人脸识别技术中的误识率（False Accept Rate, FAR）和漏识率（False Reject Rate, FRR）是评估系统性能的两个关键指标：
1. 误识率（FAR）：这是指系统错误地将非目标个体识别为目标个体的概率。换句话说，就是在所有实际不是目标的人脸中，系统错误地认为他们是目标人脸的比例。例如，在安防系统中，高误识率可能导致未经授权的人被错误地识别为有权进入，从而造成安全漏洞；在支付系统中，则可能使非账户持有者能够通过人脸识别完成交易，威胁资金安全。在不同的应用场景中，对误识率的要求不同，如安防和支付领域要求误识率极低，通常在0.1%以下。
2. 漏识率（FRR）：与误识率相反，漏识率是指系统错误地将目标个体拒绝为非目标个体的概率。这意味着，尽管某人实际上是应该被识别的，但系统却未能正确识别出来。在考勤或手机解锁等场景中，高漏识率可能会导致合法用户无法顺利通过验证，影响用户体验。漏识率的计算是基于所有实际应被识别为正样本的人脸中，被错误拒绝的比例。
这两个指标在设计人脸识别系统时需要平衡考虑。理想情况下，我们希望误识率和漏识率都尽可能低，但这通常是一个权衡的过程，提高一方可能会导致另一方增加。系统设计者会根据具体应用场景的容忍度来调整算法，以达到最佳的平衡点。例如，安全敏感的应用可能更注重降低误识率，而用户体验敏感的应用可能更注重减少漏识率。
语音朗读：