1、课程导学与环境准备：人脸识别技术概述、应用场景分析、Python环境与OpenCV安装、项目结构规划

1.1 人脸识别技术到底在做什么？

说白了，人脸识别就是让计算机学会「认脸」。不是简单地看照片，而是从一张脸中找到独一无二的特征点——眼睛间距、鼻梁高度、下颌轮廓，然后把这些特征转成一串数字，再跟数据库里的特征做比对。

我刚开始接触这个领域时，总觉得人脸识别跟图像分类差不多。后来踩了坑才发现，人脸识别要解决的核心问题是「同一个人在不同光线、角度、表情下，还能被认出来」。这比单纯分类难得多。

整个技术链条可以拆成三步：

1. 人脸检测——从图片里把人脸框出来
2. 特征提取——把脸转成一组数学向量
3. 特征比对——算两个向量的距离，判断是不是同一个人

1.2 应用场景分析——不只是刷脸打卡

你可能觉得人脸识别就是手机解锁、公司打卡。其实远不止这些。我参与过的项目里，有几个场景特别典型：

场景	核心需求	技术难点
安防门禁	实时检测、1:N 比对	光照变化大、遮挡多
考勤系统	高精度、防照片攻击	活体检测、多人同时出现
智慧零售	会员识别、客流统计	大角度侧脸、低分辨率
身份认证	1:1 验证、低延迟	安全合规、隐私保护

举个例子，我在做智慧零售项目时，客户要求识别进店顾客是不是会员。你以为很简单？实际上顾客可能戴着口罩、帽子，光线忽明忽暗，摄像头角度还歪。最后我们不得不加了一个「人脸质量评估」模块，先判断这张脸够不够清晰，再决定要不要做识别。

1.3 环境准备——Python 与 OpenCV 安装

嗯，这里要注意。很多同学一上来就装最新版 Python，结果 OpenCV 不兼容，折腾半天。我个人习惯用 Python 3.8 或 3.9，这两个版本对 OpenCV 的支持最稳定。

安装步骤其实很简单，但有几个坑我得提前说：

1.3.1 Python 环境

我建议用虚拟环境，别把依赖装到全局。曾经有一次我图省事，直接在系统 Python 里装了一堆包，结果另一个项目需要降版本，搞得一团糟。

# 创建虚拟环境
python -m venv face_rec_env

# 激活（Windows）
face_rec_env\Scripts\activate

# 激活（Mac/Linux）
source face_rec_env/bin/activate

1.3.2 OpenCV 安装

OpenCV 有两个版本：opencv-python（基础版）和 opencv-contrib-python（包含扩展模块）。人脸识别需要用到 contrib 里的 face 模块，所以直接装后者。

pip install opencv-contrib-python==4.5.5.64

1.3.3 验证安装

装完后跑一小段代码验证一下：

import cv2
print(cv2.__version__)

# 检查 face 模块是否可用
print(cv2.face.__file__)

如果没报错，说明环境搭好了。如果报 AttributeError: module 'cv2' has no attribute 'face'，那就是装成了基础版，换成 contrib 重装就行。

1.4 项目结构规划——别等代码写多了再重构

我见过太多人上来就写一个 main.py，所有代码堆在一起。等代码写到 2000 行，想拆都拆不动。这个课程的项目结构，我提前规划好：

face_recognition_server/
├── app/                    # 核心应用代码
│   ├── __init__.py
│   ├── detector.py         # 人脸检测模块
│   ├── encoder.py          # 特征提取模块
│   ├── recognizer.py       # 识别比对模块
│   └── utils.py            # 工具函数
├── data/                   # 数据存储
│   ├── known_faces/        # 已知人脸库
│   └── temp/               # 临时文件
├── models/                 # 预训练模型文件
├── tests/                  # 单元测试
├── config.py               # 配置文件
├── requirements.txt        # 依赖清单
└── server.py               # API 入口

为什么这么分？

• 模块化：每个模块只做一件事，改检测算法不影响识别逻辑
• 可测试：每个模块都能单独写单元测试
• 可扩展：以后加活体检测、加新算法，加个文件就行，不用动老代码

1.5 本章知识体系总览

下面这张图把本章的核心知识点串起来了。你可以把它当作整个课程的地图：

1.6 本章小结

这一章我们做了三件事：

• 搞清楚了人脸识别到底是什么——检测、提取、比对，三步走
• 看了真实场景——不同场景的技术侧重点不一样，选型前先想清楚
• 搭好了开发环境——Python 虚拟环境 + OpenCV contrib，版本锁死 4.5.x