1. 项目启动与需求分析：人脸识别系统选型、业务场景定义、性能指标设定
说实话，我见过太多人脸识别项目翻车了。不是技术不行，而是从一开始就没想清楚「到底要解决什么问题」。
你想想看，一个刷脸门禁和一个金融支付系统，对算法的要求能一样吗？
所以这一章，咱们就把地基打牢。从选型到指标，一步步拆清楚。
1.1 人脸识别系统选型：别急着选算法
很多人一上来就问：「用哪个模型最好？」
我的习惯是——先问三个问题：
- 数据从哪来？ 摄像头型号？光照环境？角度范围？
- 部署在哪？ 云端？边缘盒子？手机端？
- 安全等级多高？ 刷个考勤，还是刷个支付？
这三个问题决定了你的选型方向。我曾在项目中踩过一个坑：客户要求「高精度」，结果选了超大模型，部署到边缘设备上跑不动，帧率只有 0.5 FPS。后来换了轻量级模型，精度只降了 0.3%，但帧率跑到了 30 FPS。值不值？你自己算。
选型核心原则：
- 场景优先 —— 室内/室外、静态/动态、单人/多人
- 硬件匹配 —— 算力、内存、功耗、摄像头分辨率
- 算法成熟度 —— 开源框架（InsightFace、FaceNet）vs 商业 SDK
下面这张图，是我自己总结的选型决策流程，你可以直接拿去用：
1.2 业务场景定义：把「模糊」变「清晰」
我见过最离谱的需求描述是：「我们要一个能用的刷脸系统。」
什么叫「能用」？每个人理解都不一样。所以，场景定义必须落到具体参数上。
| 场景 | 典型应用 | 关键约束 | 推荐策略 |
|---|---|---|---|
| 1:1 验证 | 手机解锁、闸机通行 | 光照变化、遮挡 | 活体检测 + 高阈值 |
| 1:N 识别 | 安防布控、考勤打卡 | 底库规模、检索速度 | 特征索引 + 分库策略 |
| M:N 动态识别 | 商场客流、课堂考勤 | 多人遮挡、跟踪丢失 | ReID + 轨迹关联 |
我的经验： 场景定义越细，后期返工越少。比如「考勤打卡」，你要问清楚：
- 是固定工位还是移动打卡？
- 是单人刷脸还是多人同时？
- 要不要戴口罩识别？
这些问题不搞清楚，后面测试阶段你会哭的。
1.3 性能指标设定：三个核心数字
人脸识别系统好不好，就看三个指标：准确率、误识率、通过率。但很多人把这三个概念搞混了。
1.3.1 准确率（Accuracy）
说白了就是「判断对的次数 ÷ 总次数」。但这里有个坑——如果正负样本不平衡，准确率会骗人。
举个例子：100 个人里只有 1 个是坏人，系统全判好人，准确率 99%。但这系统有用吗？没用。
1.3.2 误识率（FAR, False Accept Rate）
这是我最看重的指标。误识率 = 「不该通过的人通过了 ÷ 总非法尝试次数」。
我曾经帮一个金融客户调系统，他们要求 FAR 低于 0.001%。一开始觉得太严了，后来发现——金融场景，一次误识可能损失几十万。嗯，这个要求不过分。
1.3.3 通过率（Pass Rate）
也叫「识别通过率」，指的是合法用户一次刷脸就成功的比例。通过率低，用户体验就崩。
我见过一个考勤系统，通过率只有 70%。员工每天要刷三四次才能打卡成功，最后全跑去用指纹了。你说这系统上线有啥意义？
⚠️ 注意： 准确率、误识率、通过率三者是相互制约的。
- 阈值调高 → 误识率降低 → 通过率也降低
- 阈值调低 → 通过率升高 → 误识率也升高
你需要根据业务场景找到那个「甜点」。没有最优，只有场景最优。
1.4 指标设定实战：一个真实案例
我之前做过一个园区门禁项目。客户一开始说：「我们要 99% 准确率。」
我问：「那误识率呢？」
客户：「什么是误识率？」
——你看，这就是典型的需求不清晰。
后来我们坐下来，把场景拆成了三个维度：
- 安全等级： 核心机房区域 → FAR ≤ 0.01%，通过率 ≥ 95%
- 普通办公区： FAR ≤ 0.1%，通过率 ≥ 98%
- 食堂消费： FAR ≤ 1%，通过率 ≥ 99%
不同区域用不同阈值。系统上线后，投诉率下降了 80%。
指标设定清单（建议打印贴在墙上）：
- 明确场景类型（1:1 / 1:N / M:N）
- 确定安全等级（低 / 中 / 高）
- 设定 FAR 目标（金融级 ≤ 0.001%，门禁级 ≤ 0.1%）
- 设定通过率目标（用户体验级 ≥ 95%）
- 确定测试数据集（光照、角度、遮挡覆盖）
- 设定验收标准（三方共同签字确认）
嗯，这一章的内容就这些。记住一句话：需求分析阶段多花一天，测试阶段少花一周。