# facial_liveness_detecton_tester 中心化人脸活体检测性能评测

**Repository Path**: szrd2023/facial_liveness_detecton_tester

## Basic Information

- **Project Name**: facial_liveness_detecton_tester 中心化人脸活体检测性能评测
- **Description**: 中心化人脸活体检测性能评测
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2024-12-16
- **Last Updated**: 2024-12-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 活体检测评估工具

本项目包含两个主要脚本，用于评估活体检测算法的性能。

## 1. 单一算法评估 (liveness_evaluation.py)

### 功能
- 对单个活体检测算法进行性能评估
- 生成多个评估指标和可视化图表
- 记录错误识别的案例

### 输出内容
1. 评估指标图表：
   - FAR曲线：不同阈值下的假脸被错误接受率
   - FRR曲线：不同阈值下的真脸拒绝率
   - Recall曲线：不同阈值下的真脸识别率
   - HTER曲线：不同阈值下的半总错误率
   - ROC曲线：真接受率vs假接受率
   - 真脸/假脸照片的得分分布图

2. CSV文件：
   - 全部照片的活体检测结果
   - 最佳阈值下真脸误判为假脸(FN)的照片列表
   - 最佳阈值下假脸误判为真脸(FP)的照片列表

### 使用方法

```markdown:readme.md
# 活体检测评估工具

本项目包含两个主要脚本，用于评估活体检测算法的性能。

## 1. 单一算法评估 (liveness_evaluation.py)

### 功能
- 对单个活体检测算法进行性能评估
- 生成多个评估指标和可视化图表
- 记录错误识别的案例

### 输出内容
1. 评估指标图表：
   - FAR曲线：不同阈值下的假脸被错误接受率
   - FRR曲线：不同阈值下的真脸拒绝率
   - Recall曲线：不同阈值下的真脸识别率
   - HTER曲线：不同阈值下的半总错误率
   - ROC曲线：真接受率vs假接受率
   - 真脸/假脸照片的得分分布图

2. CSV文件：
   - 全部照片的活体检测结果
   - 最佳阈值下真脸误判为假脸(FN)的照片列表
   - 最佳阈值下假脸误判为真脸(FP)的照片列表

### 使用方法
```python
from liveness_evaluation import evaluate_liveness
import numpy as np

# 设置参数
real_folder = "path/to/real/faces"    # 真脸图片文件夹
fake_folder = "path/to/fake/faces"    # 假脸图片文件夹
provider = "1"                        # 算法提供商编号
thresholds = np.linspace(0.5, 2, 16) # 评估阈值范围

# 运行评估
metrics_df = evaluate_liveness(real_folder, fake_folder, provider, thresholds)
```

## 2. 多算法序列组合评估 (evaluate_sequential_results.py)

### 功能
- 评估多个算法按特定顺序组合使用的效果
- 支持设置每个算法的独立阈值
- 统计每个算法的实际使用情况

### 工作原理
1. 按指定顺序依次尝试每个算法
2. 当某个算法的得分达到其阈值时，使用该算法的结果
3. 如果所有算法都未达到阈值，使用最后一个算法的结果

### 使用方法
```python
from evaluate_sequential_results import evaluate_sequential_results

# 指定各算法的结果文件路径（按使用顺序）
csv_paths = {
    '3': 'provider3/results.csv',
    '1': 'provider1/results.csv',
    '2': 'provider2/results.csv'
}

# 设置每个算法的阈值
thresholds = {
    '3': 0.8,  # 算法3的阈值
    '1': 0.7,  # 算法1的阈值
    '2': 0.6   # 算法2的阈值
}

# 运行评估
results_df = evaluate_sequential_results(csv_paths, thresholds)
```

### 输出内容
- 序列组合的性能指标（TP、TN、FP、FN、召回率等）
- 每个算法的使用频率统计
- 详细的评估结果CSV文件

## 安装依赖

```bash
pip install -r requirements.txt
```

## 注意事项
1. 确保图片文件夹中只包含支持的图片格式（jpg、png等）
2. 所有图片路径不要包含中文字符
3. 评估结果会自动保存，文件名包含时间戳
4. 建议先使用单一算法评估获取各算法的最佳阈值，再进行序列组合评估
```