定义
人脸识别（Face Recognition）是基于图像识别与深度学习，从图像或视频中检测、定位人脸并提取特征，进行身份验证或识别的人工智能技术。与医学影像AI、视频智能分析等同属AI视觉应用。广泛应用于智慧安防、门禁考勤、支付、烟感等消防场景的人员统计。数据通过WiFi、4G 上传至云平台，需关注隐私与合规。
核心概念与技术流程
人脸识别的技术流程包括：人脸检测——定位图像中的人脸区域；人脸对齐——归一化姿态与光照；特征提取——深度学习卷积网络提取特征向量；比对与识别——与底库特征进行相似度计算。常用模型包括 FaceNet、ArcFace 等。可部署于边缘设备（低延迟）或云平台（高精度）。与视频智能分析结合，可实现视频流实时人脸检测与追踪。
应用场景
人脸识别应用于：智慧安防——门禁、考勤、黑名单布控；智慧楼宇——与烟感、温感协同的人员统计与疏散；支付与身份——刷脸支付、实名认证；工业——智能制造车间人员准入；医疗——远程医疗身份核验。与云平台、API对接，可实现与门禁、考勤、安防平台的集成。需满足个人信息保护、生物识别等合规要求。
技术架构与选型要点
人脸识别系统包含：摄像头、边缘设备或云平台、深度学习模型、底库管理、API。选型时需关注：识别准确率与活体检测、边缘与云端部署权衡、与云平台、API的集成、隐私与合规（脱敏、授权）。达希物联可为智慧安防提供设备联网、云平台、API等基础设施支撑。
实施建议
部署人脸识别需：明确应用场景与合规要求、选定摄像头与部署方式（边缘/云端）、配置底库与权限、对接门禁或业务系统、建立隐私与数据管理制度。与视频智能分析、烟感协同，可构建多源融合的安防与消防体系。选型时关注：API开放、活体检测、隐私合规。
特征比对成立的采集条件
人脸识别从图像中检出人脸，对齐后提取特征向量，再与底库特征计算相似度。超过设定阈值才认为可能是同一个人，低于另一阈值则认为不是；中间地带应保留为不确定，而不是强行二选一。活体判断用来区分照片、屏幕翻拍和真实人脸，它和“像不像底库中的人”是两次判断。跟踪负责把视频里的同一张脸在时间上连起来，跟踪一旦交换，后面的身份就会张冠李戴。
采集时的姿态、距离、光照和清晰度应接近建库条件，或者所用模型明确覆盖这些差异。摄像头的高度和角度要让脸部完整，遮挡、强逆光和运动模糊会明显改变特征。底库需要授权来源以及更新、注销办法，人员离开后仍留在库中，就会持续产生过期命中。一对一核验和一对多检索不能共用同一阈值，库越大，同样的相似度越容易遇到相近的人。边缘设备上的模型较小，不能直接套用在云端样本里调出的阈值。
只用一张正脸照片建库，现场却是低头、侧脸和背光，命中会不稳定。阈值放宽可以提高认出来的比例，同时把别人认成此人。拥挤遮挡后跟踪交换了身份，门禁记录仍显示为先进入画面的那个人。检测框出现被当成识别已经完成。夜间红外图像与可见光底库直接比较，相似度不再具有原来的含义。关掉活体判断之后，照片就可以通过核验。
认出某人，也不等于此人有权进入这道门或完成这笔确认，权限应留在业务系统。公共场所采集人脸需要明确目的和保存期限，不能因为设备具备该功能就默认打开底库。比对日志应留下相似度、阈值和图像质量，否则无法复查误识。与行为分析共用视频时，身份跟踪和行为跟踪要分别检查有没有串人。底库更新再与图像识别的检测结果分开，避免把非人脸目标写进人员库。