人脸识别其实挺简单：从一张脸到一个名字

别被“人脸识别”四个字吓住

一说起人脸识别，很多人脑子里先跳出来的画面，不是机场安检，就是刷脸支付，再不然就是电影里黑客敲几下键盘，全城摄像头一起点亮。听起来很高级，像是得先念三年博士，再买一张显卡祭天。

可我最近写了一个小 demo，跑下来之后的感觉是：人脸识别入门并不神秘，真正难的是把它做可靠、做安全、做可控。 这话有点像说“写个 HTTP server 很简单，做一个高可用网关很难”。两句话都对，只是层次不同。

这个 demo 的源码已经放在 GitHub：walterfan/face-detection-demo。它用的是几件朴素工具：OpenCV 做人脸检测和 LBPH 识别，MediaPipe 做面部关键点，Poetry 管依赖。没有深度模型训练，没有云服务，也没有几十页论文。目的无他，先把链路跑通。

咱们先把大词拆开。检测回答“脸在哪里”，关键点回答“眼睛、鼻子、嘴大概在哪些位置”，识别才回答“这是谁”。很多文章把这三个词揉成一团，越讲越玄。其实工程里最怕的就是词没分清，词一混，设计就像一锅没撇沫的汤。

1. 整条链路只有四步

这个 demo 的主流程可以写成一行：

输入图片/摄像头 -> 检测人脸框 -> 裁剪灰度人脸 -> LBPH 比对 -> 输出名字和距离

换成脚本，就是这几个文件各司其职：

这里有个小设计我很喜欢：common.py 把输入源统一了。图片、视频、摄像头，在上层脚本看来都是一帧一帧的 frame。这就是典型的工程小技巧，谈不上惊天动地，但能让代码少很多分叉。

def iter_frames(source: str):
    if is_image_path(source):
        frame = cv2.imread(source)
        yield frame
        return

    cap = cv2.VideoCapture(_resolve_source(source))
    try:
        while True:
            ok, frame = cap.read()
            if not ok:
                break
            yield frame
    finally:
        cap.release()

从这个角度看，人脸识别的第一个“简单”，不是算法简单，而是流程可以被拆得很清楚。先把输入统一，再把检测、采样、训练、识别分开。代码不装深沉，读的人也少掉几根白头发。咱年纪大了，白头发已经够多，不必让 demo 再雪上加霜。

2. Haar：先把脸框出来

detect.py 用的是 OpenCV 自带的 Haar cascade，也就是经典的 Viola-Jones 思路。它的任务很单纯：在一张图里滑动窗口，看看哪个区域像人脸，然后返回 (x, y, w, h)。

在代码里，它大概长这样：

gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
gray = cv2.equalizeHist(gray)
faces = cascade.detectMultiScale(
    gray,
    scaleFactor=1.1,
    minNeighbors=5,
    minSize=(60, 60),
)

这里有三个关键词。

灰度化。检测人脸不一定需要颜色，灰度图计算更快，也更稳定。很多时候，算法并不需要知道你今天穿了红衣服还是蓝衣服，它只想看明暗结构。

直方图均衡。equalizeHist 用来改善对比度，弱光、背光时能帮一点忙。别指望它救回所有烂光线，它不是魔法，只是给图像擦擦眼镜。

多尺度检测。人离摄像头有远有近，脸有大有小，所以检测窗口要按比例缩放。scaleFactor=1.1 的意思就是每次缩放一点点，慢一些，但细一点。

Haar 的好处是轻、快、离线，教学演示很合适。它的问题也明显：侧脸、大角度、遮挡、光线差，它就容易犯迷糊。就像老保安认人，正脸来了基本没问题，帽子口罩墨镜一戴，就开始“你是哪位”。

3. MediaPipe：给脸画一张网

landmarks.py 不参与训练和识别主链路，它更像一个可视化工具。它用 MediaPipe Face Mesh 在脸上画 468 个 3D 关键点，再用 FACEMESH_TESSELATION 和 FACEMESH_CONTOURS 连成网。

运行一下：

poetry run python landmarks.py --source 0
poetry run python landmarks.py --source face.jpg --save mesh.jpg

