第一章：课程导论与项目全景
各位同学好，我是这门课的主讲人。在正式开始之前，我想先聊聊人脸识别这个技术——说实话，十年前我刚入行时，这还是个挺“科幻”的东西。那时候做一个人脸检测，OpenCV 的 Haar Cascade 跑起来都卡得要命。现在呢？手机解锁、公司打卡、甚至小区门禁，人脸识别已经无处不在。
这门课，我打算带你从零到一，完整地走一遍人脸识别系统的开发流程。不是那种只讲理论、不落地的课。咱们要做的，是一个真正能跑起来、能部署、能用的系统。
1.1 人脸识别技术发展史
人脸识别技术，说白了就是让计算机认出“你是谁”。这个想法其实很早就有了。我简单梳理一下几个关键节点：
- 1960年代：最早的人脸识别研究，靠人工标注面部特征点。效率极低，基本没法用。
- 1990年代：主成分分析（PCA）和线性判别分析（LDA）出现。这时候的算法，已经能处理一些简单的正面人脸识别了。
- 2010年代：深度学习爆发。卷积神经网络（CNN）让识别准确率一下子跳到了 99% 以上。我记得当时看到 DeepFace 的论文，心里就一个想法：这行要变天了。
- 现在：FaceNet、ArcFace 等算法已经非常成熟。配合海量数据和 GPU 算力，人脸识别已经可以做到“无感”体验。
核心观点：人脸识别的发展，本质上是特征提取能力的进化。从手工特征到深度学习，每一次跃升都带来了质的改变。
1.2 行业应用场景
人脸识别能干什么？我挑三个最典型的场景聊聊。
安防领域
这是我最熟悉的领域。我在项目中做过一个布控系统，就是在火车站、机场这种人流密集的地方，实时抓拍人脸，然后和黑名单库比对。嗯，这里要注意：实时性要求很高，通常需要控制在 200 毫秒以内。我曾经因为模型太大、推理速度跟不上，被客户骂了一顿。后来换了轻量级模型，才搞定。
金融领域
银行开户、支付验证，这些场景对安全性要求极高。说白了，你不能让一张照片就骗过系统。活体检测（比如眨眼、张嘴、摇头）就是在这里派上用场的。我建议你在做金融类项目时，一定要加上活体检测，否则后果很严重。
考勤系统
这个大家应该都接触过。公司门口刷脸打卡，方便是方便，但坑也不少。比如光线变化、角度偏移、戴眼镜或口罩……这些都会影响识别效果。我在做考勤系统时，遇到过最头疼的问题是：双胞胎怎么区分？后来靠增加训练数据中的相似人脸样本，才勉强解决。
| 场景 | 核心要求 | 常见坑 |
|---|---|---|
| 安防 | 实时性、高并发 | 模型推理速度慢 |
| 金融 | 安全性、防攻击 | 照片/视频欺骗 |
| 考勤 | 鲁棒性、易用性 | 光线、遮挡、相似脸 |
1.3 本课程技术栈概览
这门课我们会用到哪些工具？我列一下，你心里有个数。
- Python：不用多说，AI 领域的通用语言。我习惯用 Python 3.8+，库管理用 conda 或 venv。
- OpenCV：图像处理的老牌库。人脸检测、图像预处理、摄像头调用，都靠它。
- Dlib：一个 C++ 写的库，Python 接口也很好用。它的 68 点人脸关键点检测，我用了好多年，非常稳定。
- FaceNet：Google 提出的深度学习模型，专门做人脸特征提取。它能把人脸映射成一个 128 维的向量，然后通过向量距离判断是不是同一个人。
- Flask：轻量级 Web 框架。我们会用它搭建一个简单的 API 服务，让前端可以调用人脸识别功能。
我的建议：如果你之前没用过 Dlib，安装时可能会遇到一些坑（比如 CMake 编译失败）。别慌，网上有很多解决方案。我一般直接用 pip install dlib，如果不行就换 conda install -c conda-forge dlib。
1.4 项目最终效果演示
咱们这门课最终要做一个什么样的人脸识别系统？我简单描述一下：
- 注册功能：用户上传一张照片，系统提取人脸特征并存入数据库。
- 识别功能：用户通过摄像头拍照，系统实时检测人脸，然后和数据库中的特征进行比对，返回匹配结果。
- Web 界面：用 Flask 搭建一个简单的页面，用户可以在浏览器里操作。
说白了，就是一个迷你版的人脸识别门禁系统。你想想看，当你自己写的代码，真的能通过摄像头认出你是谁的时候，那种成就感还是很爽的。
注意：这个项目不会涉及复杂的分布式部署或高并发优化。我们的目标是让你理解核心流程，并能够独立完成一个可用的系统。如果你有更高的性能要求，可以在学完本课程后自行扩展。
好了，第一章就到这里。下一章，我们会开始搭建开发环境，把 Python、OpenCV、Dlib 这些工具都装好。到时候见。