OpenCV人脸识别实战：从LBPH到DNN检测的完整指南-代码聚汇网

OpenCV人脸识别实战：从LBPH到DNN检测的完整指南

怀古游戏宅SIR·2026-09-05·阅读 83 GEO检测（免费）

OpenCV人脸识别Python

|难度：普通|阅读约 38 分钟

作为一名常年跟图像处理打交道的开发者，OpenCV和Python这对组合我一直认为是入门计算机视觉性价比最高的路径，没有之一。人脸识别这个方向更是经典中的经典，大到安防门禁、考场核验，小到手机相册自动归类，背后都有这套技术栈的影子。

这篇实战总结不是简单的API罗列，而是把从环境搭建到最终跑通识别全流程中那些文档里不写、但实际一定会踩的坑都摊开来讲。无论你是刚装好Python还在纠结cv2为什么import不进来，还是已经在跑Demo但识别率差到没法用，这篇文章应该都能给你一些实在的参考。

1. 整体设计思路：先搞清楚你要做“检测”还是“识别”

动手写代码之前，有一个概念必须掰扯清楚：人脸检测和人脸识别是两件事。很多人把这两个词混着用，但技术实现上完全是两个层级。

人脸检测（Face Detection）解决的是“画面里有没有人脸、人脸在哪个位置”的问题，输出结果是坐标框。人脸识别（Face Recognition）则是在检测到人脸之后，进一步回答“这张脸是谁”的问题，输出结果是身份标签。打个比方，检测是保安发现有人进门，识别是保安进一步核对这人是公司员工还是访客。

我见过不少新手拿着OpenCV的Haar Cascade模型跑出了检测框，就以为完成了人脸识别，结果一换到实际业务场景就露馅了。所以这篇实战里，我会把两条链路都走一遍：

检测阶段：用OpenCV自带的Haar Cascade和DNN两种方案做对比
识别阶段：用LBPH（Local Binary Pattern Histogram）算法做身份确认，这是OpenCV内置的、对新手最友好的人脸识别算法

识别方案的选型逻辑是这样的：LBPH对光照变化相对鲁棒，计算量小，在普通电脑CPU上跑实时视频流毫无压力，而且不需要GPU。虽然Deep Learning方案（比如FaceNet、ArcFace）准确率更高，但环境配置复杂、对硬件有要求，作为一篇实战入门，LBPH是最合理的起点。等跑通整个流程之后再迁移到深度学习方案，思路也是一脉相承的。

整个项目的技术路径可以概括为四步：准备数据（采集人脸图像）、训练模型（提取特征并生成识别器）、实时检测（从视频流中定位人脸）、身份识别（比对特征并输出标签）。文章后面所有内容都是围绕这条主线展开的。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 环境准备：用Anaconda搭建OpenCV开发环境

2.1 Python环境与OpenCV安装

现在 Python 3.8 以上的版本基本都兼容OpenCV的最新发布版，直接通过pip安装是最省事的方式。但如果你之前没装过Python，我强烈建议不要自己去官网下Python然后手动配环境变量，直接用Anaconda，它能帮你把Python解释器、pip包管理器、以及后续需要用到的各种科学计算库一次性搞定，省下的时间足够你多跑通三个实验。

安装Anaconda之后，创建虚拟环境是第一步：

bash复制conda create -n face_recognition python=3.9
conda activate face_recognition

在conda环境里激活之后，pip安装OpenCV：

bash复制pip install opencv-python

这里有一个关键点：opencv-python 这个包只包含OpenCV的主体模块和优化过的模块。如果你还需要用到SIFT这类非自由算法，得额外装opencv-contrib-python。做人脸识别的话，基础版就够用了。

需要留意的是，目前OpenCV官方还在维护两个大的版本系：4.x和最新的5.x预览版。4.x是稳定版，绝大多数教程和第三方库都是基于4.x写的，建议直接装最新的4.x发布版。我当前用到的版本是4.8以上，大家安装的时候注意看命令行输出的版本号，如果发现是旧的3.x，用下面命令升级：

bash复制pip install --upgrade opencv-python

安装完成后，验证一下环境是否正常：

python复制import cv2
print(cv2.__version__)