你会看到脸上像戴了一张细密的“面具”。这东西很适合给初学者建立直觉：计算机看到的人脸，不是“这个人很亲切”这种抽象评价，而是一堆点、一堆边、一堆坐标。

传统 dlib 常讲 68 个关键点，MediaPipe Face Mesh 则是 468 个点，还带一点深度信息。点更多，能表达的局部结构也更细。比如眼睛轮廓、嘴唇边界、脸颊曲线，都能画得更像样。

不过在这个 demo 里，关键点不是识别身份的核心。真正负责“这是谁”的，是后面的 LBPH。Face Mesh 在这里更多是帮你看明白：所谓人脸特征，可以被拆成可计算的几何结构。听起来玄，画出来就朴素了。

4. LBPH：小样本识别的老手艺

train.py 和 recognize.py 用的是 OpenCV 的 cv2.face.LBPHFaceRecognizer_create()。这玩意儿藏在 opencv-contrib-python 里，不在普通的 opencv-python 里。安装时如果两个包混装，cv2.face 可能直接消失，排查起来像找袜子，明明昨晚还在，早上就没了。

LBPH 全名是 Local Binary Patterns Histograms。名字有点长，其实思路不复杂：

• 对每个像素，看它周围 8 个邻居比它亮还是暗；
• 亮记 1，暗记 0，拼成一个 8 位二进制数；
• 把整张脸分成很多小格子，每个格子统计这些数的直方图；
• 识别时，把新脸的直方图和训练样本做距离比较。

所以 LBPH 看的不是“这人长得像谁”，而是“这张灰度脸的局部纹理分布，和训练库里哪一类更接近”。它是老手艺，不炫，但对小样本、本地 demo、教学场景很友好。

采样时，capture.py 会做三件要紧的事：

x, y, w, h = max(faces, key=lambda b: b[2] * b[3])
face = cv2.resize(gray[y:y + h, x:x + w], (200, 200))
cv2.imwrite(path, face)

只取最大的脸，是为了避免把旁边路过的人也收进你的样本。裁剪成灰度，是为了和 LBPH 的输入习惯一致。统一缩放到 200x200，是为了保证训练和识别时特征维度一致。

这就是第二个“简单”：同一种预处理，贯穿采集、训练、识别。 很多机器学习问题不是输给模型，而是输给前处理不一致。训练时一套尺寸，预测时另一套尺寸；训练时做了灰度化，预测时忘了做。结果模型背锅，代码偷笑。

5. 跑起来其实就几条命令

这个项目用 Poetry 管依赖，Python 版本限定在 3.11 到 3.12。原因很现实：MediaPipe wheel 对 Python 版本有约束，verify 额外依赖的 scikit-learn 也有自己的下限。

先把源码拉下来：

git clone https://github.com/walterfan/face-detection-demo.git
cd face-detection-demo

安装依赖：

poetry install

如果要跑公开数据集验证，再装 extra：

poetry install --extras verify

看人脸检测：

poetry run python detect.py --source 0
poetry run python detect.py --source face.jpg --save out.jpg

采集两个人的数据：

poetry run python capture.py --username walter --label 1 --count 30
poetry run python capture.py --username fiona --label 2 --count 30

数据会保存成类似这样的目录：

dataset/
├── 1_walter/
│   ├── 000.png
│   ├── 001.png
│   └── ...
├── 2_fiona/
│   ├── 000.png
│   └── ...
└── labels.json

训练模型：

poetry run python train.py

训练后会生成：

model/lbph.yml
model/labels.json

识别：

poetry run python recognize.py --source 0
poetry run python recognize.py --source group.jpg --threshold 70

这里的 threshold 很关键。LBPH 返回的 confidence 不是“百分之多少可信”，而是一个距离，数值越小越像。70 不是宇宙真理，只是一个默认起点。你的摄像头、光线、样本数量、采样角度一变，这个阈值就要重新调。

如果不想拿自己的脸做实验，可以跑公开的 Olivetti/ORL 数据集：

poetry run python verify_olivetti.py --train-per-person 8

它会用 40 个人、每人 10 张的灰度人脸做训练和测试。这个脚本的价值不在于证明算法多厉害，而是证明你的 OpenCV contrib、LBPH、数据拆分、训练预测链路是通的。

