简介基于 PCA主成分分析的人脸识别 MATLAB 实践资源适合正在学习机器学习与图像处理的高校学生和初学者用来解决如何通过降维提取人脸关键特征并完成身份识别的问题也适合用于实验教学和课程设计。压缩包共 44 个文件大小仅 332KB其中 40 个 BMP 图像按 train 与 test 目录组织分别提供训练集和测试集样本4 个 .m 文件包含主程序、PCA 计算函数以及 Min 等辅助函数可直接在 MATLAB 中运行复现。目前已有 181 人浏览学习。通过这套资源读者能完整走通从图像读取、灰度归一化、构建数据矩阵、计算协方差矩阵与特征向量、投影降维到分类匹配的流程并借助自带图像检验识别准确率同时还能通过调整主成分个数观察降维对结果的影响将代码迁移到其他图像分类任务为后续学习深度学习人脸识别打下基础。1. PCA 人脸识别为什么 20 年前的算法还在门禁机里跑早上在写字楼刷脸进闸机屏幕闪一下“识别成功”很少有人会想背后跑的是什么。拆过几款中低端人脸识别门禁机就会发现主控板上不少根本没有 NPU跑的还是 PCA 特征脸。PCA主成分分析人脸识别是二十多年前的算法但它至今还活在大量小样本、低功耗、离线可更新的设备里。标题里的 pca_usable.rar 这类资料包代表的正是这套“能用就行”的 PCA 人脸识别流程。下面不打算考古而是讲清三个问题PCA 人脸识别到底在做什么、怎么在本地跑出一套可用的识别、以及光照、对齐、阈值这些会让演示翻车的坑在哪。适合想做快速原型、理解门禁机识别逻辑的工程师也适合准备算法面试的新手。2. 从特征脸到特征向量PCA 人脸识别的原理与选型2.1 把人脸图片当成向量PCA 降维到底在做什么一张 64×64 的灰度图按行展开就是一个 4096 维的向量。如果直接拿两个这样的大向量算欧氏距离效果很反直觉同一个人戴个眼镜像素差全加在一起距离可能比不同人之间的距离还大。这说明原始像素空间里的距离不能代表人脸是否相似。PCA 的出发点就是找一个新的坐标系在这个坐标系里相似人脸的坐标点更贴近不同人脸的坐标点拉得更开。具体到数学实现假设训练集有 N 张灰度人脸图每张图是一维向量 x_i长度 D。先计算均值脸 m (1/N)∑x_i这是“所有脸的公共部分”。把每张脸减去均值脸得到差值向量 d_i x_i - m。把这些差值向量按列排成矩阵 X然后计算协方差矩阵 C X X^T。理论上C 的特征向量就是“主方向”特征值越大说明这个方向上的样本差异越大。特征值最大的前 K 个特征向量就是 PCA 要保留的投影轴。把这 K 个投影轴重构成图像会看到一团模糊的人脸轮廓这就是特征脸Eigenface名字的由来。实际工程里很少有人真的去算 C X X^T因为 D 动辄几千X X^T 是 D × D 的矩阵内存和时间都压不住。更稳的做法是对差值矩阵 X 直接做奇异值分解SVDX 分解成 U S V^T。V 的行向量就是主成分S 的对角线是奇异值奇异值的平方和特征值成正比。用 SVD 的好处是数值稳定性更好而且能直接拿到前 K 个方向不用把整个 D × D 矩阵构造出来。scikit-learn 的 PCA 在 n_components 小于样本数时就是这么干的。PCA 完成之后每张训练脸都可以投影到 K 维空间变成一个极短的向量。如果只保留 30 个主成分一张 4096 维的图被压缩成 30 维信息保留率通常还在 90% 以上。这个低维小区间已经足够表达人脸之间的差异。最后接一个最近邻分类器把待识别脸投影到同一组主成分上计算它和所有训练投影点的欧氏距离或余弦距离距离最小且低于阈值的人就是识别结果。这里有一个初学者容易混淆的地方PCA 本身不是分类器它不关心“哪张脸属于谁”它只负责把原始像素压缩到低维。谁来做“是谁”的判断是 PCA 之后接的分类器的事情。最常见的是最近邻也有人用 SVM 或贝叶斯分类器。资料包 pca_usable.rar 里如果既有降维又有分类比如用 LDA 进一步处理那其实已经是 Fisherfaces 范畴了别和纯 PCA 混为一谈。2.2 为什么 PCA 在人脸识别门禁机上还不过时与 ArcFace、EasyAI 的取舍先说结论PCA 不是最准的但它在“约束环境 小样本 低算力”这个组合下依然是最实用的入门方案之一。室内门禁机、考勤机、柜门锁这些设备的位置固定人脸基本正面朝向摄像头光照环境可控注册时每个人能留下多张照片。这种环境正好避开了 PCA 最怕的姿态和光照变化却又对成本和功耗非常敏感。对比成熟的人脸识别方案ArcFace 这类基于深度学习的模型在公开测试集上准确率能到 99% 以上但需要较大的模型推理开销。ArcFace 本身是一个损失函数通常配着 ResNet 之类的骨干网络一张 112×112 的输入要经过上千万次浮点运算。商用 SDK 如 EasyAI 人脸识别把活体检测、抓拍、比对打包成黑匣子指标漂亮但授权费、密钥管理和云端依赖让很多小项目望而却步。