能正常输出版本号，说明OpenCV已经装好了。这里补一句，import cv2实际上是从opencv-python包里导入的模块，很多人在这一步报ModuleNotFoundError: No module named 'cv2'，基本都是因为开了多个Python环境，pip装到的环境和import时的环境不是同一个。建议在命令行用where python（Windows）或者which python（Linux/macOS）确认一下当前Python解释器的路径，再对比pip show opencv-python显示的位置，两个路径一致就基本不会出问题。

注意：Windows用户如果在import cv2时遇到DLL加载失败（比如DLL load failed while importing cv2），大概率是系统缺少Microsoft Visual C++ Redistributable运行库。去微软官网下载最新的VC_redist.x64.exe装上，重启终端就能解决。

2.2 还需要准备哪些库

做人脸识别，除了OpenCV本体，以下几个库也建议一起装上：

bash复制pip install numpy matplotlib Pillow

numpy：OpenCV的图像数据本质上是numpy数组，处理图像就是处理数组，这是必备库。
matplotlib：调试阶段用来显示图像、绘制识别效果图，比cv2.imshow更方便，尤其在Jupyter Notebook里。
Pillow：后续处理不同来源的图片（比如从网页下载的图片）时，Pillow能帮忙处理一些OpenCV读不来的格式。

这几个库都装好之后，环境准备这一关就算踏实过关了。我自己在给别人装机的时候，踩得最多的坑就是OpenCV装好了，结果numpy版本和opencv的要求不兼容，一跑就报错。所以建议一起装、统一在同一个环境里管理，别东一个环境西一个环境。

3. 数据准备：采集和预处理人脸图像

3.1 用摄像头实时采集训练样本

人脸识别是监督学习，你得先给算法“看”足够多的样本人脸，它才能记住你是谁。样本质量直接决定识别效果，这一步贪快不得。

写一段Python脚本调用摄像头，采集不同角度、不同表情的正面人脸图像。核心代码逻辑如下：

python复制import cv2
import os

# 创建保存目录
dataset_path = "dataset"
person_name = "your_name"  # 替换成你的名字或ID
save_path = os.path.join(dataset_path, person_name)
os.makedirs(save_path, exist_ok=True)

# 加载人脸检测器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")

# 打开摄像头
cap = cv2.VideoCapture(0)
count = 0

while True:
    ret, frame = cap.read()
    if not ret:
        break

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(
        gray,
        scaleFactor=1.1,
        minNeighbors=5,
        minSize=(100, 100)
    )

    for (x, y, w, h) in faces:
        count += 1
        # 裁剪人脸区域，统一缩放到200x200
        face_region = gray[y:y+h, x:x+w]
        face_resized = cv2.resize(face_region, (200, 200))
        cv2.imwrite(f"{save_path}/{count}.jpg", face_resized)

        cv2.rectangle(frame, (x, y), (x+w, y+h), (255, 0, 0), 2)

    cv2.imshow("Collecting Faces", frame)
    if cv2.waitKey(1) & 0xFF == ord('q') or count >= 100:
        break

cap.release()
cv2.destroyAllWindows()

几个关键参数值得展开说明：

scaleFactor=1.1：每次缩放图像的比例，值越小检测越精细但速度越慢，实测下来1.1是速度和精度的平衡点。
minNeighbors=5：每个候选矩形至少需要保留多少个邻近检测，这个值越大漏检越多但误检越少。如果发现人脸经常框不住，可以调低到3。
minSize=(100, 100)：小于这个尺寸的人脸会被忽略。摄像头离人太远，人脸区域太小，识别效果会很差，这个参数能帮你过滤掉这些无效样本。

采集的时候有几个技巧是我反复实验总结出来的：

采集数量：每个人建议采集100到200张，太少模型学不到稳定的特征，太多了训练耗时长且容易过拟合。
角度变化：正脸为主，左右转动15度、上下俯仰各拍一些，模拟真实场景下的姿态变化。
光照条件：在室内灯光下采集，同时最好能留一部分在窗边自然光下采，让样本覆盖更多光照变化。
表情变化：微笑、严肃、抿嘴、睁大眼睛都来几张，别全程一个表情，不然模型会把你的“面无表情”学成唯一特征。

