****************************************************************************
本文主要介绍AI图像识别人脸对比测试
1.测试需求分析
2.测试环境准备
3.测试数据准备
4.测试分析与执行
5.测试问题总结
****************************************************************************
一、需求分析
1）功能需求
AI照片自动归属（离线模型）：识别园长、教师、家长、亲友在成长时光、班级圈、亲子活动里面上传的照片，并与人脸基准库进行比对，得到照片的唯一标识和其中所包含孩子的唯一标识（集体照片可包含多个孩子）最终生成幼儿成长档案
2）测试需求点：
人脸基准库功能测试
人脸比对功能/模型评估测试
自动归属集成测试（现网定时任务测试）
3）图片比对流程图
二、测试环境准备（安装依赖包、TensorFlow库问题解决）
1） 安装依赖包（17个依赖包）
2）依赖Anaconda环境安装TensorFlow库，见下链接：
https://www.cnblogs.com/xjx767361314/p/11103817.html
三、测试数据的准备（与算法工程讨论的结果）
1）数据收集
幼儿：3--6周岁宝贝
照片格式：png，jpg
图片要求：基准库（最好正面上身照1个） 日常图片（5张左右）
图片关键信息：正面、侧面、单人照、集体照
2） 幼儿图片数据标注记录
3）幼儿数据标记后
四、测试执行与结果统计
1）分析测试过程： 首先生成幼儿基准库的特征向量，然后输入不同类型的待识别图片，根据数据标注验证图片的比对结果，统计比对结果输出模型评估效果
2）执行脚本，进行幼儿图片比对
3）识别结果分析（手工的方式比对执行结果，效率很低）
4）比对结果统计
五、测试问题总结
1）测试需求阶段没有明确模型效果，只对集体照片和模糊照模型效果不理想的情况进行了优化，测试不严谨。
2） 测试环境准备耗时4天，测试时间才4天，主要问题是第一次安装AI图片识别方向依赖包，tensorflow安装报错，最后发现与底层glibc库不兼容，其次是安装包近17个，相互存在依赖关系，利用国内镜像加快了安装速度。
3）现网的模型效果不是很好，主要原因是模型没有经过实际场景的数据训练，其实测试数据不足，而且与现网数据可能存在差异，收集的测试集可能太过理想，实际幼儿图片质量不高，以后测试应该尽量收集贴近实际场景的数据。
4）测试数据标记没有专门的数据标注员，测试人员手工标记数据，如果测试数据量大势必增加时间成本，还在寻找好的方法。
5） 测试结果比对效率低，目前是根据标注的数据与测试结果数据进行一一比对分析，根据项目情况尽量实现自动化校验，自动化输出结果统计。