10.5.2 人脸检测与识别【选修】

本节定位

人脸任务看起来像“只是检测一个特殊目标”， 但真实系统通常至少包含：

• 找到脸
• 对齐
• 提特征
• 比较相似度

所以这节更重要的是理解：

人脸系统往往是一条流水线，不是单个模型。

学习目标

• 理解人脸检测、对齐和识别之间的区别
• 通过可运行示例理解特征比对的直觉
• 理解人脸系统为什么特别关注误识和隐私问题
• 建立人脸任务的整体流水线感

---

先建立一张地图

人脸任务最适合新人的理解方式不是“一个模型识别人脸”，而是先把完整流水线看清：

flowchart LR
    A["输入图像"] --> B["人脸检测"]
    B --> C["人脸对齐"]
    C --> D["特征提取"]
    D --> E["相似度匹配 / 身份识别"]

这条线一旦理清，你就不会把人脸系统误以为只是“检测一个特殊类别”。

一个更适合新人的总类比

你可以把人脸系统想成机场值机的三步：

1. 先找到旅客是谁
2. 再把证件摆正、对齐
3. 最后才拿来和系统里的档案做比对

这样理解后，人脸识别就不会再像：

• 一个神秘的“认人模型”

而更像：

• 一条先整理输入、再做比较的流水线

一、人脸识别系统通常有哪些步骤？

1. 检测：先找到脸在哪
2. 对齐：把角度和姿态尽量规范化
3. 表示：提取人脸向量
4. 匹配：比较向量相似度

为什么“对齐”这一步经常被低估？

因为很多新人会天然觉得：

• 把脸框出来就够了

但实际系统里，如果人脸角度、姿态、裁切范围差太多， 后面的 embedding 往往会明显不稳定。

所以对齐的作用更像是：

先把输入拉回到一个更可比的状态。

---

二、先看一个最小相似度比对示例

from math import sqrt

face_a = [0.9, 0.2, 0.1]
face_b = [0.88, 0.22, 0.12]
face_c = [0.1, 0.8, 0.9]


def cosine(a, b):
    dot = sum(x * y for x, y in zip(a, b))
    na = sqrt(sum(x * x for x in a))
    nb = sqrt(sum(x * x for x in b))
    return dot / (na * nb)


print("a vs b:", round(cosine(face_a, face_b), 4))
print("a vs c:", round(cosine(face_a, face_c), 4))

预期输出：

a vs b: 0.9994
a vs c: 0.3034

face_a 和 face_b 非常接近，而 face_c 在 embedding 空间里离得很远。真实系统里，这个分数还需要配合阈值和拒绝策略一起使用。

这个例子最重要的直觉

人脸识别很多时候不是直接分类名字， 而是：

• 看两张脸的表示是否足够接近

新人第一次学这节，最该先记什么？

最值得先记的其实是：

• 检测负责“先把脸找出来”
• 对齐负责“把姿态拉回更可比的状态”
• 识别很多时候是在比较 embedding，而不是直接输出名字

阈值为什么会直接影响系统体验？

因为阈值本质上是在决定：

• 多像才算同一个人

阈值设得太松：

• 容易误识

阈值设得太严：

• 容易漏识

这类问题通常不只是模型问题，而是系统配置问题。

再看一个最小“阈值怎么改变结果”示例

similarities = [0.93, 0.81, 0.68]
threshold = 0.8


def match_results(scores, threshold):
    return ["same_person" if score >= threshold else "different_person" for score in scores]


print(match_results(similarities, threshold))

预期输出：

['same_person', 'same_person', 'different_person']

阈值为 0.8 时，前两个分数会被接受为同一个人，最后一个会被拒绝。如果提高阈值，中间那个样本可能从“接受”变成“拒绝”。

这个示例很小，但它能帮助新人立住一个系统直觉：

• 人脸识别很多时候不是“模型告诉你答案”
• 而是“模型给分数，系统再根据阈值做决定”

读图提示

人脸系统不是一个模型：检测先找脸，对齐让输入可比，embedding 做相似度表示，阈值决定 same / different。阈值太松会误识，太严会漏识。

---

三、最常见误区

只看检测，不看对齐

对齐往往会直接影响后续识别稳定性。

只看相似度，不看阈值风险

阈值设太宽容易误识， 设太严又容易漏识。

忽略隐私和合规

人脸任务几乎天然带有更高合规要求。

只展示成功识别，不展示误识和拒识

如果只展示：

• 成功认出了谁

那这个项目更像演示，而不像系统。 更像真实项目的展示应该同时包括：

• 正确识别
• 错误匹配
• 本该拒绝但阈值太松的样例
• 本该识别却被阈值拒掉的样例

四、为什么这一节特别适合训练“系统思维”？

因为它会逼你意识到：

• 单一模型结果不等于完整系统能力
• 阈值、误识、漏识、合规都会进入最终判断

这和很多真实 CV 系统都很像。

一个新人可直接照抄的学习顺序

更稳的顺序通常是：

1. 先理解检测
2. 再理解对齐
3. 再理解 embedding 相似度
4. 最后再看阈值和系统风险

如果一开始就只盯识别模型，反而最容易看不懂整条链。

如果把它做成项目，最值得先展示什么

更像真实项目的展示顺序通常是：

1. 原图中的检测框
2. 对齐前后对比
3. 两张脸的 embedding 相似度
4. 不同阈值下的匹配结果
5. 误识 / 漏识 / 拒识案例

这样读者一眼就能看懂：

• 问题出在检测
• 还是对齐
• 还是阈值本身

---

如果把它做成项目，最值得展示什么

• 检测结果
• 对齐前后对比
• embedding 相似度对比
• 不同阈值下的误识 / 漏识变化

这样会比只贴“识别成功截图”更像真正项目。

---

留下的证据

学完这一页，至少保留这张证据卡：

场景边界

人脸、视频、OCR、3D、医疗，或其他视觉场景

输入样本

源图像/帧/文档以及期望的输出类型

结果工件

提取文本、跟踪事件、深度线索、诊断标记，或审查备注

失败检查

隐私、光照、时间漂移、布局、标定或领域风险

期望产出

带指标或人工复查说明的场景特定产物

小结

这节最重要的是建立一个系统判断：

人脸检测与识别不是单一模型问题，而是一条从检测到匹配的完整流水线。

这节最该带走什么

• 人脸系统本质上是流水线
• embedding 和阈值决定后续匹配体验
• 这类系统天然比普通视觉任务更需要考虑风险和合规

练习

1. 自己构造几组向量，看看相似度阈值怎么影响匹配判断。
2. 为什么说人脸系统特别依赖阈值设置？
3. 对齐为什么会影响识别质量？
4. 想一想：人脸系统为什么要特别重视隐私？

解题思路与讲解

1. 相似度阈值越高，false accept 会减少，但 false reject 会增加；阈值越低，匹配更容易通过，但误匹配和冒用风险会上升。
2. 人脸系统特别依赖阈值，因为最终决策常常不是模型直接给出的类别，而是相似度分数是否越过某条边界。
3. 对齐会提升识别质量，因为它减少姿态和裁剪差异，让 embedding 更像是在比较身份，而不是比较脸的位置。
4. 人脸系统必须格外重视隐私，因为生物特征数据非常敏感。授权、存储、保留周期、访问控制和公平性都要写清楚。