Face Recognition 包括 Face Verification 和 Face Identification
性能度量数据集是：
- 底库(gallary)数据集G；
Verification
Verification 是每次进行一对人脸图像的比较，判断是否是同一个人；
也叫做1：1 matching
验证任务下提交两张图像，比较两张图像，得到相似度值，如果该值超过了指定阀值，则完成验证；否则，无法通过验证。
验证任务的指标是计算 the verfication rate 和 the false accept rate
Indentification
Indentification 是每次输入测试图像，在包含多个人的底库中查看输入的测试图像和底库中哪个人更像
表示1：N matching
根据测试图像所代表的人员是否位于底库内，可以将Indentification 分为Colsed-set indentification (人脸闭集识别) 和 Open-set indentification (人脸开集识别)
人脸闭集识别：测试图像表示的人员一定位于底库G中。
人脸开集识别：是人脸闭集识别的泛化。人脸识别系统需要首先判断测试图像表示的人是否位于G中，如果是，那么他是谁？
Closed-set Indentification
人脸识别的闭集测试通常考虑前N个识别结果中是否包含了正确的结果。
如果N为1，即为测试图像和底库G中匹配相似度得分最高的匹配图像。
测试图像和匹配图像为同一个人，计入识别正确数。不为同一人，计入识别错误数。
闭集下，N为1时，识别准确率为 正确数 / (正确数 + 错误数)
根据业务需要一般查看1，5，10下的识别准确率。
如果N为5，按得到相似度得分排序最高的5个匹配图像，5张中只要1张和测试图像为同一个人，计入识别正确数。5张匹配图像和测试图像都不是同一个，计入识别错误数。
Open-set indentification
G = {g1,g2 …，g(G)}，每个人一张底库图像。
Open-set indentification 主要有三个性能度量指标：detection and identification rate 和 false alarm rate
detection and identification rate
单张测试图像P，和G中的每一个底库图像g进行比对得到相似度值，相似值越大，表示两幅图像表示同一个人的可能性越大。
对于属于G中人员的一副测试图像，当测试图像与真实匹配结果之间的相似度大于指定阀值且该相似度在所有相似值中最大时认为实现了正确的识别。
相当于闭集中N=1的情况。
false alarm rate
衡量库外人员测试图像的识别性能，库外人员的一副图像也称为imposter
当一个imposter在当前G中的识别结果的top match score 超过了指定阀值时发生了一次false alarm
false alarm rate = false alarm发生的次数 / 总的测试图像张数
项目实例
人脸闭集
测试集有100个人的人脸照片，每个人有5个照片，共有500张照片。
每个人取4个照片，共400张照片录入到底库中。
用剩余100张照片，运行算法人脸识别，计算N为1时，识别准确率。
人脸开集
测试集有100个人的人脸照片，每个人有5个照片，共有500张照片。
每个人取4个照片，共400张照片；400张每张照片都是不同人的照片，共800张照片录入到底库中。
取剩余100张照片和别取100张每张照片都不是同人的照片，共200张照片运行算法人脸识别，计算N为1时，识别准确率。
算法人脸识别结果有三种：
匹配到人脸，匹配的人正确
匹配到人脸，匹配的人非同一个人（匹配错误）
匹配不到人脸，如果底库中本来就没有同一个人的图像，则计入正确
匹配不到人脸，如果底库中有同一个人的图像，则计入错误
采用 误识率(（FAR） 和 拒识率（FRR）评价指标
误识率为 把不应该匹配到人脸的照片匹配到人脸 的比例
拒识率为 把应该匹配成功的人脸当成匹配不到人脸 的比例
计算得出FAR和FRR
参考文章
https://blog.csdn.net/cdknight_happy/article/details/80354520