6. 简单不等于可以乱用

讲到这里，可能有人会想：既然几条命令就能跑起来，那是不是可以拿它做门禁、考勤、支付验证？

先别急。能跑通 demo，和能扛真实世界，是两回事。就像你在本地起了个 Flask 服务，不代表它已经具备全球流量调度能力。做人脸识别，最容易踩的坑有五个。

坑一：检测和识别不是一回事

画面里有脸，不代表知道是谁。检测错了，后面识别也会错。检测框偏一点，裁剪出来的脸少半边，LBPH 的距离就会飘。

坑二：样本太少，模型会“认亲”

每个人只采几张正脸，光线还都一样，demo 里看着挺准。换个角度、换个灯、换个表情，结果可能马上变脸。训练样本要覆盖真实场景，否则模型只是记住了“你在书房台灯下的样子”。

坑三：confidence 不是信心，是距离

这个名字很容易误导人。很多人一看 confidence，就以为越大越好。LBPH 正好反过来，越小越像。阈值设太松，陌生人容易混进来；设太严，自己也可能被拒之门外。

坑四：人脸是隐私数据

dataset/ 里存的不是普通图片，而是生物特征样本。哪怕只是灰度小图，也不能随手丢到公开仓库里。教学 demo 可以放空目录和说明，真实采样数据要加访问控制、加密存储、明确删除策略。

坑五：活体检测和防伪不在这个 demo 里

拿一张照片、一段视频，甚至一张屏幕怼到摄像头前，教学级系统可能并不知道。这不是它“笨”，而是它本来就没做活体检测、攻击检测、风控策略。别把小刀当保险柜。

7. 如果真要做成产品，该怎么走

这个 demo 适合入门。如果要把它做成一个可实际应用的人脸识别产品，第一步不是换模型，而是先把问题问清楚：它到底在什么场景里，替谁做什么决定，错了会怎样？

人脸识别产品大致有三类场景，难度完全不同：

所以不要一上来就问“准确率能到多少”。更应该先问：我能接受多少误识别，能接受多少拒识别，出了错有没有补救流程？ 做产品不是刷榜，刷榜只管分数，产品要管后果。

第一步：先把威胁模型写出来

Demo 只面对一种“友善用户”：摄像头前的人愿意配合你，光线也不太捣乱。产品面对的是现实世界，现实世界从来不按剧本演。

最少要回答这些问题：

没有威胁模型，产品就会变成“看起来能用”。而安全系统最怕的就是“看起来”。就像门口放了个保安，但保安只认正脸照片，别人拿手机屏幕晃一下也放行，那还不如老老实实写个“请自觉登记”。

第二步：把算法链路升级成可替换架构

Demo 里用 Haar + LBPH 没问题，它们轻、快、好理解。产品里通常要拆成几个独立模块，便于替换和评估：

图像输入
  -> 质量检测
  -> 人脸检测
  -> 人脸对齐
  -> 活体检测
  -> 特征提取 embedding
  -> 特征库检索或 1:1 比对
  -> 阈值策略
  -> 风险决策
  -> 审计记录

这里有几个 demo 里没有、产品里绕不开的环节。

质量检测。图像太暗、太糊、脸太小、遮挡太多、角度太偏，都应该在前面拦掉。不要把垃圾输入硬塞给模型，再抱怨模型不准。输入质量不过关，就提示用户调整姿态和光线。

人脸对齐。检测框只是框出脸，人脸还要按眼睛、鼻子、嘴的位置做旋转和裁剪。否则同一个人，头歪一点，特征就可能变形。MediaPipe 或别的 landmark 模型，在这里就能派上用场。

特征提取。产品级识别一般不会用 LBPH 这种纹理直方图，而会用深度模型把人脸转成 embedding，比如 128 维、512 维的向量。后面做的不是“图片比图片”，而是“向量比向量”。常见路线是 FaceNet、ArcFace、MagFace 这类模型思路，具体选型要看许可证、性能、部署环境和数据表现。

阈值策略。不要全系统一个阈值走天下。不同摄像头、不同场景、不同风险级别，可以有不同阈值。比如相册归类可以松一点，门禁要严一点，支付则不能只靠脸，必须叠加其他认证因素。

