x,y向量之間余弦距離定義如下：

余弦距離或歐式距離越大，則兩個特征值相似度越低，屬于同一個人的可能性越小。如下圖，他們的臉部差異值為0.4296 大于上文所說的該模型最佳閾值0.36，此時判斷兩人為不同的人，可見結果是正確的。

把歸一化為-1到1的圖像數(shù)據(jù)、特征點提取模型的參數(shù)還有人臉數(shù)據(jù)庫輸入到人臉比對的函數(shù)接口face_recgnition，即可得人臉認證結果。程序接口的簡單調用方式如下所示：

人臉比對算法的準確率方面是以查準率為保證的，AUC (Area under curve)=0.998,ROC曲線圖如下所示：

我們設計的比對模型主要特點是模型參數(shù)少、計算量少并能保證高的準確率，一定程度上適合在嵌入端進行布置。對比其他人臉比對模型差異如下表格所示：

far@1e-3表示將反例判定為正例的概率控制在千分之一以下時，模型仍能保持的準確率；

dlib在實際測試中，存在detector檢測不出人臉的情況，導致最終效果與官網上有一定差異；

resnet-18為pytorch的playground標準模型；

lfw/agedb_30/cfp_ff為標準人臉比對測試庫，測試過程中圖片已經過人臉居中處理。

5.人臉反欺詐

從技術角度來說，人臉是唯一不需要用戶配合就可以采集的生物特征信息。人臉不同于指紋、掌紋、虹膜等，用戶不愿意被采集信息就無法獲得高質量的特征信息。人臉信息簡單易得，而且質量還好，所以這引發(fā)了有關個人數(shù)據(jù)安全性的思考。而且在沒有設計人臉反欺詐算法的人臉識別系統(tǒng)使用手機、ipad或是打印的圖片等都能對輕松欺騙系統(tǒng)。

所以我們采用多傳感器融合技術的方案，使用紅外對管與圖像傳感器數(shù)據(jù)進行深度學習來判斷是否存在欺詐。紅外對管進行用戶距離的判斷，距離過近則懷疑欺詐行為。圖像傳感器用深度學習算法進行二分類，把正常用戶行為與欺詐用戶行為分為兩類，對欺詐用戶進行排除。

二分類算法能夠有效抵抗一定距離的手機、ipad或是打印圖片的欺詐攻擊。對人臉欺詐數(shù)據(jù)集與普通人臉數(shù)據(jù)集預測如圖所示：

本二分類算法在100萬張圖片中準確分類的概率為98.89%,所以并不會對整體系統(tǒng)的準確率進行影響，保障系統(tǒng)的可靠性。

6.算法優(yōu)化