目前市面上既有OpenCV等开源算法库，很多芯片厂商的产品也自带简单算法，同时专业算法大厂也会开放相关技术，如提供免费、离线人脸识别SDK的虹软视觉开放平台等。对于开发者而言，面对多种算法，如何进判断算法性能至关重要，接下来将从算法原理、应用场景、关键指标一一进行介绍。

【人脸识别算法原理简述】在介绍关键性能指标之前，我们需要厘清人脸识别的技术原理。所谓人脸识别（Face Recognition），是对图像中的人脸进行检测、识别和跟踪。当前的人脸识别，通常是利用卷积神经网络（CNN）对海量的人脸图片进行学习，然后对输入图像提取出对应的人脸特征值。人脸特征值是面部特征所组成的信息集。人类记忆和辨别一张脸，主要是靠肉眼可见的特征，譬如国字脸、双眼皮、黑眼睛、蓝色头发、塌鼻梁……但人工智能不同，主要是利用卷积神经网络（CNN）对海量的人脸图片进行学习。它们能够抽象出人类难以理解的面部特征，因而在识别能力上超越人类。人脸特征值是一组空间向量，也是人脸比对的依据。同一张脸不同照片提取出的特征值，在特征空间里距离很近，不同人的脸在特征空间里相距较远。换言之，距离近的就有更大可能是同一个人。另外需要注意，人脸识别和人脸检测并非同一技术。人脸检测是人脸识别完整流程中的一个环节。在用摄像头采集含有人脸的图像或视频流后，首先就需要用人脸检测技术自动检测、提取当中的人脸，随后才能进入人脸图像预处理及最核心的人脸特征提取环节。在实际商业落地中，人脸检测也可独立于人脸识别进行使用，典型应用如近期在海内外大热的AI测温机，只在检测到人脸时激活测温模块，从而降低产品长期运行的损耗与能耗，该过程就无需对人脸进行识别。

【了解这些指标，你也能评价算法】在理想状态下，人脸识别准确率越高越好，但算法在产品化时会受到逆光、暗光、强光、识别角度等诸多实际因素的影响。因此，脱离使用场景单独考量算法的识别准确率参考价值不大。那么我们又该如何合理且有效的判断一款算法呢？业内知名免费算法平台——虹软视觉开放平台推出的《从零学习人脸识别》系列技术公开课中，对算法测试的关键指标进行了详细介绍。开发者朋友可以点击下文链接，在第三期“人脸检测算法介绍”和“人脸识别算法介绍”中进行详细了解。公开课链接：https://ai.arcsoft.com.cn/course/index.html​ai.arcsoft.com.cn/course/index.html

人脸识别关键指标：多数情况下，我们以基于FAR（错误接受率，又称误识率，即把某人误识为其他人的概率）和FRR（错误拒绝率率，即本人注册在底库中，但比对相似度达到不预定的值）的DET曲线作为评判参考。
（1）错误拒绝率（FAR）相似度值范围内等分为若干档，得到若干个不同的阈值 S，计算不同阈值 S 的 FRR 如下：FRR(S) = 同人比对相似度中低于阈值S的数量 / 同一人比对总数 × 100%；
（2）错误接受率（FRR）相似度值范围内等分为若干档，得到若干个不同的阈值 S，计算不同阈值 S 的 FAR 如下：FAR(S) = 非同人比对相似度中不低于阈值S的数量 / 非同人比对总数 ×100%；理想状况下，FAR和FRR都越低越好，但两个指标是一个跷跷板，一个指标的降低通常意味着另一个指标会升高，所以需要实现两者间的平衡。一般认为在FAR达到市场正常水准时，FRR越低，该人脸识别算法性能就越好。目前，市场上大部分场景会根据自身安全性要求，制定不同标准。比如在门禁场景下，要求FAR低于十万分之一，此时FRR越低，算法效果越好。以下图为例，算法1效果就好于算法2。人脸检测关键指标：评价一款人脸检测算法，也有检测率、误报率、FPS、IOU四个指标。一般情况下，我们同样希望检测率越高越好，误报率越低越完美，但这两者需要一个最优的平衡，我们可以用ROC曲线解决这一问题。（1）True Positive：检测出来确实是人脸，但实际上仍然是人脸的
（2）False Positive：检测出来是人脸，但实际上是背景的（3）False Negative：检测出来是背景，但实际上是人脸的
（4）True Negatives：检测出来是背景，实际上就是背景的

除了算法模型本身，我们也还可以从工程和应用等角度提升整体人脸识别效果。应用角度：研发质量模型，对检测到的人脸质量进行评价，质量较差则不识别，如虹软视觉开放平台的FQ(人脸图像质量检测算法)工程角度：施加场景限制，比如刷脸解锁，人脸闸机，会场签到时，都要求用户在良好的光照条件下正对摄像头，以避免采集到质量差的图片。