1.1 定义与六十年演进之路

1.1 定义与六十年演进之路

本节摘要：人脸识别（Face Recognition）是基于生物特征的身份识别技术，它让计算机从图像或视频里自动完成"检测到人脸—提取特征—判定身份"这一连串动作。本节从定义出发，沿六十年技术年表走一遍，你会看到每一次"断案思路"的更替，以及为什么今天的答案叫"深度学习特征"。

学习目标

阅读完本节，你应当能够：

1. 用一句话区分人脸识别与人类看图，说清它"认"的是什么。
2. 说出演进中三次关键转折的时间与动因。
3. 判断某条技术路线属于几何派、统计派还是学习派。

一、问题与直觉

先看一个你会亲历过的场景。深夜加班回家，楼道里光线昏黄，你掏出手机，屏幕亮起，前置摄像头扫过你的脸，锁开了。整个过程不到一秒。但你有没有想过：同样是你这张脸，早上屏幕能解锁，晚上贴着面膜、戴了半张脸的黑框眼镜，锁还是开了——它到底"认"到了什么？

人眼看图，靠的是整体判断：这脸的神情、轮廓、熟悉感。机器完全不是这么回事。给计算机一张照片，它看到的只是几十万个亮度数值，至于哪块是鼻子、哪块是眉毛，它一开始一无所知。人脸识别要做的，就是从这堆数字里抽出一段"稳定的、可重复的、和别人不同的签名"，下次再见这张脸时拿签名去对账。一句话：人脸识别，是把一张脸变成一段可反复对账的"身份签名"的技术。

这句话里藏着它和"人脸检测""人脸比对"的区别。检测只回答"有没有脸，框在哪"；比对回答"这两段签名像不像"；识别才是完整的"采集到判定"。很多场合这几个词被混用，但搞清边界，后续读代码、看指标才不糊。

二、核心原理：三次断案思路的更替

若要给这段历史画出一条主线，那就是"人到底该由谁来定义什么是脸"。前几代靠人手工定规则，最后深度学习干脆把"定义什么叫像"交给了数据。

第一代：几何量脸（1960s—1970s）

早期计算机算力金贵，Woody Bledsoe、Charles Bisson 等人走了最直接的路：人工在照片上标出眼睛、鼻子、嘴角的位置，然后量它们之间的距离和比例——眼距、鼻宽、口鼻距——作为"脸谱"。听起来很合理，问题也立现：手标成本高得离谱，而且一旦家人换个表情，比例全变。

# 极简的几何脸谱示意：把关键点坐标压缩成一串比值
landmarks = {"left_eye": (30, 28), "right_eye": (58, 28),
             "nose_tip": (44, 45), "mouth": (44, 61)}
def geosign(lm):
    eye_w = lm["right_eye"][0] - lm["left_eye"][0]      # 眼距
    mouth_h = lm["mouth"][1] - lm["nose_tip"][1]        # 鼻口距
    return eye_w, mouth_h                               # 两三个数当"身份签名"
print(geosign(landmarks))   # 输出 (28, 16)
​

这段代码的真意不在数值，而在思路：把"一个人长什么样"压缩成极少数几何量。它几乎不能用于任何真实场景，却点破了后来一切的动机——压缩。

第二代：统计降维（1980s—1990s）

Knby、Sirovich 和后来的 Turk、Pentland 换了个玩法：不再手工挑指标，而是对整批人脸照片做主成分分析（PCA），找出最能区分彼此的那几条"平均脸分量"，这就是著名的特征脸（Eigenfaces）。紧跟着的 LDA/Fisherfaces 更进一步，用上了类别信息，朝"更分得开"的方向投影。这一代奠定了"把人脸投到低维子空间再比距离"的模板，也是第 3 章要细讲的数学核心。

第三代：手工视觉特征（2000s）

Viola-Jones 的级联分类器让"快速找脸"第一次上了消费级硬件，Haar 特征加 AdaBoost 成了那个时代检测的事实标准。特征提取端则流行局部二值模式（LBP）、方向梯度直方图（HOG）这类对光照相对不敏感的手工纹理特征。这一代的好处是轻快可解释，代价是"特征由人设计"——人想不到的特征，它就没有。

第四代：深度学习（2012 至今）

2012 年 AlexNet 在 ImageNet 上夺冠，人脸识别随即迎来拐点。DeepFace、DeepID、FaceNet 相继登场：不再手写规则，卷积网络从海量人脸里自己学出判别性极强的特征，配合第 3 章会讲的三元组损失、角度间隔损失，识别率跃过了人眼水平。前置条件是数据与算力——MS-Celeb-1M 这类千万级数据集，加上 GPU 的普及，"从数据里学什么叫像"第一次成为现实。

下面这张时间线把四次更替叠在一张图上，方便你一眼记住"哪一代靠人、哪一代靠数据"。

图：人脸识别四代演进时间线

图：演进时间线

这张图把四代方案按时间排开，横轴是年份，纵向是"定义者"的转移。注意色彩由红转绿，对应的正是"人制定特征"到"数据学特征"的转变——这也是今天一切人脸识别方案都以深度学习为主题的根。

如果嫌时间线太密，下面这张继承关系图只看"谁接谁的班"：

四代的对比可以在一个表里收干净：

⚠️ 别当着"淘汰"看这段历史。深度学习成了主流，不代表前几代被丢进垃圾堆：光照稳定的窄场景至今仍有人用传统方案省钱省电。真正的判断标准始终是"特征从哪来"以及"你的数据够不够多"——这也决定了第 3 章选型的方向。

💡 一句话记住演进：每一代更替，回答的都是同一个问题——"什么叫像"由谁定义。从人量比例、统计压缩、手工算子，到最终交给千万级数据自学，这条主线贯穿整部人脸识别史。

三、这一节的坑与判断

• 别把"检测"和"识别"混成一步。检测只负责出框，识别才负责出身份，两套模型、两种评估，混用会直接把流程设计带偏。
• 别迷信"越新越好"。光照稳定的门禁场景，一个轻量的传统方案够用又便宜；只有在面对千万级开放库、跨姿态跨光源时，深度特征的优势才充分兑现。
• 判断一个方案属于哪一代，看它的"特征从哪来"：人定的几何量、统计压缩、手工视觉特征、还是网络自学。这是最快的一句话判别法。

本节要点回顾

• 主干判定：人脸识别 = 把脸压缩成可对账的身份签名，检测出框、比对出分、识别出人。
• 四代演进：几何量脸 → 统计降维 → 手工视觉特征 → 深度学习，定义者从人走向数据。
• 课题主线：一切技术更替都在回答"什么叫像"，今天由千万级数据回答。
• 结论：识别效果的物理下限，由"特征的稳定性与可分性"共同决定。

你已经理解了历史的脉络，下一节我们把视线收回到当下，把"断案流水线"的工位一个个排开，建立全书的空间总图。