人脸反向搜索的准确率有多高？
在理想条件下，也就是一张清晰、正面、光线均匀且面部没有遮挡的照片，人脸反向搜索的匹配准确率约为 95%。准确率并不是一个到处都成立的固定数字，它会随角度、模糊、滤镜和遮挡而下降。置信度分数衡量的是两张脸的相似程度，而不是这个匹配就是同一个人的概率。
最后审校
要点
- 约 95% 是理想条件下的数字，并不保证对每一张照片都成立。
- 置信度分数衡量两张脸有多相似，不是匹配正确的概率。
- 误报比漏检更值得关注：两个不同的人被判为匹配，才是造成伤害的错误。
- 即使准确的模型，在全网规模下也会返回错误的人，因为索引里陌生人的数量远远多于你要找的那个人。
- 每一条匹配都是需要另行核实的线索，而不是身份的证明。
人脸反向搜索的准确率有多高？
在理想条件下，人脸反向搜索的匹配准确率约为 95%。理想条件是一个实实在在的约束，而不是免责声明：它指的是画面中只有一张没有遮挡的脸，面向镜头，光线均匀，分辨率足以让五官清晰可辨。只要偏离其中任何一项，这次搜索的准确率就会下降，尽管底层模型本身没有任何变化。这个数字描述的是系统在一张好照片上的表现，而不是任何一张随手找来的照片的平均结果。
- 这个数字描述的是模型，不是你这次搜索。你的照片决定你落在区间的哪一端。
- 准确和有用是两回事。一条正确的匹配如果指向没人能打开的页面，仍然说明不了什么。
- 对于任何索引里都不存在的脸，不存在准确率一说。那是覆盖范围的问题，不是准确率的问题。
置信度分数究竟测量什么？
置信度分数测量的是上传的人脸与匹配到的人脸在模型数值空间中的距离有多近。它是引擎自身尺度上的相似度测量，不是两张照片属于同一个人的概率。分数为 90 并不意味着这条匹配有 90% 的概率正确，而是意味着按模型的度量这两张脸高度相似。照片质量好时这是有力的证据，照片质量差时则要弱得多。
为什么准确的系统仍会返回错误的人？
因为任何可搜索的索引里，陌生人的数量都远远超过你要找的那一个人。一个每一万次比对才错配一次的模型听起来很精确，但当一次搜索要与数百万张已索引的人脸比对时，正确结果旁边仍然会出现错误的人。按单次比对衡量的准确率，经不起乘以全网规模搜索所执行的比对次数。这正是需要置信度阈值的原因，也是排在第一位的结果未必就是正确的人的原因。
照片的哪些性质会改变结果？
上传图片的六个性质，解释了从干净匹配到无法使用之间的大部分差异。它们会叠加：一张小尺寸、侧脸、加了滤镜的照片，比其中任何单一问题都糟糕得多。
| 性质 | 有助于准确率 | 损害准确率 |
|---|---|---|
| 面部角度 | 正对镜头，双眼可见 | 大角度侧脸或头部转开 |
| 分辨率 | 面部占据画面较大比例 | 从大场景中裁出的小小一张脸 |
| 光线 | 整张脸受光均匀 | 硬阴影、逆光、明显偏色 |
| 遮挡 | 面部没有任何遮挡 | 墨镜、口罩、手、厚重的头发 |
| 后期 | 未经编辑的原图 | 美颜滤镜、大幅修图、AR 特效 |
| 人数 | 画面中只有一张脸 | 合影，可能读取到错误的那张脸 |
人脸识别的准确率如何被独立衡量？
美国国家标准与技术研究院运行人脸识别供应商测试，用受控数据集评测提交的算法并公布错误率。FRVT 是判断人脸识别整体水平的参照系，它区分一对一验证，也就是确认两张照片是否是同一个人，与一对多识别，也就是人脸搜索实际执行的操作。FaceSearch 并未公布自己在这些数据集上的评测结果，而已公布的 FRVT 数字来自经过筛选的图像，因此它们描述的是上限，而不是任何全网规模搜索在实际中能达到的水平。
什么时候不应该依赖一条匹配？
人脸匹配是需要核实的证据，单凭它不足以支撑任何影响一个人的决定。造成伤害的错误是误报：一个与被搜索者相像的陌生人，带着很高的分数出现，然后被当作已经确定的身份去处理。
- 不要凭单一匹配采取行动。用独立的线索去印证，例如跨站点一致的用户名、共同好友，或同一份资料里的第二张照片。
- 不要用匹配结果去决定某人的就业、住房或信贷。这些用途在多个司法辖区都受到限制。
- 不要把空结果读作某人没有网络痕迹的证明。
- 不要假定分数低就代表是另一个人。分数低往往只是说明照片不好。
参考来源
- Face Recognition Vendor Test (FRVT) 1:1 Verification, National Institute of Standards and Technology
- Face Recognition Vendor Test programme, National Institute of Standards and Technology