与坚持对比了空间和子空间与图像的方法在后面的章节。
首先，所有的面部图像必须保持一致，这样的眼睛在两个中心位于指定的像素坐标和裁剪，以消除任何背景的图像信息。这些图像存储为65和82像素灰度位图前进入了5330元素（每个元素包含向量转换确认相应的像素强度值）。每一个对应的向量可以被认为是说明在5330点的三维图像空间。这个简单的原则很容易被推广到更大的照片：由256像素的图像256占用一个
在65,536维图像空间，并再次指出，类似的图像占据接近点在该空间。同样，类似的面孔靠近一起在图像空间，而不同的面间距相距甚远。计算欧几里得距离d，两个人脸图像向量（通常称为查询图像Q和画廊图像克），我们得到一个相似的迹象。然后用一个阈值，使
最后核查的决定。
d ?q g (d ?threshold ?accept ) ?(d ?threshold ?reject ) . Equ. 4-1
4.2.1验证测试
任何一个人脸识别系统的主要关注的是它能够正确地验证声称的身份或确定一个人的最可能的身份从一个潜在的集合数据库中。为了评估一个给定的系统的能力来执行这些任务，采用不同的评价方法。其中的一些分析方法模拟一个具体的运作模式（即安全网站的访问或监视），而
其他人提供更多的数据分布的数学描述中的一些分类空间。此外，每个分析结果产生的方法可能
提交的各种格式。 在本论文的整个实验，我们主要使用验证考验我们的方法分析和比较，虽然我们也使用费舍尔的线性判别分析在第7个个人组件和子空间鉴定试验中的第8条所述的最终评价。核查措施的测试系统的能力，正确地接受或拒绝一个人的身份提出。在一个功能级别，这样可以减少到两个图像正在为比较介绍，该系统必须对任何一个接受返回（两个图像是同一人）或拒绝（两个不同的图像人）。该测试旨在模拟安全网站访问的应用领域。在这种情况下，一个主题将在一入境点一些形式的身份证件，或许是刷卡，接近芯片或PIN号码。这个数字，然后用于检索数据库中的已知对象通常被称为目标（1存储的图像画廊或图像），并在入境点（捕获的现场图像比较查询图像）。访问是根据当时获得的接受/拒绝的决定。
测试结果计算出多少倍的接受/拒绝决定是正确的。为了执行这项测试中，我们必须首先确定我们的测试人脸图像集。虽然这些图像的测试集的数量不会影响结果产生的误差（利率作为形象比较百分比指定），但重要的是要确保测试集是足够大，这样的统计异常变得不重要（例如，一个非常一致的匹配以及图像的情侣）。另外，影像的类型（照明高度变化，部分遮挡等）将显着改变的结果测试。因此，为了比较多个面部识别系统，他们必须适用于相同的测试集。但是，还应该指出，如果结果将系统性能的代表在现实世界中
11
的情况，然后测试数据应根据被捕获正是在同样情况下的应用环境。另一方面，如果该实验的目的是评估和完善人脸识别方法，可应用到产品的应用范围环境，那么测试数据应目前的困难，要范围克服。这可能意味着包括一个'难'的图片比这个大的百分比可以预期的操作条件，因此被认为较高的错误率产生的结果。
以下我们提供了执行验证测试算法。该算法适用于单个测试人脸图像集，使用一个函数调用在脸上识别算法：CompareFaces（FaceA，FaceB）。这一呼吁是用来比较两个面部图像，返回距离评分说明如何在两个不同的人脸图像为：得分越低越相似的两个人脸图像。理想情况下，图像的同样面对的是要生产低分数，而应产生不同的面孔图像高分。每一个形象，与所有其他形象相比，没有图像进行比较，并与自身没有一双比较不止一次（我们假设关系是对称的）。当两个图像进行比较，产生相似性评分，地面真相用于确定是否对图像的同一人或不同的人。在实际这些信息往往是测试封装为图片文件名通过一个手段（部分独特的人标识符）。比分然后存储在两个列表之一：一份列出通过比较不同人的形象和产品清单，其中分数通过比较产生的同一人图像。最终的接受/拒绝决定是由一个门槛的申请。任何不正确的决定，记为无论是虚假或错误拒绝接受。该错误拒绝率（FRR）的计算方法作为得分从被认为是在拒绝归类相同的百分比。该错误接受率（FAR）是按不同的分数比例被认为是在接受归类的人。
For IndexA = 0 to length(TestSet) For IndexB = IndexA+1 to length(TestSet)
