vlambda博客
学习文章列表

随着AI 的浪潮发展，AI 的应用场景越来越广泛，其中计算机视觉更是运用到我们生活中的方方面面。

作为一个测试人员，需要紧跟上 AI 的步伐，快速从传统业务测试，转型到 AI 的测试上来。而人脸识别作为机器视觉应用场景里最普及常见的一环，因此这一篇结合AI 的架构和核心，以及人脸识别来讲一讲，AI 怎么测试，以及 AI 测试与传统测试的区别和共同点。

先了解 AI两个基本概念。

a) 计算机视觉

也称为机器视觉，是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。

最好理解的场景，比如拍一个花的照片，通过机器学习自动告知用户这是什么花。拍一个店铺的照片，机器学习自动分析出店铺的名字，以及店铺的位置。

b) 生物识别

通过计算机，与光学、声学、生物传感器、统计学的概念手段结合，利用人体固有的生理特性和行为特征进行个人身份的鉴定。比如通过人的指纹，和数据库录入的指纹比较，判断是否是同一个人。

机器视觉和生物识别都属于AI 的应用领域，机器视觉和生物识别的本质，都在于对于图像图像的识别和比对。人脸识别，则是将机器视觉与生物识别结合，对人类的面部特征应用计算机视觉的一个典型场景。

结合 AI 的架构和核心来分析。

1. 数据收集和处理

既然是视觉，必然是人肉眼所能看到的内容，动态和静态的景、人、建筑、动植物、书本等等，归根结底可以认为是图片。数据收集的过程是，在安装拍照摄像设备之后，从动态的场景与复杂的背景中判断是否存在识别的对象，并分离出对象。采集到照片。因此测试需要从至少这两方面来考虑。

a) 采集的素材

图片的像素、大小、清晰度、色彩、复杂度、噪声等，会直接影响到计算机识别的结果。

举个例子来说，下方的三个图，对于肉眼和计算机学习去区分的难度是明显不一样的。识别的难度A一定小于B和C。

图a、图b和图c  

b) 采集的器材

图片一般是用摄像头拍摄获得的，那么不同品牌和参数的摄像头，拍摄出来的照片像素、清晰度、色彩，甚至是层次都会有差异。

2. 数据理解和特征提取

数据理解的目的在于，获取到原始数据之后，分析数据的有效性，并且将数据里有用的， 并且将有典型特征的抽取出来。比如我们拍摄的各种照片，需要从中识别出是包含一朵花的，还是包含一个人的，是一辆自行车还是一辆小汽车。

这个唯一的解决方案是，让机器拿到足够多的样本进行训练，训练的越多，模型将越准确。

测试模型的准确性，也要针对性的找足够多足够全的样本。假设识别的对象是花，那么就尽可能的测试到各地、各类、各种颜色、各种角度的花，真实材质非真实材质等等。假设识别的对象是车，那么就尽可能的测试到各种类别、各种品牌、各种款式的车。

3. 模型构建、训练和评估

计算机只会告诉我们比对的两张图片的相似程度，是80%或者是20%，但不会告诉我们这两张图里的内容是否是同一个东西。因此图片比对一定会有一个阈值的概念。设置相似度大于x%的时候，视为比对通过，小于x%的时候，视为比对不通过。

设定阈值的过程就是模型评估。阈值设定过低，则比对通过率高，误报率可能也会升高。阈值设定过高，则比对通过率低，误报率可能也会降低也可能会增高。

测试时，需要不断的尝试不同的阈值，找一个通过率和误报率的平衡点。要针对算法的优劣进行针对性的测试，因为有的算法过于严苛，有的算法不够精准。

1. 人脸 VS 普通图像

对于人脸来说，最大的问题在于面部特征部位多、可改变性强、面部表情丰富，并且具有动态变化的特性。

因此在数据收集的时候要考虑：
λ 不同性别、年龄、人种、民族的人脸，因为五官的特征差异度很大。
λ 人脸正对摄像头的，上倾、下倾、左倾和右倾不同角度的
λ 环境亮度正常和黑暗的时候，逆光、向光、弱光和强光的情况
λ 有佩戴黑框眼镜或墨镜的情况
λ 头发正常色和染色的情况
λ 人脸和非人脸的表现，尤其是跟人脸最相似的动物，比如猩猩、猿猴。

2. 人脸识别应用场景 VS 普通图像识别应用场景

人脸识别主要用于银行、机场、出入境的安防，因此相比一般的机器视觉来讲，安全方面显得更加重要，需要重点测试人脸识别的抗攻击能力。

在上一篇文章里讲过，人脸识别的流程主要存在四个环节：人脸捕获、活体检测、人脸采集、人脸比对。

攻击的行为一般是照片、面具和视频，比如：
λ 翻拍后的照片攻击。
λ 人脸面具，高仿真面具。
λ 长相相似度很高的人脸，软件合成的虚拟人脸等等。

λ GIF 图像和录制拼接的视频等等。

综合来说，AI 测试，需要结合 AI 的架构、算法和应用场景做针对性的测试。除此以外，一般性的功能、性能、兼容和传统业务测试无异。