项目背景
用户拍照，算法模型分析照片，检测到人脸后进行人脸截取，并进行接下来的业务操作。对于照片中有多张人脸，计算离照片中心点最近的人脸。
（部分项目内容）
需求分析
算法是如何实现的
代码逻辑找算法工程师讲讲
测试点是什么？
是否可以正确检测到人脸，区分人脸和非人脸
检测到人脸后，人脸的截取是否合理，不会出现截取不全，截取多出，截取偏斜等不合理情况
人脸检测的评价，准确率、精确率、召回率
人脸检测的速度
照片中的多人脸，是否是检测截取离中心点最近的人脸
需要什么样的测试数据？
故不用业界有名的人脸识别数据库来测试。
APP也有人脸的检测，需要有较大部分人脸才会进行拍照（APP怎么实现的，待了解），所以不用太关注没有人脸的照片来进行测试。但还是需要用一些照片来验证下。就是不需要各种生活场景的各类物体来测试。
APP拍摄的照片–XXXX张
照片需要包括不同光线照明场景，尤其是弱光，光线不足，暗场景下的照片。
照片需要包括不同姿势（偏头、仰头、侧面）场景照片。
照片质量尽量包括不同的分辨率大小 。算法不处理300万像素以下的，所以不用关注低于300万像素照片。
照片人脸被物体（如眼镜、面膜、口罩、手等）遮挡场景照片。
照片中有多个人脸的照片。只考虑APP拍照情况下的多人脸，情况较少出现。
没有人脸照片–XX张
线上环境之前出现检测不到人脸的照片
测试数据要多少，照片要多少张合理。
测试进行
写测试代码，批量运行照片，保存人脸检测后，截取到的人脸照片。
测试结果查看
人工查看截取的人脸照片是否合理
人工查看多人脸照片截取的是离中心点最近的人脸
统计照片个数：
TP：实际有人脸，预测有人脸
TN：实际没有人脸，预测没有人脸
FP：实际没有人脸，预测有人脸
FN：实际有人脸，预测没有人脸
得到评价指标：
准确率(Accuracy) ＝ (TP + TN) / 总样本
精确率(Precision) ＝ TP / (TP + FP)
召回率(Recall) ＝ TP / (TP + FN)
人脸检测速度
批量运行照片，记录每张照片人脸检测耗时，数据格式转成numpy，使用numpy函数
得到最大值、最小值、平均值、中位数 等耗时数据。
上文内容不用于商业目的，如涉及知识产权问题，请权利人联系博为峰小编(021-64471599-8017)，我们将立即处理。
