本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 人臉偵測和人臉辨比較的概觀
<a name="face-feature-differences"></a>

Amazon Rekognition 可讓使用者存取包含臉部影像的兩個主要機器學習應用程式：臉部偵測和臉部比較。它們賦予臉部分析和身分驗證等重要功能，使其對從安全到個人相片組織的各種應用程式至關重要。

**臉部偵測**

人臉偵測系統解決了以下問題：「下圖中有人臉嗎？」 臉部偵測的關鍵層面包括：
+ **位置和方向**：決定影像或影片影格中臉部的存在、位置、縮放和方向。
+ **臉部屬性**：偵測臉部，無論性別、年齡或臉部毛髮等屬性為何。
+ **其他資訊**：提供有關臉部遮蔽和注視方向的詳細資訊。

**臉部比較**

臉部比較系統著重於問題：「一個影像中的臉部是否與另一個影像中的臉部相符？」 人臉比較系統功能包括：
+ **臉部比對預測**：將影像中的臉部與所提供資料庫中的臉部進行比較，以預測比對。
+ **臉部屬性處理**：處理屬性以比較臉部，無論表情、臉部毛髮和年齡。

**可信度分數和遺漏的偵測**

臉部偵測和臉部比較系統都會利用可信度分數。可信度分數表示預測的可能性，例如臉部是否存在或臉部之間是否相符。分數越高表示可能性越大。例如，90% 可信度表示正確偵測或比對的機率高於 60%。

如果臉部偵測系統未正確偵測臉部，或對實際臉部提供低可信度預測，則這是遺漏的偵測/偽陰性。如果系統錯誤地預測臉部存在的高可信度層級，則這是誤報/誤報。

同樣地，臉部比較系統可能不符合屬於同一人的兩個臉部 （缺少偵測/偽陰性），或可能錯誤地預測來自不同人的兩個臉部是同一個人 （偽警示/偽陽性）。

**應用程式設計和閾值設定**
+ 您可以設定閾值，指定傳回結果所需的最低可信度層級。選擇適當的可信度閾值對於根據系統輸出進行應用程式設計和決策至關重要。
+ 您選擇的可信度等級應反映您的使用案例。一些使用案例和可信度閾值的範例：
+ 
  + **相片應用程式**：較低的閾值 （例如 80%) 可能足以識別相片中的家人。
  + **高風險案例**：在遺漏偵測或錯誤警示風險較高的使用案例中，例如安全應用程式，系統應該使用更高的可信度。在這種情況下，建議使用較高的閾值 （例如 99%) 進行準確的臉部配對。

如需設定和了解可信度閾值的詳細資訊，請參閱 [在集合中搜尋人臉](collections.md)。