3.2 用现成图片丰富数据集

除了摄像头采集，还可以用网上公开的人脸数据集或者自己收集的图片来扩充样本。使用图片和摄像头采集的唯一区别在于读取方式：图片直接用cv2.imread()读进来就行，不用走VideoCapture。

不过要注意一个问题：摄像头采集的画面和网上找的图片在分辨率、压缩质量、色彩空间上差异很大。混用时最好在预处理阶段做统一，我的做法是全部转成灰度图、缩放到200x200、再做一次直方图均衡化（cv2.equalizeHist），这样能有效抹平不同来源图像的亮度差异。

4. 核心实现：训练人脸识别模型

4.1 数据加载与标签生成

训练前需要把所有采集到的图像和对应的标签（Label）加载到内存里。标签就是一个整数ID，每个人对应一个ID。比如你叫张三（ID=0），你的同事李四（ID=1），以此类推。OpenCV的LBPH识别器在训练时接收的是灰度图和整数标签。

这一段逻辑看起来简单，但有个容易出错的地方：文件名解析。我习惯把图像放在dataset/姓名/序号.jpg的结构里，遍历文件夹时用os.path.basename(os.path.dirname(path))取到父文件夹名，再用字典把姓名映射成整数标签。这样后面识别出ID后，再用反查表把ID还原成姓名。

训练代码如下：

python复制import cv2
import os
import numpy as np

def load_dataset(data_path):
    images = []
    labels = []
    label_map = {}  # 姓名 -> 整数ID
    current_label = 0

    for person_name in os.listdir(data_path):
        person_dir = os.path.join(data_path, person_name)
        if not os.path.isdir(person_dir):
            continue

        if person_name not in label_map:
            label_map[person_name] = current_label
            current_label += 1

        for img_name in os.listdir(person_dir):
            img_path = os.path.join(person_dir, img_name)
            img = cv2.imread(img_path, cv2.IMREAD_GRAYSCALE)
            if img is not None:
                images.append(img)
                labels.append(label_map[person_name])

    return images, np.array(labels), label_map

4.2 LBPH模型训练与保存

OpenCV内置了三种人脸识别器：EigenFaces、FisherFaces、LBPH。前两种基于PCA（主成分分析）降维，对光照和表情变化比较敏感，一般需要图像尺寸一致且居中对齐；LBPH基于局部二值模式直方图，对局部纹理特征的表达能力更好，而且不需要特别严格的对齐。实际项目里我几乎只用LBPH，省心。

LBPH的核心原理可以这么理解：它把图像划分成若干个小格子，在每个格子里计算每个像素和周围8个邻居的大小关系，大于邻居记为1，小于记为0，这样就得到一个8位的二进制数，也就是该像素的“局部纹理编号”。然后统计每个格子里所有这种编号的直方图，把所有格子的直方图串起来，就是这张人脸的特征向量。识别的时候，计算待识别人脸的特征向量和库存特征向量之间的相似度（OpenCV用的是直方图相交距离），距离小于阈值就判定为同一个人。

训练过程极短，代码也简洁：

python复制# 创建LBPH识别器
recognizer = cv2.face.LBPHFaceRecognizer_create()

# 训练模型
recognizer.train(images, labels)

# 保存模型
recognizer.save("face_model.yml")

这里有一个新手几乎必踩的坑：cv2.face模块不在默认的opencv-python包里。如果你直接import cv2然后调用cv2.face.LBPHFaceRecognizer_create()，会报AttributeError: module 'cv2' has no attribute 'face'。

解决办法是换成装opencv-contrib-python：

bash复制pip uninstall opencv-python
pip install opencv-contrib-python

把原来的opencv-python卸载干净再装contrib版，不然两个包混在一起会出现奇怪的链接冲突。这也是为什么我在前面环境准备一节特别强调要确认好版本的原因。

4.3 模型参数调整

LBPH构造函数可以调几个关键参数：

python复制recognizer = cv2.face.LBPHFaceRecognizer_create(
    radius=1,      # 邻域半径，越大感受野越大
    neighbors=8,   # 邻域采样点个数，越大纹理描述越精细
    grid_x=8,      # 水平方向格子数
    grid_y=8       # 垂直方向格子数
)