用 PCA 特征脸就简单得多训练阶段做一次 SVD识别阶段只有一次矩阵乘法和一次距离排序任何单片机都能扛得住。我把选型对比整理成一张表方便套到自己的项目里维度PCA 特征脸深度学习ArcFace 等商用 SDKEasyAI 等每类最少样本35 张几十张起步按 SDK 要求一般也需要多张硬件要求任意 CPUGPU/NPU 或高主频 CPU视 SDK 而定可解释性特征脸可可视化黑匣子完全黑匣子光照/姿态鲁棒差好好活体检测无需要额外方案无需要额外方案通常内置离线部署容易中等部分依赖联网成本零模型训练算力成本授权费适合场景门禁、考勤、寝室闸机高并发安防快速商用对门禁机这种“注册一个人之后只验证这个人”的场景PCA 的阈值控制得当误识率可以压得很低。如果现场光照实在不稳定还可以在人脸框内区域做曝光补偿或者在注册阶段用不同光位多拍几张让 PCA 的子空间更鲁棒。反过来如果场景是火车站抓拍、运动目标识别、或者需要判断是不是真人而不是照片那 PCA 不是不能用而是坑太密我一般直接建议用 ArcFace 加活体模块。易用性和准确率之间的取舍比算法本身更能决定项目成败。2.3 常用工具链OpenCVNumPy、Weka、ENVI 各自适合什么场景传统 PCA 人脸识别的工程链路分成五段人脸检测、人脸对齐、灰度化归一化、PCA 降维、分类比对。前两段基本绕不开 OpenCV后两段可以用 NumPy 或 scikit-learn。如果只是想快速验证“这个数据集能不能用 PCA 分开”Weka 是很好用的图形化工具。把每张人脸展开成一行数值加上 person_id 属性存成 CSV导入 Weka 后选 Filter-Unsupervised-PrincipalComponents设置 varianceCovered0.95降维后再接一个 IBkKNN分类器跑一遍 10 折交叉验证十几秒就能看到大致准确率。Weka 的 PCA 参数里值得改的还有 centerData默认不开人脸特征没有明显尺度问题开不开影响不大但如果数据里混了无关特征建议打开。ENVI 里的主成分分析 PCA 是遥感工具链的一部分功能本身没问题但 ENVI 的定位是栅格影像处理不是人脸识别。用 ENVI 对人脸图片做 PCA虽然也能输出主成分分量但它缺少人脸检测、关键点对齐这些前置处理而且没法直接接最近邻分类器来做身份判断。我见过有人把 ENVI 的 PCA 输出拿去做 Weka 分类实验效果自然不差但那只是“用数据压缩工具处理人脸图”和端到端识别设备是两回事。如果你搜索“envi主成分分析pca”后看到一堆波段图像别指望它帮你解决门禁识别问题。真正上手做我的套路是人脸检测用 OpenCV 的 DNN 检测器对齐用双眼坐标的仿射变换PCA 训练用 scikit-learn 的 PCA 或手写 SVD分类用带阈值的最近邻。每完成一步把中间结果存成图或 CSV 看一眼避免黑匣子式地一路跑到底。拿到 pca_usable.rar 这类资料包时我也习惯先看它的目录和说明文件找到训练脚本里有没有图像预处理这一段。没有预处理后面的准确率数字再高也不可全信有预处理但没写阈值标定方法那也得自己补上。这些习惯能让你少走至少一周弯路。3. 把 PCA 人脸识别跑起来最小实现与参数调整3.1 准备数据对齐、灰度化、裁剪的约定PCA 对输入格式非常敏感。我在项目里的固定做法是先做一次人脸检测拿到人脸框再用两只眼睛的坐标做仿射变换把双眼旋转到水平然后统一缩放到 64×64最后转灰度图并做直方图均衡化。为什么是 64×64因为 PCA 的维度等于像素数分辨率翻倍向量长度变四倍训练和识别时间都明显增加而小样本情况下高分辨率并不能带来等量的精度提升。我用 ORL 数据集做过对比48×48 和 64×64 准确率几乎一样再往上就有点浪费。数据集的目录结构建议按人分目录每类目录里放这个人不同时刻的照片。如果下载的资料包里自带样本图先统一改造成这种结构后续代码不用动。加载时按目录名把人脸和标签对应起来import os import cv2 import numpy as np def load_faces(data_dir, target_size(64, 64)): X, y [], [] for label_dir in sorted(os.listdir(data_dir)): # 假设目录名形如 0_zhangsan取前缀数字作为标签 label int(label_dir.split(_)[0]) person_path os.path.join(data_dir, label_dir) for fname in os.listdir(person_path): path os.path.join(person_path, fname) if not fname.lower().endswith((.jpg, .jpeg, .png)): continue img cv2.imread(path) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray cv2.resize(gray, target_size) # CLAHE 放在 resize 之后、展开之前 gray cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)).apply(gray) X.append(gray.flatten() / 255.0) y.append(label) return np.array(X), np.array(y)这里把灰度值归一化到 01让 SVD 的数值范围稳定。