AI人脸识别的测试重点

之前的文章重点分享了AI的概念和应用，以及AI的架构与核心，结合到项目里，最常见的 AI应用就是人脸识别，因此这篇文章从人脸识别的架构和核心上，来讲讲测试的重点。

 

测试之前需要先了解人脸识别的整个流程，上一篇文章分享过，红色标识代表的是对应AI架构中的各个阶段

https://blog.csdn.net/alice_tl/article/details/78566426

首先是人脸采集。

安装拍照摄像设备之后，需要在动态的场景与复杂的背景中判断是否存在人脸，并分离出这种面像。然后采集到人脸的照片。

因此采集过程是非常重要的，一需要能够采集到内容，二采集的内容能够分离出来是人脸。

而特征提取的原理是，将获取的人脸照片进行色彩矫正、光线调整，五官定位和脸部分割，将人脸的鼻子、眼睛、嘴巴等视为一个个特征点，计算每个特征点所在的位置、距离、角度。

 

正常场景下，在合适的光源下，采集人脸的正面，包含正常完整的人脸轮廓，毫无遮挡的五官，清晰的被拍照设备拍到，这样才能够准确的捕捉到特征，并判断出来。

但对于测试同学来讲，还要考虑异常场景的表现，即任何可能造成拍不到，拍不清晰，判断不出是人脸，或者不完整的表现。

另外判断拍摄的样品是否包含人脸时，原理上一般会通过样品学习、或者是参考模版来，比如先设计一个标准人脸的模版，包含标准的特征、有一定的结构分布、相对规律的肤色分布。

那么针对这个原理，在测试时需要考虑不同肤色，或者是面部特征过于复杂的案例，比如脸上有皱纹的老人。

再看人脸比对。

实际应用场景中，人脸比对的本质是照片的比对。比对两张脸中，其中一张脸一般来自于当前场景拍摄的照片，另一张照片一般来自于数据库中的照片。

数据库的照片是用来作为比对标准的，也是固定且一般不可随意篡改的。

因此，从测试角度来看，需要覆盖到这些特殊照片的行为。

目前市面上主流的几种抗攻击的照片采集方式主要有三种：活体检测、连续检测、3D检测。

1) 活体检测：判断用户是否为正常操作，通过指定用户做随机动作，一般有张嘴、摇头、点头、凝视、眨眼等等，防止照片攻击。 判断用户是否真实在操作，指定用户上下移动手机，防止视频攻击和非正常动作的攻击。

2) 3D检测：验证采集到的是否为立体人像，能够防止平面照片、不同弯曲程度的照片等。

3) 连续检测：通过连续的检测，验证人脸运动轨迹是否正常，防止防止跳过活体检测直接替换采集的照片，也能够防止中途切换人。

其中活体检测是现在应用最广的一种抗攻击人脸数据采集方式。

因为不管是直接对照片检测，还是对活体进行检测，最终的目的都是采集人脸不同角度的照片。因此如果活体检测要与连续性检测和3D 检测结合使用。

计算机只会告诉我们比对的两张脸的相似程度，是80%或者是20%，但不会告诉我们这两张脸是否为同一个人。

因此人脸比对有一个阈值的概念。设置相似度大于x%的时候，视为人脸比对通过，小于x%的时候，视为人脸比对不通过。设定阈值的过程就是模型评估。

阈值设定过低，则人脸比对通过率高，误报率可能也会升高。

阈值设定过高，则人脸比对通过率低，误报率可能也会降低也可能会增高。

因此在人脸识别的测试中，除了要关注通过率，还要关注误报率。这两项也可以统称为是查准率。

 

举个例子：

有8个样本，分别拿十张照片与数据库证件照进行人脸比对，其中3个确实是人证统一，另外四个人证不同。比对的结果相似度如下：

样本数	Name A	Name B	Name C	Name D	Name E	Name F	Name G
相似度	80%	60%	70%	60%	50%	40%	30%
实际现象	Y	Y	Y	N	N	N	N

假设阈值设定60%，则人脸比对通过率=4/8=50%，误报率=1/8=12.5%。

假设阈值设定70%，则人脸比对通过率=2/8=25%，误报率=1/8=12.5%。

假设阈值设定50%，则人脸比对通过率=5/8=62.5%，误报率=2/8=25%。

 

目前人脸识别在金融、教育、景区、出入境、机场等领域已经大量应用，方便的同时也带来了一些问题，怎么做好人脸识别的测试，还是一个需要思考和深挖的课题。上述只是我近期在测试过程中的总结，分享大家。