经验值参考：radius=1，neighbors=8是默认配置，对大多数场景都够用。如果图像噪声比较多，可以适当调大radius到2，让局部纹理更平滑；如果希望捕捉更多空间细节，把grid_x、grid_y调大到10或12。但网格数不是越大越好，太大了某个格子里统计的像素点太少，直方图不稳定，反而降低准确率。

我在实践里有一个体会：LBPH对训练样本数量比较敏感，每个人少于20张图像时，识别率会明显下降。如果样本实在不够，可以先用图像增强（平移几个像素、轻微旋转、加一点高斯噪声）来扩充数据集，效果会提升不少。

5. 实时人脸识别：把模型跑起来

5.1 基于Haar Cascade的快速检测实现

模型训练保存之后，下一步就是写一个实时识别脚本，打开摄像头逐帧处理。流程是：读取帧 → 转为灰度图 → 人脸检测 → 人脸区域送入识别器 → 得到预测标签和置信度 → 在画面里绘制结果。

核心代码：

python复制import cv2

# 加载检测器和识别器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + "haarcascade_frontalface_default.xml")
recognizer = cv2.face.LBPHFaceRecognizer_create()
recognizer.read("face_model.yml")

# 标签反查表，需要和之前训练时的label_map保持一致
label_map = {"your_name": 0, "other_person": 1}
reverse_map = {v: k for k, v in label_map.items()}

cap = cv2.VideoCapture(0)

while True:
    ret, frame = cap.read()
    if not ret:
        break

    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
    faces = face_cascade.detectMultiScale(
        gray,
        scaleFactor=1.1,
        minNeighbors=5,
        minSize=(100, 100)
    )

    for (x, y, w, h) in faces:
        face_region = gray[y:y+h, x:x+w]
        face_resized = cv2.resize(face_region, (200, 200))

        label, confidence = recognizer.predict(face_resized)
        name = reverse_map.get(label, "Unknown")
        
        # 置信度越低表示距离越近，OpenCV里低于某个阈值才认为是可信的
        if confidence < 80:
            text = f"{name} ({confidence:.1f})"
            color = (0, 255, 0)
        else:
            text = "Unknown"
            color = (0, 0, 255)

        cv2.rectangle(frame, (x, y), (x+w, y+h), color, 2)
        cv2.putText(frame, text, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, color, 2)

    cv2.imshow("Face Recognition", frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

识别结果里的confidence是识别器返回的置信度分数，LBPH里这个值可以理解为待识别图像特征与训练集特征之间的距离，数值越小说明越相似。100以下基本可以判断是同一个人，80以内把握比较大。但这个阈值不是固定的，跟你的样本质量和数量都有关系。建议在验证阶段打印出不同距离下的识别情况，再选一个区分度最好的阈值。

5.2 方案升级：用OpenCV DNN提高检测率

Haar Cascade的问题在于：光照变化剧烈、侧脸、遮挡、远距离小目标情况下，检测率掉得很快。实际项目里如果发现检测框时有时无，就应该换用DNN检测器。

OpenCV DNN模块加载一个预训练的Caffe模型（或者ONNX模型）做人脸检测，效果比Haar Cascade好上一个数量级。核心流程：

python复制# 下载好的模型文件和配置文件
net = cv2.dnn.readNetFromCaffe("deploy.prototxt", "res10_300x300_ssd_iter_140000.caffemodel")

def detect_faces_dnn(frame):
    h, w = frame.shape[:2]
    blob = cv2.dnn.blobFromImage(
        cv2.resize(frame, (300, 300)),
        1.0,
        (300, 300),
        (104.0, 177.0, 123.0)
    )
    net.setInput(blob)
    detections = net.forward()

    faces = []
    for i in range(detections.shape[2]):
        confidence = detections[0, 0, i, 2]
        if confidence > 0.7:
            box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
            (x1, y1, x2, y2) = box.astype("int")
            faces.append((x1, y1, x2 - x1, y2 - y1))
    return faces

DNN方案在精度上的优势主要体现在侧面和暗光环境下，代价是推理速度稍微慢一点。在普通笔记本CPU上，SSD模型大概能跑到15-20帧每秒，做人脸识别足够用了。如果在树莓派或者嵌入式设备上跑，建议考虑用更轻量的模型。