有人会忘记这一步直接把 0255 的整数矩阵丢进 PCA导致奇异值偏大阈值标定时的距离单位也失去参考。加载函数里先 resize 再 CLAHE是因为 CLAHE 基于局部直方图不同尺寸下统计区域不一样统一后再做才有可比性。接下来是对齐函数。前面加载函数里省略了人脸检测实际工程中不能直接 resize 原始抓拍照因为摄像头角度难免有轻微上下偏。下面这段代码输入是已经检测到的左右眼坐标输出是一张对齐且裁剪好的灰度图def align_face(img, left_eye, right_eye, out_size(64, 64)): # 计算双眼连线与水平线的夹角 dx right_eye[0] - left_eye[0] dy right_eye[1] - left_eye[1] angle np.degrees(np.arctan2(dy, dx)) # 绕图像中心旋转使双眼连线水平 h, w img.shape[:2] center (w // 2, h // 2) M cv2.getRotationMatrix2D(center, angle, 1.0) rotated cv2.warpAffine(img, M, (w, h)) # 以双眼中点为中心按眼距的固定比例裁剪 ex abs(dx) scale 1.8 # 裁得不要太贴近五官留出额头和下巴 crop_size int(ex * scale) eye_mid ((left_eye[0] right_eye[0]) // 2, (left_eye[1] right_eye[1]) // 2) x0 max(eye_mid[0] - crop_size // 2, 0) y0 max(eye_mid[1] - int(crop_size * 0.4), 0) x1 min(x0 crop_size, w) y1 min(y0 crop_size, h) cropped rotated[y0:y1, x0:x1] # 灰度化并缩放到统一尺寸 gray cv2.cvtColor(cropped, cv2.COLOR_BGR2GRAY) gray cv2.resize(gray, out_size) # 直方图均衡化减轻光照影响 gray cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)).apply(gray) return gray / 255.0代码里的几个参数值得说清楚。angle 的正负号由 dy 决定如果右眼比左眼高dy 为正angle 为正图像逆时针旋转。scale 取 1.8 而不是 2.0是为了避免把背景裁进人脸区域因为 PCA 会把背景像素也当作特征学习。y0 的偏移用 crop_size * 0.4把裁剪框向上挪一点让人脸在全图里居中偏上减少头发和脖子的影响。最后一步 CLAHE 非常关键它能在不放大噪声的前提下抑制局部光照不均。你如果把这一步去掉同一个人的不同亮度照片距离会大幅波动阈值也会随之失效。3.2 训练均值脸、PCA 投影与最近邻分类接下来是 PCA 训练的核心函数。这里为了演示直接用 NumPy 手写 SVD 版这样你能看清每一步在做什么也方便移植到不支持 scikit-learn 的环境。import numpy as np def train_pca(face_vectors, labels, n_components30): # face_vectors: (N, D) 每一行是一张展开后的灰度图值域 [0,1] # labels: (N,) 每张图对应的用户ID mean_face np.mean(face_vectors, axis0) centered face_vectors - mean_face # 对差值矩阵做瘦 SVD直接得到前 min(N,D) 个主方向 U, S, Vt np.linalg.svd(centered, full_matricesFalse) # 前 n_components 个右奇异向量 Vt 的每一行就是一个特征脸基向量 components Vt[:n_components] # shape (n_components, D) # 训练集投影到低维子空间 projected_train np.dot(centered, components.T) # (N, n_components) return { mean_face: mean_face, components: components, projected_train: projected_train, labels: labels }这里要注意 SVD 返回的 Vt 每一行是一个主方向不是每一列。