本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 人脸检测和人脸比较概述
<a name="face-feature-differences"></a>

Amazon Rekognition 让用户能够访问两个主要的机器学习应用程序来处理包含人脸的图像，分别是人脸检测和人脸比较。它们支持人脸分析和身份验证等关键功能，因此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样一个问题：“这张图片中是否有人脸？” 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。
+ **人脸属性**：无论属性如何（性别、年龄或面部毛发等），都能检测人脸。
+ **其他信息**：提供有关面部遮挡和眼睛凝视方向的详细信息。

**人脸比较**

人脸比较系统重点解决这样一个问题：“一张图像中的人脸是否与另一张图像中的人脸匹配？” 人脸比较系统的功能包括：
+ **人脸匹配预测**：将图像中的人脸与所提供数据库中的人脸进行比较，以预测匹配结果。
+ **人脸属性处理**：处理属性以比较人脸，无论表情、面部毛发和年龄如何。

**置信度分数和漏检**

人脸检测和人脸比较系统均利用置信度分数。置信度分数表示预测的可能性，例如是否存在人脸或人脸之间是否匹配。分数越高，可能性就越大。例如，90% 的置信度表示正确检测或存在匹配的可能性高于 60%。

如果人脸检测系统无法正确检测人脸，或者对实际人脸提供低置信度预测，则为漏掉的 detection/false 阴性。如果系统在高置信度下错误地预测人脸的存在，则为 alarm/false 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（漏掉 detection/false 阴性），或者可能错误地预测来自不同人的两张面孔是同一个人（ alarm/false 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。选择适当的置信度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。
+ 所选的置信度应反映您的使用案例。使用案例和置信度阈值的一些示例：
+ 
  + **照片应用程序**：较低阈值（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使用案例（例如安全应用程序）中，系统应使用较高的置信度。在这种情况下，建议使用较高阈值（例如 99%），以实现精确的人脸匹配。

有关设置和了解置信度阈值的更多信息，请参阅[在集合中搜索人脸](collections.md)。