5.3 识别速率优化建议

如果视频流跑起来之后帧率太低，从这三个方向去优化：

跳帧处理：不需要每一帧都做人脸检测，每隔2到3帧检测一次，其余帧沿用上一帧的检测结果。代码里加一个计数器即可。
降低检测分辨率：把人脸检测的输入图像缩放到480p甚至360p，检测框出来之后再映射回原始分辨率。检测本身不需要太高分辨率，反而在小图上跑得更快。
用Cascade代替DNN：如果硬件资源紧张，Haar Cascade在速度上仍有优势，尤其在树莓派这类单板电脑上。

6. 识别率优化：让模型更健壮的工程化技巧

6.1 图像预处理对结果的影响

很多调优看似是在模型层面使劲，其实问题出在输入数据上。做人脸识别训练和预测时，图像预处理的规范和一致性远比想象中重要。

我自己总结了一套固定的预处理Pipeline，训练和预测两个阶段严格保持一致：

转灰度图：LBPH本身不依赖颜色信息，灰度图能减少光照色偏的影响。
直方图均衡化：cv2.equalizeHist()能增强图像的对比度，让暗部细节更清晰。这一步对光照不均匀的场景提升非常明显。
统一尺寸：所有图像缩放为200x200。尺寸不一致会让特征向量长度不一致，训练时直接报错。
归一化：在送入网络前把像素值除以255（如果需要的话），LBPH内置了梯度量化，这一步非必需，但养成分层预处理的好习惯没有坏处。

6.2 识别阈值与误判处理

识别阈值是影响用户体验的重中之重。阈值设置得太宽松，会把陌生人识别成库里的人，造成安全风险；设置得太严格，又会频繁把人脸识别为Unknown，体验很差。

我建议做一次阈值标定实验：用自己的100张人脸图像和另外10个陌生人的图像分别测试，记录LBPH输出的confidence分布。画出同一个人的距离分布和不同人的距离分布，取两类分布交叉点附近的中间值作为阈值。这是一个很朴素但有效的工程方法，比拍脑袋定一个数靠谱得多。

另外，实际项目中最好维护一个“最近N次识别结果”的滑动窗口，连续3次以上的识别结果一致才确定身份。这能有效避免单帧误识别导致的身份跳变。

6.3 数据增强补充

样本量不足是识别率低的最常见原因。当每个人只有20到30张样本时，做一个简单的数据增强就能看到明显的提升：

python复制import random

def augment_image(img):
    rows, cols = img.shape
    # 随机水平平移
    M = np.float32([[1, 0, random.randint(-10, 10)],
                    [0, 1, random.randint(-10, 10)]])
    shifted = cv2.warpAffine(img, M, (cols, rows))
    # 随机旋转
    angle = random.uniform(-10, 10)
    M_rot = cv2.getRotationMatrix2D((cols/2, rows/2), angle, 1)
    rotated = cv2.warpAffine(shifted, M_rot, (cols, rows))
    # 加高斯噪声
    noise = np.random.normal(0, 5, rotated.shape).astype(np.uint8)
    return cv2.add(rotated, noise)

镜像翻转需要特别小心：左右翻转后的人脸特征和真实人脸不一样，LBPH特征对这种镜像变化不鲁棒，所以一般不做水平翻转增强，除非你训练时本身就包含了镜像样本。

7. 工程项目中常见的坑：问题排查与速查表

7.1 光照和角度带来的识别失败

光照问题和姿态变化是LBPH方案的两大天敌。我自己实测下来：同一个识别器，室内均匀灯光下识别率95%以上，到了窗边强逆光环境下直接跌到60%以下。

应对策略：

在多种光照条件下采集训练样本，让模型见过足够多样的“你”。
预处理加直方图均衡化，至少能缓解一部分亮度偏移问题。
如果场景光照变化太大，建议直接放弃LBPH，改用基于深度学习的人脸识别模型，这是治本的办法。

