误识率
误识率有时被称为认假率，英文简称FAR（False Accept RATE），指把他人误认为生物特征库中某人而通过的概率，误识举例来说就是宋小宝拿陈道明手机人脸解锁通过。
通过率
通过率指正确认出而通过的概率。
反过来讲叫做拒真率（拒真率=1-通过率），英文简称FRR（False Reject Rate），拒真率指在生物特征库存在但未识别出的概率，拒真举例来说就是宋小宝拿自己手机人脸解锁未通过。
从概率论的角度来看，误识率和通过率都属于后验概率，假如A表示验证通过，A’表示验证拒绝，B表示生物特征库中的样本验证，B’表示生物特征库外的样本验证，那么误识率可以表示为P（A|B’），通过率可以表示为P（A|B），拒真率可以表示为P（A’|B）。
人脸识别的误识率和通过率到底如何？来看公司A提供的这组数据（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 |
此处的阈值是对人脸识别结果进行判定的依据，取值范围从0到100。举例来说，人脸识别过程中，会拿现场采集的照片和人脸库中保存的照片进行比对，比对结果分值越高表示相似度越高。那么分值出来了，到底判定验证通过还是不通过呢？这就需要看阈值大小了，比如比对结果为80分，阈值定为70分就算验证通过，阈值定为90分就算验证不通过。
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，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，有种说法叫“通过率越高越好”，初衷是好的，通过率越高客户体验越好，但这种说法犯了两个错误，一方面，通过率和误识率要有阈值这个前提，单纯讲通过率和误识率意义不大；另一方面，误识率和通过率互相掣肘，不能追求单边数据的漂亮，高通过率的另一面是高误识率，防风险能力会下降，所以要综合考虑客户体验和防风险能力两个因素，来确定阈值以及相应的误识率和通过率。较准确的说法应该是在指定阈值下，公司A的误识率比其他公司低，通过率比其他公司高，就说明公司A的人脸识别算法好。
二是误识率、通过率和阈值属于非线性关系，阈值不断提高后，通过率和误识率急速下降。这说明阈值不能设置过高，并且只要量足够大，一定会出现误识，所以当前生物识别依然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，那些想在生物识别领域有所突破，但对风险零容忍的银行，得要转变思路了。
值得注意的是公司A提供的这组数据是基于他们自己的测试人脸库，所以上述阈值、误识率和通过率不是绝对的，如果测试数据有大量多胞胎，或者1:N人脸库数据规模超级大，那么结果一定会有所差异。不过从定性的角度来看，还是值得参考的。
光有人脸识别还不够，活体检测才能保障刷脸时代的安全性
人脸识别已经走进了我们的生活，拿起手机扫脸付账，扫描人脸完成考勤，刷脸入住酒店纷纷便利了我们的生活。而人脸识别里一项必不可少的技术就是活体检测，即ai不但要确定这是“你”，还需要确定这是“真实存在的、活的你”。
听起来是不是有些奇怪？人类可以仅通过视觉就完成生物和物体的辨别，然而机器需要通过学习才能进行这项检测。正如刷脸的你需要完成识别，打开手机摄像头后，机器会检测你是不是“活的你”。如果出现在镜头面前的是一张照片，或者是视频画面里的你，或者是用了你的脸模做的人皮面具，机器需要自己进行判断，并且确保“其他的你”不会通过他的识别。这就是活体检测的意义。
活体检测主要是通过识别活体上的生理信息来进行，它把生理信息作为生命特征来区分用照片、硅胶、塑料等非生命物质伪造的生物特征。为了确保你是“活的你”，活体检测通常包含几个鉴别步骤，比如眨眼判别：对于可以要求用户配合的应用系统，要求用户眨眼一到两次，人脸识别系统会根据自动判别得到的眼睛的张合状态的变化情况来区分照片和人脸；或者嘴部张合判别：与眨眼判别类似，要求用户张开、闭合嘴巴一到两次，人脸识别系统据此区分照片与真实人脸。
一般生物特征的活体检测技术利用的是人们的生理特征，例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息，活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息，活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩扩张反应特性等。