第三步：把“注册”当成产品核心，而不是附属页面

很多人做人脸识别，只盯着识别接口。其实注册采集才是根。注册时样本质量差，后面模型再好也难救。

一个可用的注册流程，至少应该包含：

这里有个老手提醒：注册质量比识别算法更像地基。 地基歪了，楼上装修再漂亮也没用。很多系统上线后识别不稳，不是模型选错了，而是注册时什么照片都收，最后特征库像一间没人整理的仓库。

第四步：活体检测不能省

Demo 里摄像头看到一张脸就识别，产品里这不够。你要判断摄像头前是一个真实的人，而不是照片、视频、屏幕翻拍或面具。

活体检测大致有两类：

实际产品常常两者结合。低风险场景用静默式，风险升高时触发配合式。比如日常考勤可以轻一点，异地登录、设备异常、连续失败时再要求用户做动作。

不过别把活体检测神化。它不是护身符，只是提高攻击成本。专业攻击者总会进化，所以活体检测要和设备指纹、账号风险、地理位置、行为历史一起看。安全不是一招鲜，是多道门。

第五步：明确是 1:1 还是 1:N

这两个词看起来只差一个字母，工程复杂度差很多。

Demo 里的 recognize.py 更接近小规模识别，但产品上如果做身份确认，很多时候应该走 1:1：用户先声明身份，比如账号、工号、手机号，然后系统拿当前人脸和该账号绑定的人脸特征比对。

1:N 更敏感。库越大，误命中的概率越高，性能压力也越大。你需要向量索引、分库分区、候选集召回、二次排序，还要处理“长得像的人”“双胞胎”“同一人年龄变化”这些现实问题。别轻易把 1:N 用在高风险决策里，除非你有足够的业务理由和防错流程。

第六步：用数据闭环校准阈值，而不是拍脑袋

产品级系统必须关心两类错误：

阈值越松，用户越容易通过，但冒用风险上升。阈值越严，安全性提高，但本人也可能被拒。这里没有免费午餐，只能按业务风险做取舍。

更靠谱的做法是准备独立测试集：

注册集：用于建库
验证集：用于调阈值
测试集：用于最终评估
灰度集：用于上线后观察真实表现

测试集要覆盖不同光线、不同设备、不同年龄段、戴眼镜、换发型、轻微遮挡、多人背景等场景。不要只拿办公室同事在同一盏灯下拍的照片测，那种准确率容易让人误判，就像拿自己出的题考自己，分数当然漂亮。

第七步：把人脸数据当敏感资产管

产品级应用里，人脸原图、裁剪图、embedding、标签映射、识别日志，都属于高敏数据。即使 embedding 不是原图，也不能当普通字符串随便存。它仍然能代表一个人的生物特征。

基本要求包括：

还有一点容易被忽略：开发和测试环境不要使用生产人脸数据。真要排查问题，也应该用脱敏样本、合成样本或经过授权的测试集。否则哪天日志、备份、对象存储桶漏出去，事故报告会写得很难看。

第八步：产品体验要兜住失败

真实用户不会按算法工程师的理想姿势站在镜头前。他可能在地铁口，脸上有汗，背后有强光，手机摄像头还贴了膜。识别失败时，产品不能只甩一句 “failed”。

好的体验应该告诉用户怎么修正：

产品级系统一定要有 fallback。人脸识别不该是唯一入口，更不该是唯一出口。尤其在金融、医疗、企业权限这类场景里，用户被误拒以后要有申诉和人工处理流程。技术再好，也别把人关在系统外面干着急。

第九步：后端服务要按“身份系统”设计

Demo 是本地脚本，产品通常会变成服务。服务化之后，复杂度立刻上来：认证、授权、限流、审计、模型版本、特征库、缓存、告警，一个都跑不掉。

一个相对稳妥的后端拆法是：

接口也要小心。不要设计一个“传照片，返回用户是谁”的万能接口，然后让所有业务随便调。每个调用方都要有身份、权限、用途、速率限制和审计记录。否则人脸识别服务很容易变成内部“查人接口”，这在合规上很危险。

