本博客主要介绍了利用LFW数据集进行测量是dlib模型准确率的过程。 在粗犷的耳机入门介绍下，大神可以自己绕过。
LFW概述1 .面部检测测试数据库： fddb:http://vis-www.cs.umass.edu/fddb /
2 .面部识别测试数据库： lfw:http://vis-www.cs.umass.edu/lfw/# views
3. LFW (面部匹配数据集)不受约束的自然场景面部识别数据集。 该数据集由13000多张世界知名人士网络自然场景不同方向、表情、照明环境的人脸照片组成，共有5000多人，其中1680人拥有2张以上的人脸照片。 每个脸部图像都有唯一的名称ID和编号以示区别。 LFW数据集主要测试人脸识别的准确率，从中随机选择6,000组人脸构成人脸识别图像对。 其中，3000组是属于同一个人的两张脸部照片，3000组是属于不同个人的每人一张脸部照片。 测试过程LFW给出一对照片，询问测试中的两张照片是否是同一个人，系统会给出“是”或“否”的回答。 从6000对面部测试结果的系统回答和真实回答的比较中可以得到面部识别精度。
该集合被广泛用于评价face verification算法的性能。
13233 images 5749 people 1680 peoplewithtwoormoreimages4.技术报告(lfwtechnicalreport (http://vis-www.cs.umass.edu/lfw/lfw
5 .测试流程概述对dlib进行人脸识别网络训练后，获取dlib _ face _ recognition _ resnet _ model _ v1.dat。 通常，大家用LFW脸部数据集对该模型进行精度验证。 整理以下验证过程。
(1)在原来的LFW数据集中，切出脸部图像并保存。 (例如，可以使用开源面部检测定位seetaface来提取并存储面部crop。 建议用原始图像名称加上后缀来命名脸部图像。)
2 )通过python、matlab或c构建训练时的网络结构，加载dlib _ face _ recognition _ resnet _ model _ v1.dat。
)3)将截取的人脸发送到网络，每个人都可以得到网络前方运算的最终结果。 通常是n维向量，保存。 建议使用原始图像名称作为后缀进行命名。
)4) LFW提供6000组人脸识别txt文件，lfw_pairs.txt，其中前300人为同一个人的两幅人脸图像； 第二个300人是两个不同人的脸部图像。 根据该list，从3 )中保存的数据中找到与比较对象的脸相对应的n维的特征向量。
)5)用cosine距离/欧式距离计算两个人脸的相似度。 同一张脸和不同的脸分别保存在对应的得分矢量中。
)相同面部得分向量从小到大排序，不同面部向量从大到小排序。
)7) FAR )求出误认率(0(使用从1开始以万分之一为单位排序的向量，FRR )误认率)或TPR ) turepositiveratio )。
)8)根据7可以绘制ROC曲线。
6 .阈值确定(1)将待测试的一对面部分为10组，确定阈值，验证精读。
)2)自己生成人脸识别相似度阈值范围，在此范围内确认在一个个阈值以下，选择其中的一组数据统计同脸判定错误和异脸判定错误的个数。
)3)选择错误个数最少的阈值，在剩下的9组中判断识别精度。
(4)执行10次(步骤)和(3)，每次(3)将3 )中取得的精度进行累计并平均化，得到最终的判定精度。
另外，也可以进行如下置换
自己生成面部识别的相似度阈值范围，在该范围内在一个个阈值下，对所有面部对统计确认同面部判定错误和异面部判定错误的个数，计算判定精度。
LFW的pairs.txt
pairs.txt官方介绍
第1行： 300表示300个一致图像(同一个人)，10表示重复10次
Abel_Pacheco 1 4表示此文件夹中的Abel_Pacheco_0001.jpg和Abel_Pacheco_0004.jpg
300行以后与图像不再一致
由于一共重复10次构成完整的pairs.txt，所以一共3000 mached，3000个no_mached
得出准确率的思路就是：（正确判断出 matche的次数+正确判断 no_mached的次数） / 6000
很多网友都发了私信，问我pairs.txt怎么生成，我把自己的第一个代码上传到了github上。 希望能给初学者参考和帮助。 因为已经过了几年了，所以从以前的公司辞职了。 没有完整的代码。 存在只是自己原来的一点构想和草稿。 经过今天的整理，还能用，所以我先告诉你了。 需要改善的伙伴，自己优化吧。 哈哈。
项目地址： https://github.com/jobbofhe/lfw _ generate _ pairs.git