回率Recall，即可以得到PR曲线，示例见图7。 图7 PR曲线示例[4] ROC曲线是另一种评价二分类算法的指标。纵坐标为真正例率（True Positive Rate，TPR=TP/(TP+FN)，横坐标为假正例率（False Positive Rate，FPR=FP/(TN+FP)） 同样根据不用阈值得到很多对TPR和FPR，即可以得到ROC曲线（ 见图8 ）。 图8 ROC曲线示例[29] 接下来我们就具体介绍下人脸检测算法。我们将整个人脸检测算法分为三个阶段：早期算法，AdaBoost框架以及深度学习框架。 早期算法使用模板匹配技术，即用一个人脸模板图像与被检测图像中的各个位置进行匹配，确定这个位置处是否有人脸；AdaBoost框架以2001年Viola和Jones设计的一种人脸检测算法[7]为代表。其使用Haar-like特征和级联的AdaBoost分类器，检测速度较之前的方法有2个数量级的提高，并且保持了很好的精度，一般称这种方法为VJ框架。VJ框架是人脸检测历史上第一个最具有里程碑意义的成果，奠定了基于AdaBoost目标检测框架的基础。深度学习方法出现以前工业界的方案基本都是基于VJ算法；随着卷积神经网络在图像分类问题上取得成功之后，很快也被用于人脸检测问题，在精度上大幅度超越之前的算法，逐渐成为研究和应用的主流。