隨着AI 的浪潮發展，AI 的應用場景越來越廣泛，其中計算機視覺更是運用到我們生活中的方方面面。
作為一個測試人員，需要緊跟上 AI 的步伐，快速從傳統業務測試，轉型到 AI 的測試上來。而人臉識別作為機器視覺應用場景里最普及常見的一環，因此這一篇結合AI 的架構和核心，以及人臉識別來講一講，AI 怎么測試，以及 AI 測試與傳統測試的區別和共同點。
人臉識別和 AI的關系
先了解 AI兩個基本概念。
a) 計算機視覺
也稱為機器視覺，是指用攝影機和電腦代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做圖像處理，使電腦處理成為更適合人眼觀察或傳送給儀器檢測的圖像。
最好理解的場景，比如拍一個花的照片，通過機器學習自動告知用戶這是什么花。拍一個店鋪的照片，機器學習自動分析出店鋪的名字，以及店鋪的位置。
b) 生物識別
通過計算機，與光學、聲學、生物傳感器、統計學的概念手段結合，利用人體固有的生理特性和行為特征進行個人身份的鑒定。比如通過人的指紋，和數據庫錄入的指紋比較，判斷是否是同一個人。
機器視覺和生物識別都屬於AI 的應用領域，機器視覺和生物識別的本質，都在於對於圖像圖像的識別和比對。人臉識別，則是將機器視覺與生物識別結合，對人類的面部特征應用計算機視覺的一個典型場景。
怎么測試圖像識別
結合 AI 的架構和核心來分析。
1. 數據收集和處理
既然是視覺，必然是人肉眼所能看到的內容，動態和靜態的景、人、建築、動植物、書本等等，歸根結底可以認為是圖片。數據收集的過程是，在安裝拍照攝像設備之后，從動態的場景與復雜的背景中判斷是否存在識別的對象，並分離出對象。采集到照片。因此測試需要從至少這兩方面來考慮。
a) 采集的素材
圖片的像素、大小、清晰度、色彩、復雜度、噪聲等，會直接影響到計算機識別的結果。
舉個例子來說，下方的三個圖，對於肉眼和計算機學習去區分的難度是明顯不一樣的。識別的難度A一定小於B和C。
b) 采集的器材
圖片一般是用攝像頭拍攝獲得的，那么不同品牌和參數的攝像頭，拍攝出來的照片像素、清晰度、色彩，甚至是層次都會有差異。
2. 數據理解和特征提取
數據理解的目的在於，獲取到原始數據之后，分析數據的有效性，並且將數據里有用的， 並且將有典型特征的抽取出來。比如我們拍攝的各種照片，需要從中識別出是包含一朵花的，還是包含一個人的，是一輛自行車還是一輛小汽車。
這個唯一的解決方案是，讓機器拿到足夠多的樣本進行訓練，訓練的越多，模型將越准確。
測試模型的准確性，也要針對性的找足夠多足夠全的樣本。假設識別的對象是花，那么就盡可能的測試到各地、各類、各種顏色、各種角度的花，真實材質非真實材質等等。假設識別的對象是車，那么就盡可能的測試到各種類別、各種品牌、各種款式的車。
3. 模型構建、訓練和評估
計算機只會告訴我們比對的兩張圖片的相似程度，是80%或者是20%，但不會告訴我們這兩張圖里的內容是否是同一個東西。因此圖片比對一定會有一個閾值的概念。設置相似度大於x%的時候，視為比對通過，小於x%的時候，視為比對不通過。
設定閾值的過程就是模型評估。閾值設定過低，則比對通過率高，誤報率可能也會升高。閾值設定過高，則比對通過率低，誤報率可能也會降低也可能會增高。
測試時，需要不斷的嘗試不同的閾值，找一個通過率和誤報率的平衡點。要針對算法的優劣進行針對性的測試，因為有的算法過於嚴苛，有的算法不夠精准。
人臉識別和圖像識別的差異
人臉識別應用場景 VS 普通圖像識別應用場景
對於人臉來說，最大的問題在於面部特征部位多、可改變性強、面部表情豐富，並且具有動態變化的特性。
另外人臉識別主要用於銀行、機場、出入境的安防，因此相比一般的機器視覺來講，安全方面顯得更加重要。
AI 測試和傳統測試的異同點
綜合來說，AI 測試，需要結合 AI 的架構、算法和應用場景做針對性的測試。除此以外，一般性的功能、性能、兼容和傳統業務測試無異。
————————————————
版權聲明：本文為CSDN博主「alice_tl」的原創文章，遵循 CC 4.0 BY-SA 版權協議，轉載請附上原文出處鏈接及本聲明。
原文鏈接：https://blog.csdn.net/alice_tl/article/details/80314398