1.2 识别范式与整体流程

1.2 识别范式与整体流程

本节摘要：人脸识别不是一种单一操作，而是一组"识别范式"——一对一验证（核验你自称是谁）、一对多搜索（在海量库里找你是谁）、活体检测（确认眼前是活人而非照片）。本节把判断"该用哪种范式"的方法交给你，并把后续贯穿全书的七工位流水线一次排开，作为后面所有章节的空间坐标。

学习目标

阅读完本节，你应当能够：

1. 说出一对一验证、一对多搜索、活体检测三者的目标与本性问题。
2. 对照业务需要选对识别范式的组合。
3. 复述流水线的七个工位及各自"进什么、出什么"。

一、问题与直觉

三年前给公司大楼装门禁，采购问你："要验证还是搜索的？"你可能一时语塞——不都是刷脸吗？差别大了。门禁是"你说你叫张三，我核一下脸对不对"，这叫验证，库可能就几百人；可如果是警方从一段监控里捞出一个身影，要在几百万人的库底里指出"这人姓甚名谁"，这叫搜索，库是百万级。两者连评估指标都不同：验证关心"报销率"（让本人过，卡掉别人），搜索关心"能不能在头几名里找对人"。

再深一层还有第三种：无论是验证还是搜索，如果你遇到的设备抬起来的是张高清打印照片、一段翻拍的手机视频，模型一样会"放行"——因为它只看了"像不像"，没看"是不是活的"。所以真正上线的系统，几乎都额外带一层活体检测，专门区别真人和伪造物。理解这三种范式，是选型的第一道分水岭。

二、核心原理：三种范式与一条流水线

验证、搜索、活体：三台不同的断案台

验证的场景典型是手机解锁、刷脸支付、远程开户——你带着"我是我"的声明来，系统只做一道判断题。搜索的场景典型是安防追逃、海量库会员识别——系统主动从人群中指出身份。活体检测是个"守门员"，在验证或搜索都发无忧时，负责把照片、视频、面具挡在门外。大多数系统是这三者按需叠起来的：比如"1:N 找人 + 活体防伪"的组合，在零售会员识别中很常见。

七工位流水线：整套技术的骨架

无论哪种范式，底层都跑在一条几乎固定的流水线上。别看它长，每段只干一件事，下一段的输入恰是上一段的输出。

• 采集与预处理：拿到画面，去噪、调光、把色彩和尺度摊平，保证后段看得顺。
• 人脸检测：确定"有没有脸、框在哪里、大概多大多角度"。
• 人脸对齐：把检测框里歪着、偏着、大小不一的脸，摆成一个统一的标准网格（眼睛对准、鼻子居中）。
• 特征提取：把对齐后的脸编码成一段向量——几百维的浮点数，就是第 1.1 节说的"身份签名"。
• 特征比对：把新向量和库里注册过的向量逐一比较，算相似度／距离。
• 判定与活体：分数对阈值，落在界内则认下，界外则拒绝；关键场景再加活体检测把关。

按识别范式，前四段几乎通用，差别主要出在比对段的策略和二段后的活体。这条流水线在第 2 章会被逐段拆开、填进原理，第 3、4 章再给每段配上算法与工程实现。先记住它，后面所有知识都能在这条线上找到落脚点。

为了让你直观感受"检测—对齐—特征—比对"在代码层是什么手感，下面给出一个演示性的最小化骨架（示意，非完整实现）：

# 最小识别流水线的"分诊台"抽象
def step_detect(frame):    return bboxes     # 出一堆候选框
def step_align(bbox):      return aligned    # 摆正到标准网格
def step_embed(aligned):   return vector     # 压成身份签名
def step_match(vector, db):
    best, score = None, -1
    for pid, ref in db.items():
        s = cosine(vector, ref)              # 比较方向
        if s > score: best, score = pid, s
    return best, score

db = {"alice": embed(align(detect(photo_a))),
      "bob":   embed(align(detect(photo_b)))}
query_vec = embed(align(detect(live_shot)))
print(step_match(query_vec, db))             # 输出 (最接近的身份, 相似度分)
​

这段骨架的价值是把"七工位"压缩成四步可执行逻辑，并点出比对段的核心是"算相似度"。真实的工程远比这精细——检测要出多框、对齐要出 68 至 106 个关键点、特征要几百维、比对要上索引加速——这些分别在后面章节逐一展开。

三、工程实践要点

• 选范式看"你是否有一个待核身份"。用户声称自己是 X，那就 1:1；你不知道他是谁，才用 1:N。
• 1:N 的库一旦上百万，暴力逐条比对不可行，得上倒排索引＋向量检索，这部分在第 4.5 节展开。
• 活体检测永远别省在金融、门禁这类"冒充代价高"的场景，它决定了整道闸门的信用。

💡 关键直觉：验证是"判卷"，搜索是"查档"，活体是"验身"。三件事解决的问题不同，别指望同一个部署全部覆盖，也别把它们的指标混在一起写进一个验收报告。

⚠️ 常见坑：用验证场景的指标去验收搜索系统。1:1 的误识率再好看，也说明不了"在百万库里前 10 名找到人"有多难。

本节要点回顾

• 三种范式：验证 1:1（核验身份）、搜索 1:N（调库查档）、活体（验明真身），可叠加组合。
• 七工位：采集→检测→对齐→特征→比对→判定，末端按需接入活体。
• 选型口诀：有待核身份用验证，不知道是谁用搜索，代价高必加活体。
• 评估分离：验证、搜索、活体各有一套验收指标，不可混用。

这一章把总图立起来了。下一章就钻进流水线的第一个工位，从"图像到底是怎么送到检测前"讲起。