利用自己的人脸数据集对人脸识别模型进行精度评测
本博记录为卤煮学习过程中的理解，作为备忘demo。其中有错误疏漏之处，还请大家帮忙指正。
卤煮：非文艺小燕儿
一般人脸识别模型的精度验证都是用LFW，但是LFW的数据分布于我们实用阶段有些差距，因此最好还是在我们自己实用环境下的人脸图像进行测试评估。
LFW精度评测：利用LFW对人脸识别模型进行精度评测
以下使用的都是crop后的人脸彩色图像，人脸的图片命名都是以name_****.jpg的格式存放（***的长度和内容随意）。以便区分同人（name相同）和异人*（name不同）。
（1）自己的图片分两组，一组为ref_faces（M张）,一组为test_faces（N张）。
（2）利用你的人脸识别模型和网络，计算所有faces的特征。
（3）将ref_faces中每一个face，与test_faces中的所有face一一匹配计算相似度。
将相似度存放在Similarity_file.txt中，每匹配完一张ref_face，进行一次回车。最终会得到M行数据，每行N个相似度。也就是M*N的矩阵。
同时将真实匹配结果（同人为1，异人为0），以相同的方式存放在Ref_file.txt中，也相当也得到一个M*N的矩阵。
（4）ref_file矩阵的和，就是同人匹配对的个数S_n，则异人匹配对的个数D_n=M*N-S_n。
（5）以ref_file为参照，将Similarity_file中的所有同人匹配概率存放到Same_p向量中，所有异人匹配概率存放到Diff_p向量中。
（6）由(5)的结果已经可以通过matlab绘制出概率密度figure，和累积分布figure。如下图：
（7）对Same_p进行从小到大排序，Diff_p进行从大到小排序。指定一个错误接受率（FAR），根据异人匹配总数D_n，可以计算出容错个数Miss_n，在排序后Diff_p中第Miss_n+1个数值，便是判定阈值。
（8）在排序后的Same_p中，从头开始查找比判定阈值大的数，找到第一个大于阈值的数为止。由于找到这个数之前所排查的数都是小于阈值的，因此这些就是同脸匹配失败的结果，用其总数除以S_n就可以得到错误拒绝率（FRR）。
备注：
FAR：False Accept Rate，错误接受率，指将身份不同的两张照片，判别为相同身份，越低越好
FRR：False Reject Rate，错误拒绝率，指将身份相同的两张照片，判别为不同身份，越低越好
这两个指标有明确的物理意义，FAR决定了系统的安全性，FRR决定了系统的易用程度。