角度问题同理。训练时只拍正脸，识别时侧脸45度以上大概率认不出来。如果实际场景需要支持多角度，训练样本里就要包含各个角度的脸。

7.2 多人和遮挡场景下的处理策略

多人在画面里时，检测器会给每个人画框，识别器会逐个人脸区域去预测身份。这种场景本身LBPH也能处理，只是要注意：人脸区域太小（低于80x80像素）时，识别器拿到的有效纹理信息太少，准确率下降。处理方式是只对超过一定尺寸的人脸做识别，太小的框直接忽略。

戴口罩场景是LBPH的盲区，因为嘴巴区域的纹理特征完全丢失了。目前可行的方案是用眼部区域单独训练一个模型，或者切换到基于深度学习的带口罩人脸识别方案。

7.3 常见报错手册

报错信息	原因分析	解决方式
`ModuleNotFoundError: No module named 'cv2'`	Python环境不对，没有安装opencv-python	检查Python解释器路径，确认`pip install opencv-python`
`AttributeError: module 'cv2' has no attribute 'face'`	安装的是基础版opencv-python，缺少contrib模块	卸载后用`pip install opencv-contrib-python`重装
`error: (-215:Assertion failed) !labels.empty()`	训练数据加载异常，标签列表为空	检查数据集路径、图片是否能正常读取
`DLL load failed while importing cv2`	Windows缺少VC++运行库	安装Visual C++ Redistributable
识别结果全是Unknown	阈值设置太严格，或训练样本量太少	调大阈值，增加训练样本数量
摄像头打不开	摄像头被其他程序占用，或驱动问题	关闭其他占用摄像头的程序，检查`cap.isOpened()`

这几种错误里，AttributeError: no attribute 'face'是出现频率最高的，因为很多人看到网上教程说pip install opencv-python就够了，没意识到人脸识别模块需要contrib版。这块我已经在前面讲得很透了，照着操作基本不会再踩。

8. 扩展方向：从PC端走向实际业务落地

这篇实战跑通以后，整个流程可以直接迁移到很多实际场景里。我梳理一下自己遇到过的扩展方向，供参考。

门禁和安防领域：把摄像头从USB摄像头换成网络摄像头（RTSP流），用cv2.VideoCapture("rtsp://user:password@ip:port/stream")直接取流。注意把识别到的“陌生人”事件写入日志，配合定时抓拍。这类系统还需要考虑识别速度，一般门禁场景对单次识别的响应时间要求在1秒以内，LBPH在PC上完全能满足。

移动端和嵌入式部署：热搜里有人提到ESP32-S3-CAM做人脸识别，这类MCU上跑LBPH其实是可行的，因为LBPH模型本身很小，几KB到几十KB，计算量也不大，只是需要把OpenCV裁剪移植到嵌入式平台。如果用的是H5或者UniApp这类跨端框架，常规做法还是把识别服务做在后端，前端采集图像上传，后端返回识别结果，这种方案对前端性能要求最低。

跨平台开发：C#开发者可以用OpenCVSharp，Delphi开发者想集成人脸识别也可以借助OpenCV的底层库封装，原理都是一样的，先做检测再提取特征比对。不管表层语言怎么变，核心的模型和算法逻辑是不变的。

识别算法进阶：LBPH能让你理解人脸识别的完整流程，但真要商用，Deep Learning方案的优势是碾压性的。可以顺着这条线去学FaceNet、ArcFace这些方法，OpenCV DNN模块可以直接加载训练好的模型，工程迁移路径很平滑。

9. 一点个人心得

做OpenCV人脸识别项目最忌讳的就是一上来就追求“高大上”。先用LBPH把整个Pipeline跑通，远比纠结于哪个人脸检测模型精度更高有价值得多。因为整个系统的复杂度大头往往不在算法本身，而在数据采集、预处理、阈值调优、异常处理这些看起来“不酷”的工程细节上。

还有一个容易被忽略的经验：训练数据和实际运行场景越接近，识别效果越好。不要拿着网上下载的公开数据集训练完就去测试自己公司摄像头的画面，最好是用目标场景的真实摄像头采集训练数据。

最后我想说，识别阈值这种东西，别人给的永远是参考，只有针对自己的数据、自己的场景实测出来的才有意义。花半个小时做一组测试，胜过在网上问十个人“阈值应该设多少”。把这个工作做好，你的人脸识别系统才算真正落地。