误识率与拒识率如何解读

误识率与拒识率不是“识别准不准”的两个同义指标，而是同一套比对系统在两类错误上的不同表现。前者关注“把不该认成同一个人的对象认对了”，后者关注“本应认出的人却被系统挡在外面”。脱离具体场景，只报出其中一个指标，往往会造成对系统风险的误读。

两种错误，方向相反

误识率，即 False Match Rate（FMR），指两个不同个体被系统判定为同一人的概率。在门禁、支付、公共安全等高敏感场景中，误识意味着错误授权、错误关联，甚至可能引发不当处置。因此，涉及身份确认或执法辅助时，通常更应严控误识率，不能把算法候选结果直接当作最终事实。

拒识率，即 False Non-Match Rate（FNMR），指同一人的两次人脸样本未能被系统匹配成功的概率。它常表现为本人无法通过验证、重复采集仍失败，或在光照变化、角度偏移、遮挡条件下识别不稳定。拒识率过高未必直接造成错误放行，却会带来流程中断、人工复核增加和用户体验下降。

阈值决定取舍

人脸比对通常会根据相似度设置判定阈值。阈值提高，系统会变得更谨慎：误识率可能下降，但更多真实匹配会被拒绝，拒识率随之上升；阈值降低，则通过更容易，拒识率可能下降，却会扩大误识风险。二者不是简单地“同时越低越好”，而是需要结合业务后果确定优先级。

例如，便利性优先的通行场景可以容忍一定程度的拒识，再由人工或其他方式完成确认；涉及高风险身份判断的场景，则应把较低误识率置于更前的位置，并保留人工核验与申诉纠错机制。尤其在人口统计组之间可能存在性能差异时，只看总体指标并不足够，还应审视不同群体的误识与拒识表现。

真正有意义的性能披露，应当说明测试条件、比对任务、阈值选择及两类错误率之间的关系。把误识率理解为“错认他人”的风险，把拒识率理解为“漏认本人”的代价，才能避免用一个漂亮的准确率掩盖真实部署中的安全、公平与可用性问题。