一、人脸识别概述：从技术演进到系统落地

人脸识别，说白了就是让计算机认出「你是谁」。这个技术这几年火得不行，从手机解锁到机场安检，几乎无处不在。我最早接触人脸识别是在2015年，那时候准确率还不太行，稍微换个角度就认不出来了。现在呢？很多算法已经超过人眼识别能力了。

1.1 人脸识别技术发展史

人脸识别技术经历了几个关键阶段，我把它总结成三个时代：

时代	时间	核心技术	代表方法
1.0 传统方法	1990s-2010	手工特征 + 分类器	Eigenface、LBP、Haar
2.0 深度学习	2012-2018	CNN + Softmax	DeepFace、FaceNet、ArcFace
3.0 端到端	2019-至今	Transformer + 自监督	ViT、MAE、AdaFace

1.0 时代： 那时候全靠人工设计特征。我记得最早做项目时，用OpenCV的Haar级联检测人脸，再用LBP特征做识别。效果嘛……光线一变就崩了。但那个年代硬件不行，只能这么干。

2.0 时代： 2012年AlexNet横空出世，人脸识别也搭上了深度学习的快车。2014年DeepFace在LFW数据集上达到97.35%，我第一次看到这个结果时，说实话，挺震撼的。后来FaceNet提出三元组损失，ArcFace用角度间隔优化分类边界——这些现在都是标配了。

3.0 时代： 最近两年Transformer架构杀进来了。ViT（Vision Transformer）直接把图像切成patch做自注意力，效果居然比CNN还好。我去年在项目中试了ViT-Base做特征提取，在百万级底库下，召回率比ResNet100高了将近2个点。

1.2 主流应用场景

人脸识别现在渗透到各行各业了。我挑三个最典型的场景聊聊：

安防场景

这是人脸识别最大的市场。公安追逃、重点区域布控、出入口管控，全是刚需。我在2018年参与过一个城市级安防项目，底库有500万人脸，每天过卡量超过100万次。那时候最大的挑战不是算法精度，而是工程稳定性——7×24小时不能断，单次比对延迟必须小于200ms。

安防场景有几个特点：

• 底库大： 百万到千万级，需要高效的索引结构（比如IVF、HNSW）
• 环境复杂： 光照、角度、遮挡变化大，对算法鲁棒性要求高
• 实时性要求高： 抓拍后秒级响应，不能让人等

金融场景

银行开户、支付验证、远程柜员机，这些场景对安全性要求极高。金融场景的人脸识别，说白了就是「你是谁」+「你是活人」两个问题。

金融场景的核心要求：

• 活体检测： 防止照片、视频、3D面具攻击。我见过最狠的攻击是用硅胶面具，连毛孔都仿真了。所以现在主流方案都是「动作活体+红外活体」双重校验
• 高精度： 误识率必须低于十万分之一，否则金融风险太大
• 合规性： 需要满足《个人信息保护法》，人脸数据不能随便存

考勤场景

这个场景看起来简单，其实坑不少。公司考勤机、工地闸机、学校门禁，每天成千上万次打卡。我做过一个企业考勤项目，最头疼的问题是「化妆识别」——女同事今天画了个浓妆，系统就不认了。

考勤场景的特点：

• 注册样本少： 通常每人只拍1-3张照片，不像安防可以积累多角度
• 环境可控： 室内为主，光照相对稳定
• 速度优先： 打卡通过时间最好小于1秒，否则上班高峰期会排长队

1.3 系统整体架构

一个完整的人脸识别系统，不是只有算法模型就完事了。我习惯把系统拆成四个模块：检测 → 对齐 → 特征提取 → 比对。每个环节都影响最终效果。

先看整体流程：

输入图像 → [人脸检测] → [人脸对齐] → [特征提取] → [特征比对] → 输出结果
                ↓            ↓            ↓            ↓
            找到人脸     矫正角度     生成512维向量   计算相似度

第一步：人脸检测

检测就是「人脸在哪」的问题。传统方法用Haar级联或HOG+SVM，现在主流是MTCNN、RetinaFace、YOLO-Face。我目前在项目中用RetinaFace居多，它在WIDER Face数据集上mAP能到96%以上，而且支持5个关键点检测，方便后续对齐。

检测环节要注意：

• 小脸检测： 摄像头距离远时，人脸可能只有几十个像素。RetinaFace用了特征金字塔，对小脸友好很多
• 遮挡处理： 口罩、墨镜、帽子都会影响检测。我建议训练时做数据增强，随机遮挡一部分人脸区域
• 速度优化： 检测模型通常用轻量级Backbone（比如MobileNet），在边缘设备上也能跑30fps以上

第二步：人脸对齐

对齐是为了消除姿态差异。你想想看，一个人正脸和侧脸的特征差距，可能比不同人的正脸差距还大。所以必须先把人脸「摆正」。

对齐的流程：

1. 检测5个关键点（左眼、右眼、鼻尖、左嘴角、右嘴角）
2. 计算仿射变换矩阵，将关键点映射到标准位置
3. 对图像做旋转、缩放、裁剪，得到112×112的对齐图

第三步：特征提取

这是系统的核心。特征提取模型把对齐后的人脸图像，映射成一个固定长度的特征向量（通常是512维或256维）。这个向量要满足：同一个人距离近，不同人距离远。

主流特征提取模型：

模型	Backbone	特征维度	LFW精度	特点
FaceNet	Inception-ResNet	128	99.63%	三元组损失，训练难度大
ArcFace	ResNet100	512	99.83%	角度间隔，工业界最常用
AdaFace	ResNet50	512	99.82%	自适应间隔，对低质量图友好

我个人习惯用ArcFace+ResNet100的组合。虽然模型大一点（约250MB），但精度确实稳。在边缘设备上，可以换成MobileFaceNet，模型只有4MB，精度也能到99%以上。

第四步：特征比对

比对就是算相似度。把待识别的人脸特征向量，和底库里的所有特征向量做比对，找到最相似的那个。

比对方式有两种：

• 1:1 验证： 判断「这个人是不是他声称的那个人」。比如手机解锁，比对两张人脸是否同一人。阈值通常设为0.5-0.7（余弦相似度）
• 1:N 识别： 判断「这个人是谁」。比如安防布控，在底库里找最相似的人。N越大，挑战越大

比对环节的优化点：

• 索引加速： 当底库超过10万时，暴力比对太慢了。用IVF（倒排文件索引）或HNSW（分层可导航小世界图），可以把百万级检索压缩到10ms以内
• 阈值调优： 阈值不是拍脑袋定的。我建议用验证集做ROC曲线，根据业务需求选点——安防场景更看重召回率，金融场景更看重精确率
• 多帧融合： 单帧识别可能不准。我在项目中常用「3帧投票」策略，连续3帧都识别为同一个人，才输出结果，误报率能降低一个数量级

下一章，我会详细讲人脸检测的实战——从MTCNN到RetinaFace，包括模型选型、训练技巧和工程部署。到时候咱们再细聊。