Face Recognition 人脸识别该如何测试

小石阿.90后天秤座.喜欢分享

人脸识别技术的发展,你的脸就是身份证

人脸识别以前在小编的记忆中,都是电影的情节,[ 金库!!! 安全大门!!! 收藏地下库!!! ] 扫脸进库 Duang~

现如今人脸识别已经越来越贴近我们的生活,那么在我们生活圈子大家知道哪些东西应用到我们的人脸识别技术吗??? 可在下方留言让大家看看你的眼力见??

扫脸打卡、扫脸支付、扫脸进站、扫脸进自己家门.... 是不是太贴近我们的生活

银行办事 扫脸认证

小姐姐扫脸打卡 进门

下面这么大姐扫码进站粉涂太多 识别不出来????

现在的化妆品都这么强大吗,哈哈

如今人脸识别这些技术这么贴近生活,研发的产品也越来越多样化,作为质量保证者测试工程师一职的我们如何去测试人脸识别呢,我们简单从大方向是分析一下看下流程图

01

测量人脸识别的主要性能指标有

1.误识率(False;Accept;Rate;FAR):这是将其他人误作指定人员的概率;

2.拒识率(False;RejectRate;FRR):这是将指定人员误作其它人员的概率。

计算机在判别时采用的阈值不同,这两个指标也不同。一般情况下,误识率FAR;随阈值的增大(放宽条件)而增大,拒识率FRR;随阈值的增大而减小。因此,可以采用错误率(Equal;Error;Rate;ERR)作为性能指标,这是调节阈值,使这FAR和FRR两个指标相等时的FAR;或FRR。

02

影响人脸识别性能因素及解决方法

(1)背景和头发:消除背景和头发,只识别脸部图象部分。

(2)人脸在图象平面内的平移、缩放、旋转:采用几何规范化,人脸图象经过旋转、平移、缩放后,最后得到的脸部图象为指定大小,两眼水平,两眼距离一定。

(3)人脸在图象平面外的偏转和俯仰:可以建立人脸的三维模型,或进行三维融合(morphing),将人脸图象恢复为正面图象。

(4)光源位置和强度的变化:采用直方图规范化,可以消除部分光照的影响。采用对称的从阴影恢复形状(symmteric;shape;from;shading)技术,可以得到一个与光源位置无关的图象

03

采集场景

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。详细场景比如:

1) 人脸没有正对摄像头,角度有倾斜。

2) 拍照环境过暗或者过黑。

3) 有佩戴黑框眼镜或墨镜拍照。

4) 头发有明显遮住眼睛或脸部轮廓。

5) 摄像头内包含多张人脸。

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,比如黑人、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公安部或者数据库中的照片。

公安部或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。但采集照片的环节容易出现各种各样的漏洞,容易被一些不法分子利用虚假照片、他人照片、网络照片等进行攻击。

因此,从测试角度来看,需要覆盖到这些非法采集照片的行为,比如:

1) 翻拍后的照片。

2) 长相相似度很高的非本人的照片

3) 软件合成的虚拟人脸

4) 基于证件照PS的照片

等等。

04

照片采集方式

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。因此如果活体检测没有与连续性检测和3D 检测结合使用,也会存在一些漏洞。

这些漏洞即是测试的重点:

1) 拍摄人脸正面、侧面、张嘴、闭眼等照片,用不同角度的静态照片绕过本人现场检测。

2) 录制各种动作视频,按照一定的标准拼接起来,绕过本人现场检测。

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:

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。

原文发布于微信公众号 - 猪圈子(Tester-sc)

原文发表时间:2019-07-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券