人脸检测和人脸比较概述

Amazon Rekognition 为用户提供了两个主要的机器学习应用程序来获取包含人脸的图像：人脸检测和人脸比较。它们支持面部分析和身份验证等关键功能，这使得它们对于从安全到个人照片整理等各种应用都至关重要。

人脸检测

人脸检测系统可以解决这个问题：“这张照片里有脸吗？” 人脸检测的关键方面包括：

• 位置和方向：确定图像或视频帧中人脸的存在、位置、比例和方向。

• 面部属性：无论性别、年龄或面部毛发等属性如何，都能检测人脸。

• 附加信息：提供有关脸部遮挡和眼睛凝视方向的详细信息。

人脸对比

人脸比较系统侧重于这样一个问题：“一张图像中的人脸是否与另一张图像中的人脸匹配？” 人脸对比系统的功能包括：

• 人脸匹配预测：将图像中的人脸与提供的数据库中的人脸进行比较，以预测匹配结果。

• 人脸属性处理：处理属性以比较面孔，无论表情、面部毛发和年龄如何。

置信度分数和错过的检测

人脸检测和人脸比较系统都使用置信度分数。置信度分数表示预测的可能性，例如面孔的存在或面孔之间的匹配。分数越高表示可能性越大。例如，90% 的置信度表示正确检测或匹配的概率高于 60%。

如果人脸检测系统无法正确检测到人脸，或者对实际人脸提供低置信度预测，则属于漏检/误报。如果系统错误地预测了高置信度下的人脸存在，则这是误报/误报。

同样，面部比较系统可能无法匹配属于同一个人的两张面孔（错过检测/误报），或者可能错误地预测来自不同人的两张面孔是同一个人（误报/误报）。

应用程序设计和阈值设置

• 您可以设置一个阈值来指定返回结果所需的最低置信度。选择适当的置信阈值对于基于系统输出进行应用程序设计和决策至关重要。

• 您选择的置信度应反映您的用例。用例和置信度阈值的一些示例：

• • 照片应用程序：较低的阈值（例如 80%）可能足以识别照片中的家庭成员。

  • 高风险场景：在漏检或误报风险较高的用例（例如安全应用程序）中，系统应使用更高的置信度。在这种情况下，建议使用更高的阈值（例如 99%），以实现精确的面部匹配。

有关设置和理解置信阈值的更多信息，请参阅在集合中搜索人脸。