所以我用 Vt[:n_components] 取前 K 个再用 centered 乘以 Vt 的转置做投影。scikit-learn 的 PCA 对象里有 n_components_就是这家伙。另一个容易踩的地方是SVD 前不需要再做标准化因为所有像素都在同一个量纲亮度下如果先做了 per-pixel 归一化反而会破坏灰度图的相对明暗关系。识别阶段的函数同样短def recognize(face_vector, model, threshold0.50): mean_face model[mean_face] components model[components] proj_train model[projected_train] labels model[labels] centered face_vector - mean_face proj np.dot(centered, components.T) # 欧氏距离L2 范数。也可以用余弦距离但这里用欧氏更直观 dists np.linalg.norm(proj_train - proj, axis1) best_idx int(np.argmin(dists)) if dists[best_idx] threshold: return labels[best_idx], dists[best_idx] else: return -1, dists[best_idx]threshold 的单位不是维度数而是投影空间里的距离。因为投影向量每个分量的尺度会随 SVD 奇异值变化不同训练集算出来的距离绝对值差异很大。所以绝对阈值没法迁移必须在自己的数据集上标定。我一般先打印所有同类距离和异类距离的最小/平均/最大值再看两个分布是否有交叠。理论上同类最近邻距离和异类最近邻距离是两条分布曲线阈值取交点效果最好实际项目中我会把阈值设置在交点偏小一侧宁可多拒绝也要少误识。后面避坑章节会展开。顺便说一个容易翻车的细节这一步用的是欧氏距离。把投影后的坐标稍微想一下如果某个特征值特别大那么它对应的轴向距离就主导了欧氏距离。这时候可以改用马氏距离或者先对投影向量做单位化但单位化会丢掉尺度信息。对于门禁验证我习惯保留欧氏距离因为阈值标定更直观。3.3 评估留一法与累计方差贡献率模型写好了不能直接看一个总准确率就收工。小样本的人脸数据集必须用留一法评估因为随机划分训练测试集会把同一个人的不同照片分到两边造成数据泄漏准确率虚高。我常用这段代码跑一个最诚实的评估def evaluate_loo(face_vectors, labels, n_components30, threshold10**9): from sklearn.model_selection import LeaveOneOut loo LeaveOneOut() correct 0 total 0 for train_idx, test_idx in loo.split(face_vectors): train_vecs face_vectors[train_idx] train_labels labels[train_idx] test_vec face_vectors[test_idx][0] true_label labels[test_idx[0]] model train_pca(train_vecs, train_labels, n_components) pred, _ recognize(test_vec, model, threshold) if pred true_label: correct 1 total 1 return correct / total这段代码每次留一都重新训练一次 PCA数据量大的时候会很慢但它的结果才代表真实泛化能力。threshold 先设成一个很大的数让最近邻永远“认得出”这样 eval 出来的是纯最近邻的准确率。等阈值标定结束再拿真正要用的 threshold 重跑一次记录此时被拒识的比例两个数字放一起看你就能知道自己的模型能容忍多少误识。还有一个更常用的调参手段是画累计方差贡献率曲线。scikit-learn 直接支持from sklearn.decomposition import PCA pca PCA(n_components50) pca.fit(face_vectors) cumsum np.cumsum(pca.explained_variance_ratio_) # 找到达到 95% 方差的最少维度 k np.searchsorted(cumsum, 0.95) 1 print(f保留95%方差需要 {k} 个主成分)这个 k 就是你在 train_pca 里应该用的 n_components。