本篇博客主要介紹了，使用LFW數(shù)據(jù)集測(cè)是dlib模型準(zhǔn)確率的過程。是一個(gè)小白入門的介紹，大神可自行繞過。

LFW概述

1. 人臉檢測(cè)測(cè)試數(shù)據(jù)庫：

fddb：http://vis-www.cs.umass.edu/fddb/

2. 人臉識(shí)別測(cè)試數(shù)據(jù)庫：

lfw：http://vis-www.cs.umass.edu/lfw/#views

3. LFW（人臉比對(duì)數(shù)據(jù)集）

無約束自然場(chǎng)景人臉識(shí)別數(shù)據(jù)集，該數(shù)據(jù)集由13000多張全世界知名人士互聯(lián)網(wǎng)自然場(chǎng)景不同朝向、表情和光照環(huán)境人臉圖片組成，共有5000多人，其中有1680人有2張或2張以上人臉圖片。每張人臉圖片都有其唯一的姓名ID和序號(hào)加以區(qū)分。

LFW數(shù)據(jù)集主要測(cè)試人臉識(shí)別的準(zhǔn)確率，該數(shù)據(jù)庫從中隨機(jī)選擇了6000對(duì)人臉組成了人臉辨識(shí)圖片對(duì)，其中3000對(duì)屬于同一個(gè)人2張人臉照片，3000對(duì)屬于不同的人每人1張人臉照片。測(cè)試過程LFW給出一對(duì)照片，詢問測(cè)試中的系統(tǒng)兩張照片是不是同一個(gè)人，系統(tǒng)給出“是”或“否”的答案。通過6000對(duì)人臉測(cè)試結(jié)果的系統(tǒng)答案與真實(shí)答案的比值可以得到人臉識(shí)別準(zhǔn)確率。
這個(gè)集合被廣泛應(yīng)用于評(píng)價(jià) face verification算法的性能。

13233 images5749 people1680 people with two or more images

4. 技術(shù)報(bào)告（lfw technical report）：

http://vis-www.cs.umass.edu/lfw/lfw_update.pdf

5. 測(cè)試過程概述

通過dlib進(jìn)行人臉識(shí)別網(wǎng)絡(luò)訓(xùn)練后，得到dlib_face_recognition_resnet_model_v1.dat。通常大家在LFW人臉數(shù)據(jù)集上對(duì)該模型進(jìn)行精度驗(yàn)證。以下梳理驗(yàn)證過程：

（1） 在原始LFW數(shù)據(jù)集中，截取人臉圖像并保存。（例如：可以使用開源人臉檢測(cè)對(duì)齊seetaface將人臉crop出來，并 保存，建議以原圖像名稱加一個(gè)后綴命名人臉圖像）

（2） 通過python，matlab，或者C++，構(gòu)建訓(xùn)練時(shí)的網(wǎng)絡(luò)結(jié)構(gòu)并加載dlib_face_recognition_resnet_model_v1.dat。
（3） 將截取的人臉?biāo)腿刖W(wǎng)絡(luò)，每個(gè)人臉都可以得到網(wǎng)絡(luò)前向運(yùn)算的最終結(jié)果，一般為一個(gè)N維向量，并保存，建議以原圖像名稱加一個(gè)后綴命名。

（4） LFW提供了6000對(duì)人臉驗(yàn)證txt文件，lfw_pairs.txt,其中第1個(gè)300人是同一個(gè)人的兩幅人臉圖像；第2個(gè)300人是兩個(gè)不同人的人臉圖像。按照該list，在（3）保存的數(shù)據(jù)中，找到對(duì)比人臉對(duì)應(yīng)的N維特征向量。

（5） 通過cosine距離/歐式距離計(jì)算兩張人臉的相似度。同臉和異臉分別保存到各自對(duì)應(yīng)的得分向量中。
（6） 同臉得分向量按照從小到大排序，異臉向量按照從大到小排序。
（7） FAR（錯(cuò)誤接受率）從0~1，按照萬分之一的單位，利用排序后的向量，求FRR（錯(cuò)誤拒絕率）或者TPR（ture positive ratio）。

（8） 根據(jù)7可繪制ROC曲線。

6. 閾值確定

（1） 將測(cè)試人臉對(duì)分為10組，用來確定閾值并驗(yàn)證精讀。

（2） 自己擬定一個(gè)人臉識(shí)別相似度閾值范圍，在這個(gè)范圍內(nèi)逐個(gè)確認(rèn)在某一閾值下，選取其中1組數(shù)據(jù)統(tǒng)計(jì)同臉判斷錯(cuò)誤和異臉判定錯(cuò)誤的個(gè)數(shù)。

（3） 選擇錯(cuò)誤個(gè)數(shù)最少的那個(gè)閾值，用剩余9組，判斷識(shí)別精度。
（4） 步驟（2）和（3）執(zhí)行10次，將每次（3）獲取的精度進(jìn)行累加并求平均，得到最終判定精度。

其中也可以用下述方式替換
自己擬定一個(gè)人臉識(shí)別相似度閾值范圍，在這個(gè)范圍內(nèi)逐個(gè)確認(rèn)在某一閾值下，針對(duì)所有人臉對(duì)統(tǒng)計(jì)同臉判斷錯(cuò)誤和異臉判定錯(cuò)誤的個(gè)數(shù)，從而計(jì)算得出判定精度。

LFW中的 pairs.txt

pairs.txt 官方介紹

第一行：300表示的是300個(gè)匹配圖片（相同的人），10表示的是重復(fù)十次
Abel_Pacheco 1 4 表示這個(gè)文件夾的Abel_Pacheco_0001.jpg 和Abel_Pacheco_0004.jpg

300行以后 開始不匹配圖片
一共重復(fù)10次構(gòu)成完整的pairs.txt，因此一共3000 mached, 3000個(gè)no_mached

得出準(zhǔn)確率的思路就是：（正確判斷出 matche的次數(shù)+正確判斷 no_mached的次數(shù)） / 6000

代碼

鑒于有很多網(wǎng)友私信問我，pairs.txt 怎么生成，我將最初自己的代碼，上傳到了 github，希望能給初學(xué)者以參考和幫助。因?yàn)橐策^去幾年了，已經(jīng)從上家公司離職，完整的代碼是沒有的，存在只是自己原來的一點(diǎn)思路和草稿，經(jīng)過今天的一番整理，還能用，就先傳上去了。需要改進(jìn)的小伙伴，自行優(yōu)化吧。哈哈。
項(xiàng)目地址： https://github.com/jobbofhe/lfw_generate_pairs.git

總結(jié)

以上是生活随笔為你收集整理的LFW介绍整理的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。