正在加载 AI 模型…
首次加载约 7-8MB,请稍候
FACE × AI × 六步流程

让计算机,看懂一张脸。

从摄像头采集到特征比对,六个环节一步步看清机器如何「认人」。使用左侧目录切换人脸识别、视频识别和 K-means 表情聚类。

🧭 人脸识别的六个环节

人脸识别不是一步完成的。从摄像头到「这是谁」,中间要经过六道工序。

前三步(采集 → 检测 → 预处理)在 01 人脸采集与检测 与 02 图像预处理 里演示
后三步(提特征 → 匹配 → 识别)分别对应 03 特征提取 与 04 匹配与识别
05 表情识别、06 年龄性别属于「属性分析」,是这条身份识别流程的延伸应用

💡 点击上面任一个环节,直接跳到对应的演示页面。

📷 环节①②:人脸采集与人脸检测

采集只负责「获取画面」,检测负责回答一个问题:这张图里,脸在哪里?

LIVE
采集到的人脸画面
Face 0.97
① 采集一帧画面…
①人脸采集
  • 采集做什么?通过摄像头、摄像机或录像设备,把现实中的人脸转换为图像或视频帧,作为后续处理的输入。
  • 采集设备:摄像头 / 摄像机 / 录像设备。
  • 本步骤暂不判断身份:采集只负责「获取画面」。此时还没有进行人脸定位、特征提取或身份识别。
②人脸检测
  1. 1

    扫描输入画面

    对采集到的图像或视频帧进行逐区域分析,寻找可能的人脸。

  2. 2

    定位人脸区域

    在画面中标出人脸边界框,并给出检测置信度。

  3. 3

    输出检测结果

    把定位到的人脸区域交给下一步「人脸图像预处理」。

🧹 环节③:人脸图像预处理

把不可控的「野性」人脸,变成可比对的「标准」人脸。

原始图像
📷 原始图像 包含颜色、光照、姿态等多重信息,体积大、干扰多。
灰度化
⚫ 灰度化 去除颜色信息,只保留亮度,减少光照干扰,计算量下降为原来 1/3。
尺寸归一化
📏 尺寸归一化 将不同大小的人脸缩放到统一尺寸(如 112×112),便于后续特征对比。
人脸对齐
📍 人脸对齐 以眼睛、鼻子为参考点旋转人脸,使五官位置对齐,纯化姿态差异。
💡 预处理的意义:将不可控的 「野性」人脸 变为可比对的 「标准」人脸,大幅提升识别准确率。
同一张脸,换个光照、角度、距离拍出来差别很大。如果不先统一,这些差异会被后面的网络误当成「不同的脸」。

环节④:人脸特征提取(68 个关键点)

使用 TinyFaceDetector + FaceLandmark68Net 在每张脸上回归 68 个特征点

Facial Landmarks · 68 Points

68 个面部关键点

TinyFaceDetector 完成人脸检测,FaceLandmark68Net 在脸上回归 68 个特征点, 覆盖脸颊轮廓、双眉、眼睛、鼻梁、嘴部。

实时数据
检测到人脸:0 FPS:-- 关键点:0

⚠️ 能力边界
· 模型基于公开人脸数据集训练,浅色人种 / 正面光线下表现最好
· 强逆光、侧脸超过 60°、口罩 / 墨镜遮挡时关键点会漂移
· 同时检测多张人脸时,远处的小脸可能漏检
· TinyFaceDetector 是为速度优化的轻量模型,精度低于服务端方案

📍 关键点密度 68 点
5 27 68 106

点越多,脸部轮廓越精细,但计算量也增加。

本演示模型固定输出 68 点;拖到 106 仍按 68 点显示,用来说明不同密度模型的差别。

🎚️ 检测阈值 0.50
0.1 0.5 1.0

阈值越低检出越多(也越容易误检),越高越严格。

拖动会立刻影响本页的检测框与关键点,可以现场对比效果。

💡 人脸被抽象为一组数字(特征向量),特征提取是让计算机「认识脸」的关键一步。

拓展:人脸表情识别

FaceExpressionNet 对 7 类基础情绪同时输出概率

Expression Recognition

⚠️ 关于精度的说明
本模型基于 FER2013(35,887 张 48×48 灰度图)训练,是浏览器端轻量方案,识别精度天然有限:
· 训练集本身存在标注偏差,人类标注一致率仅约 65%
· 对 东亚人脸表情 不如西方人脸样本表现好
· 微表情、混合情绪(如苦笑、勉强)无法识别
· 仅供体验和教学演示,不可用于真实情感判断

--

等待检测人脸…

💡 点击每个表情右侧的 i 图标查看经典动作要点,可对照模仿测试识别效果。

拓展:年龄性别识别

AgeGenderNet 同时输出预估年龄和性别(仅供娱乐,结果有误差)

Age & Gender

🎀 绅士模式
开启后女性年龄一律娱乐化呈现
预估年龄
--岁
 
性别
--
 

模型基于 UTKFace 数据集训练,对侧脸、化妆、特殊角度容易判断不准; 仅供体验,不要拿来当真。

用上传图片可以试试不同年龄段的照片,观察预测的偏差范围。

环节⑤:人脸匹配(1:1 比对)

提取两张脸的 128 维特征向量,计算欧氏距离判断是否为同一人

🎚 自定义判定阈值
相似度高于此值即判定为同一人
53%
💡 阈值越高判定越严格,可能把同一人也判成"不是";阈值越低判定越宽松,可能把不同人也判成"是"。53% 对应 face-api.js 推荐的距离 0.6,是工业界常用值。
Slot A未提供
选择"上传图片"或"拍照"
Slot B未提供
选择"上传图片"或"拍照"

◉ 环节⑥:人脸图像识别与应用

匹配算出分数之后,系统要给出结论——这就是「识别」。它分两种模式。

🔑
1:1 人脸验证
你是不是你宣称的那个人?

把采集到的人脸与「已声称身份的这个人」的模板比对,答对 / 不对。手机解锁、刷脸支付都属于这一类。

🔎
1:N 人脸辨识
这张脸是库中哪一个人?

把采集到的人脸与库中 N 个人的模板逐一比对,找出最像的那个(或查无此人)。校园闸机、考勤打卡属于这一类。

生活中的四个场景 点击图片下方标签可对照上面两种模式
校园闸机
🏫 校园闸机

在已注册学生库中比对,识别身份后放行。

1:N 辨识
手机解锁
📱 手机解锁

将摄像头采集的脸与机主特征比对。

1:1 验证
考勤打卡
🕘 考勤打卡

在员工库中辨识身份并记录考勤。

1:N 辨识
刷脸支付
💳 刷脸支付

输入手机号确认身份后比对人脸。

1:1 验证
💾 脸会被存下来吗?
不会存照片。系统只保存 一串数字(特征向量),原始图像处理完即丢弃。
好处有三:省空间(几 KB 的向量 vs 几十 KB 的图片)、护隐私(向量很难反推出人脸)、比对快(只需算向量距离)。