第十步：上线前要有验收门槛

产品不是“代码能跑”就上线。至少要过几道门：

我会特别强调灰度发布。人脸识别这种系统，实验室里再漂亮，也要到真实场景里走一圈。不同门口的光线、不同手机的摄像头、不同用户的使用习惯，都会给你上课。上线前少听口号，多看失败样本。

一张产品化路线图

如果把上面这些压成阶段，我会这样排：

这里最重要的不是换成多高级的模型，而是先问清楚：这个识别结果要拿来做什么决策？ 如果只是课堂演示，LBPH 足够。如果是家庭相册自动分类，误判了也就是多点一下鼠标。如果是开门、扣钱、放行，那就进入安全系统范畴，要求完全不同。

工程里有句老话，叫“先定义失败”。人脸识别也一样。你得先想清楚：认错一个人，代价是什么？认不出本人，代价是什么？系统被照片骗过，代价是什么？这些问题答不清，模型准确率写到 99% 也只是好看。

8. 给初学者的一张路线图

如果你也想从零开始练，我建议不要一上来就冲 ArcFace、向量数据库、GPU 推理服务。先用这种小 demo 把概念摸一遍：

第 1 天：跑 detect.py，看懂 Haar 检测框
第 2 天：跑 landmarks.py，看懂关键点和网格
第 3 天：用 capture.py 采 2 个人，每人 30 张
第 4 天：跑 train.py，生成 lbph.yml
第 5 天：跑 recognize.py，调 threshold
第 6 天：换光线、换角度、戴眼镜，记录失败案例
第 7 天：写一页总结，列出哪些场景不能用

注意，第 6 天最值钱。成功案例让你开心，失败案例让你长本事。很多工程经验就是这么来的：不是把 demo 跑绿，而是把它故意跑坏，再看它坏在哪里。

咱们学技术，最怕两种状态。一种是被名词吓住，觉得“这个我不配碰”；另一种是跑通一次，就觉得“这个我已经会了”。前者让人不敢开始，后者让人开始乱来。比较靠谱的路，是先承认它可以入门，再尊重它的边界。

小结：入门要轻，落地要重

人脸识别其实挺简单。至少，做一个能演示“从摄像头采集样本、训练 LBPH、识别出名字”的本地 demo，并不需要多神秘的装备。

可是，把它做成可信身份系统，就不简单了。你要处理数据隐私、样本偏差、阈值校准、攻击防护、活体检测、审计追踪，还要回答“认错了谁负责”这种不那么技术、却更要命的问题。

最后留一张 CheckList，给自己也给读者：

• 我是否分清了 detection、landmark、recognition？
• 采集、训练、识别是否使用同样的灰度化和尺寸？
• opencv-contrib-python 是否正确安装，且没有和 opencv-python 打架？
• confidence 是否按“距离越小越像”理解？
• 阈值是否用自己的数据校准过，而不是照抄默认值？
• 数据集里的人脸样本是否有隐私保护？
• 是否明确说明：这是教学 demo，不是门禁、支付或风控系统？
• 如果要产品化，是否已经写清威胁模型和失败补救流程？
• 注册采集、活体检测、1:1/1:N 模式、审计日志是否都有设计？
• 是否准备了独立测试集、灰度指标、模型回滚和数据删除机制？

一句话：入门时，把它当小练习；上线前，把它当安全系统。 图难于其易，为大于其细，技术也差不多是这个理。

@startmindmap
<style>
node {
  BackgroundColor White
}
rootNode {
    BackgroundColor #ffe0b2
    LineColor #f57c00
    LineThickness 4
}
</style>
* 人脸识别其实挺简单
** 拆清概念
*** Detection: 脸在哪里
*** Landmark: 关键点在哪里
*** Recognition: 这是谁
** 跑通链路
*** capture.py 采集样本
*** train.py 训练 LBPH
*** recognize.py 阈值判断
** 关键约定
*** 灰度化
*** 统一 resize 到 200x200
*** confidence 是距离
** 工程边界
*** 隐私保护
*** 阈值校准
*** 活体检测
*** 威胁模型
** 产品化路线
*** 明确场景和错误代价
*** 注册质量控制
*** 深度 embedding 架构
*** 1:1 与 1:N 分开设计
*** 数据闭环和灰度发布
*** 审计、合规、应急预案
** 一句话
*** 入门要轻
*** 落地要重
@endmindmap