Score = CompareFaces(TestSet[IndexA], TestSet[IndexB]) If IndexA and IndexB are the same person Append Score to AcceptScoresList Else
Append Score to RejectScoresList
For Threshold = Minimum Score to Maximum Score: FalseAcceptCount, FalseRejectCount = 0 For each Score in RejectScoresList If Score <= Threshold Increase FalseAcceptCount
For each Score in AcceptScoresList If Score > Threshold Increase FalseRejectCount
FalseAcceptRate = FalseAcceptCount / Length(AcceptScoresList) FalseRejectRate = FalseRejectCount / length(RejectScoresList) Add plot to error curve at (FalseRejectRate, FalseAcceptRate)
12
这两个错误率反映了系统的不足之处时，在一经营特定的阈值。理想情况下，这两个数字应该是零，但在现实中无论是远或减少财政资源规则（通过改变阈值）将不可避免地导致在增加其他。因此，为了描述一个完整的工作范围尤其是系统的，我们通过不同的分数范围的阈值来产生。每个阈值应用程序产生一个额外的容积率，财政资源规则对，它绘制在图表上时产生的错误率曲线所示。
图4-5 - 范例错误率曲线的验证测试生成
等错误率（能效比）可以被看作是点远远等于财政资源规则。这能效比值通常被用来作为一个单一的代表普遍承认的数字生物识别系统的性能和视觉比较容易允许多个方法。不过，重要的是要注意，能效比未注明级别错误，这将是在一个真实世界中的应用预期。这是不太可能有真正的 系统将使用一个阈值，这样的虚假承兑百分比等于拒绝虚假的百分比。安全网站接入系统通常会设置的门槛，例如虚假承兑汇票均显着高于假的则拒绝：不愿意容忍入侵者在访问不便否认成本。另一方面监控系统将要求低错误拒绝率成功地确定一个受控环境中的人少。因此，我们应该承担。记住，一个具有较低的能效比制度不一定是最好的表演实现其经营能力的极端。有一图形和接收器强大的连接操作特征（ROC）曲线，亦在此类实验中使用。这两个图是完全相同的结果，在这视觉效果，中国格式使用真验收率（西藏自治区），其中西藏自治区= 1.0 - 在地方财政资源规则的有关规则，有
13
效地翻转图垂直。另一个验证试验结果的可视化的，而且同时显示
了FRR和职能的阈值。此演示文稿格式提供一参照确定阈值要达到一个特定的FRR，该能效比可以被看作是点的两条曲线相交。
图4-6 - 范例错误作为得分率阈值函数曲线
这些错误的波动曲线，由于噪音和其他错误是依赖于人脸图像进行比较的数目便可生成的数据。只有一个小的数据集允许一个比较小的数目，一锯齿状曲线，将结果在其中大步骤对应于一个单一的形象影响了高比例比较的。作为第一个使用720 4.2.2图像（典型数据）提供258840核查行动，从而为1％，能效比下降代表了额外的2588正确的决策，而一个单一的图像质量可能会导致对能效比波动达0.28。
4.2.2结果
作为一个简单的实验，测试方法直接相关，我们应用技术上文所述的60 720图像不同的人从机场铁路在内，集测试人脸库[39]。每一个形象比喻的每一套测试其他图像产生相似评分，提供258840从中核查行动计算错误接受率和错误拒绝率。该错误产生的曲线如图4-7所示。
14
图4-7
我们看到了25.1％能效比产生，这意味着在能效比门槛大约有四分之一的所有核查活动的结果进行了一不正确的分类，有一对这个水平众所周知的原因。微小的变化，照明，或头部位置方向导致在图像空间发生很大变化。在面对空间图像被移到相对遥远的地方，这些图片拍摄条件，尽管是同一个人的脸。距离不同的人之间的形象变得比，面对覆盖面积较小的空间。由同一人的图像，因而拒绝虚假承兑汇票及虚假发生频繁。其他缺点包括大量的存储需要许多持有人脸图像和深加工为每个需要比较，为使这一方法适用于大型数据库应用程序不合适。在第4.3我们探索的特征脸方法，试图解决其中一些问题。
15
人脸识别文献翻译(中英文)
