4. 匹配算法调优：距离度量、分数归一化与融合
匹配算法是整个识别系统的“裁判”。裁判判得准不准，直接决定了误识率和拒真率能不能降下来。我个人习惯把这一章分成三个环节：怎么算距离、怎么把分数拉到一个尺度上、怎么把多个分数合起来用。咱们一个一个聊。
4.1 距离度量选择：欧氏距离 vs 余弦相似度
先问个问题：两个特征向量，怎么判断它们“像不像”？
最常用的两种方式：欧氏距离和余弦相似度。它们看问题的角度完全不同。
| 度量方式 | 关注点 | 典型场景 | 对误识率的影响 |
|---|---|---|---|
| 欧氏距离 | 向量在空间中的位置差 | 人脸特征点坐标、指纹细节点 | 对光照、尺度敏感，容易拉高误识 |
| 余弦相似度 | 向量之间的夹角（方向一致性） | 深度学习特征嵌入、声纹特征 | 对模长不敏感，能降低光照干扰 |
我在项目中遇到过一件事：用欧氏距离做人脸1:1比对，同一个人的两张照片，因为一张打了侧光，距离直接飙到0.8以上，被判为不同人。换成余弦相似度之后，分数稳定多了。说白了，如果你的特征模长本身不可靠，就别用欧氏距离。
我的经验：深度学习提取的embedding，优先试余弦相似度。传统手工特征（比如LBP、HOG），欧氏距离更直接。拿不准就两个都跑一遍，看ROC曲线谁更靠左上角。
4.2 分数归一化：把分数拉到同一个起跑线
你想想看，不同传感器、不同光照、不同算法模块出来的分数，量纲都不一样。一个模块打0.95，另一个模块打0.6，直接相加？那肯定出问题。
分数归一化就是干这个的。我常用的方法有三种：
- Min-Max归一化：把分数线性映射到[0,1]区间。简单，但容易受极端值影响。
- Z-Score归一化：减去均值除以标准差。适合分数分布接近正态的场景。
- Rank归一化：按分数排名映射到[0,1]。鲁棒性最强，但会丢失数值信息。
我曾经在一个多模态融合项目里，指纹和虹膜的分数范围差了10倍。直接用Min-Max归一化后，虹膜模块的极端高分把融合权重全带偏了。后来换成Rank归一化，误识率直接降了0.3%。
注意：归一化的参数（均值、标准差、最大最小值）必须在训练集上计算，不能在线上实时算。否则同一个样本在不同时间比对，分数会变，系统就不稳定了。
4.3 匹配分数融合：1+1 > 2 还是 1+1 < 2？
多模态、多算法、多视角的分数怎么合？融合做得好，误识率和拒真率能同时降。做不好，反而互相拖后腿。
我习惯把融合策略分成两类：
- 分数级融合：直接对归一化后的分数做加权和、乘积、最大值等操作。计算快，适合实时系统。
- 决策级融合：每个模块先独立判“是/否”，再用投票、AND/OR规则做最终决策。鲁棒性高，但会损失分数中的细粒度信息。
下面这张图是我自己总结的融合决策流程，你可以参考：
具体到分数级融合，我常用的公式就三个：
// 加权和融合
score = w1 * s1 + w2 * s2 + ... + wn * sn
// 乘积融合（适合各模块独立）
score = s1 * s2 * ... * sn
// 最大值融合（适合“一票通过”场景）
score = max(s1, s2, ..., sn)
核心原则：权重w不是拍脑袋定的。我习惯用验证集上的等错误率（EER）来反推权重——哪个模块EER低，权重就高。别用主观经验，数据说话。
4.4 避坑指南：我踩过的三个坑
做匹配算法调优这些年，有些坑我反复踩过。分享出来，你少走弯路。
- 坑一：余弦相似度直接当距离用。余弦相似度范围是[-1,1]，但很多距离度量算法要求非负。我吃过亏，后来统一转成
1 - cosine_similarity，再映射到[0,2]区间。 - 坑二：归一化参数用全量数据算。有一次我把测试集也混进去算均值和标准差，结果线上效果崩了。记住，归一化参数只能从训练集来。
- 坑三：融合权重一次定死。环境会变，传感器会老化，用户习惯会变。我建议每隔一段时间用最近的数据重新校准一次权重。
嗯，匹配算法调优这块，说到底就是“度量选对、分数拉齐、融合合理”。这三步走稳了，误识率和拒真率自然就下来了。