2、人脸库构建基础：数据采集规范、图像质量评估、隐私合规与数据脱敏

说实话，很多人脸识别项目翻车，不是算法不行，而是最开始的「地基」没打牢。你想想看，一个生产级的人脸库，每天可能要处理几十万甚至上百万张图片。如果采集阶段就埋了雷，后面再怎么调模型都白搭。

这一章，我就把我在多个项目中踩过的坑、总结的经验，掰开揉碎了讲给你听。

2.1 数据采集规范：别让源头出问题

数据采集不是拿个摄像头随便拍就完事了。我见过太多团队，采集时图省事，结果后期清洗数据花了两倍时间。

2.1.1 采集环境与设备要求

先定个标准。我个人习惯把采集环境分成三个等级：

等级	光照条件	分辨率要求	适用场景
L1 受控环境	均匀光照，无阴影	≥ 1080p	证件照、考勤注册
L2 半受控环境	自然光 + 补光	≥ 720p	门禁、闸机
L3 无约束环境	任意光照	≥ 480p	安防监控、检索

这里有个坑：千万别混用不同等级的数据去训练同一个模型。我曾经有个项目，把 L1 的证件照和 L3 的监控截图混在一起训练，结果模型在真实场景下直接崩了——它根本没见过那么多噪声。

2.1.2 人脸姿态与角度规范

人脸不是平面，角度太偏就没法用。我一般要求采集时满足：

• 俯仰角：±15° 以内
• 偏转角：±30° 以内
• 旋转角：±15° 以内

超过这个范围，人脸关键点检测的误差会急剧上升。说白了，你拿一张侧脸 90° 的照片去建库，检索时基本等于白费功夫。

2.2 图像质量评估：把坏图挡在门外

图像质量评估（IQA）是人脸库的第一道安检。我习惯把它分成三个维度：

2.2.1 清晰度与模糊检测

模糊是人脸库的头号杀手。运动模糊、对焦模糊、散焦模糊，每一种都得处理。

常用的方法是拉普拉斯方差（Laplacian Variance）：

import cv2

def is_blurry(image, threshold=100):
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    laplacian_var = cv2.Laplacian(gray, cv2.CV_64F).var()
    return laplacian_var < threshold

这个阈值怎么定？我建议你先拿 1000 张人工标注过的图片跑一遍，找到分界线。不同场景下阈值差异很大——室内灯光下可能是 80，户外强光下可能要到 150。

2.2.2 光照与曝光评估

过曝和欠曝都会让特征提取失效。我常用的指标是：

• 平均亮度：建议在 [80, 180] 区间（0-255 范围）
• 亮度标准差：建议 > 40，否则可能是纯色背景
• 直方图熵：建议 > 4.0，太低说明信息量不足

2.2.3 人脸完整性与遮挡检测

口罩、墨镜、帽子，这些遮挡物在安防场景里太常见了。我的做法是：

1. 用关键点检测模型定位 106 个面部关键点
2. 计算每个区域的可见关键点比例
3. 如果眼睛区域关键点缺失超过 30%，直接拒绝入库

嗯，这里要注意：口罩场景要单独处理。疫情期间我做过一个项目，如果直接拒绝所有戴口罩的图片，那整个库就废了。后来我们专门训练了一个「口罩人脸」子模型，把戴口罩的图片单独建库，效果反而更好。

2.3 隐私合规与数据脱敏：红线不能碰

这部分我多说几句。隐私合规不是技术问题，是法律问题。一旦出事，不是扣工资能解决的。

2.3.1 全球主要隐私法规对比

法规	适用范围	核心要求	处罚力度
GDPR	欧盟	明确同意、数据最小化、被遗忘权	全球营收 4% 或 2000 万欧元
个人信息保护法	中国	告知同意、影响评估、本地化存储	5000 万元或上年营收 5%
CCPA	加州	知情权、删除权、选择退出权	每次违规 2500-7500 美元

你看，GDPR 的罚款是按「全球营收」算的。这意味着什么？如果你公司年营收 100 亿，一次违规可能罚 4 个亿。这不是闹着玩的。

2.3.2 数据脱敏的三种策略

脱敏不是把脸打马赛克就完事了。我总结了三层策略：

• L1 基础脱敏：人脸区域模糊化、像素化。适用于展示和演示场景。
• L2 特征脱敏：提取特征向量后丢弃原始图像。适用于检索系统——你只存特征，不存原图。
• L3 差分隐私：在特征向量中加入拉普拉斯噪声。适用于需要对外提供查询服务的场景。

2.3.3 数据生命周期管理

数据不是存了就完事了。我习惯用这个流程：

1. 采集阶段：获取用户明确同意，告知用途和保留期限
2. 存储阶段：加密存储，访问控制，审计日志
3. 使用阶段：最小化原则，只给模型需要的字段
4. 销毁阶段：到期后彻底删除，包括备份和日志

我曾经帮一个客户做审计，发现他们三年前的测试数据还躺在服务器上，里面全是真实人脸。那感觉，就像看到一颗定时炸弹。

2.4 本章知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个检查清单：

你看，从采集到评估再到合规，是一条完整的链路。任何一个环节出问题，最终的人脸库质量都会打折扣。我见过太多团队只盯着算法精度，结果在数据层面翻了车。

嗯，这一章的内容就到这里。记住一句话：好的人脸库，是设计出来的，不是碰运气碰出来的。