不是越大越好主成分越靠后越接近光照和噪声把这些维度也放进比对会把不同人的特征脸“拉近”反而降低准确率。我用 ORL 数据集的经验是 k 在 20~40 之间累计方差贡献率达到 90%~95%准确率基本稳定。如果你换到 64×64 以上的分辨率k 可以稍微往上加但不要超过样本数的一半否则 SVD 后段全是噪点。训练集只有 5 类、每类 5 张的时候总样本 25 张k 设 30 也拿不到 30 个非零主成分。所以 k 的上限是样本数减一不是随便填。实际项目里数据准备和训练常常要反复调几轮。第一次跑通后我会把距离矩阵用 seaborn 画成热力图检查有没有明显的交叉点。如果两个不同人的距离比同一个人的还小那基本可以断定预处理环节还有问题先去查对齐再查光照最后才怀疑 PCA 参数。这个排查顺序在下面的避坑章节里会再展开。4. PCA 人脸识别的 5 个避坑点光照、对齐、维度与阈值4.1 光照不均让模型“睁眼瞎”先做 CLAHE 再进 PCA现象训练时在室内灯下拍的人脸识别时换到窗边阳光下系统把同一个人误判成陌生人甚至另一个员工。原因PCA 的主成分是按像素方差找出来的全局亮度变化产生的方差比人脸五官差异还大所以主成分里很大一部分编码的是光照方向而不是身份信息。解决在灰度化之后立即做 CLAHE限制对比度让局部细节更平均如果光照情况跨度更大注册时多采集几个时段的人脸让均值和主成分把不同照度吸收掉。这一步比换分类器更能提升准确率。我看到不少 pca_usable.rar 里的训练脚本省略了 CLAHE实际识别时就开始翻车。判断方法很简单打印前 5 个特征脸的可视化如果第一张看起来像一张单纯的亮度渐变图而不是人脸轮廓说明光照方差占了主导赶紧把预处理补上。补了以后特征脸会出现更多五官轮廓识别率一般会立刻往上走。4.2 人脸没对齐PCA 学到的是姿态而不是脸现象一个同事抬头、低头、左右转头各拍了几张训练完以后识别率不到 70%查投影空间发现同一个人聚成好几坨。原因PCA 不区分姿态变化和身份变化它只知道哪些方向变化大。人脸没有对齐时旋转、平移造成的像素移动会占据最大的方差方向。解决入模之前必须做仿射变换把眼睛位置固定到模板坐标。没有关键点时可以只用 OpenCV DNN 人脸检测器返回的人脸框和五个关键点取两只眼睛做旋转对齐也能救回大部分精度。还有一个检查方法把学习到的特征脸可视化如果特征脸上有明显的边缘轮廓像某种姿势的剪影说明数据里姿态偏差太大需要回去重新对齐。实践里最省事的做法是直接采用 3.1 的 align_face 函数只要拍到左右眼就能把角度误差控制在一个像素以内。如果你连关键点都拿不到至少要保证人脸框的高度和宽度比例一致再用框中心做缩放裁剪效果会差一些但不至于完全不能用。4.3 维度 k 不是越大越好用累计方差贡献率来确定现象有人把 n_components 设成 200认为保留信息越多越好结果交叉验证准确率反而比 40 维时低 10 个百分点。原因主成分是按方差排序的后面几十个主成分主要由噪声、光照残差组成它们把不同类别的人脸距离拉小了干扰最近邻判断。解决画累计方差贡献率曲线取 90% 到 95% 交叉点对应的 k。另一种稳健做法是画 k-准确率曲线选准确率平台期的起点。平台期的起点通常是准确率曲线从快速上升到基本持平的转折点那个 k 一般落在 20~50 之间。注意如果每类样本只有 3 张k 再大也不会超过样本数超过样本数以后 SVD 会得到零奇异值纯属白算。试参数的时候还要同时看验证集和训练集的准确率。训练集 100%、验证集掉到 80%大概率是 k 太大导致过拟合反过来两个都很低说明预处理和特征选取的方向不对。先用 30 维跑通流程再花时间精调比一上来就网格搜索靠谱。4.4 阈值不是玄学要用距离分布来标定现象演示时用同一个人测试阈值设得很松结果陌生人也能通过阈值调紧一点员工又频繁要刷好几次才能开门。原因阈值本质是投影空间中的一个半径它决定了“最近邻居要近到什么程度才算认识”。只靠试几个数字来调很难兼顾误识率和拒识率。解决在验证集上统计两类距离——同类最近邻距离真正的用户到库里的最近点和异类最近邻距离陌生人到库里的最近点。画出直方图后理想阈值取两条曲线交点如果业务上更怕陌生人闯入把阈值往左偏如果更怕员工被拒就往右偏。这个过程的代码并不复杂把 recognize 函数里的 dists 拉出来分别收集同一个人的最小距离和不同人的最小距离最后用 matplotlib 画直方图。上线后还要定时收集运行日志更新阈值因为随着注册人数增加异类距离整体会变近固定阈值会慢慢失效。我见过最典型的翻车是门禁系统运行半年后误开率上升一查发现阈值还是初始调试时定的数据库里的人比那时多了两倍。4.5 样本不均衡导致“老用户好刷新用户刷不进”现象老员工在库里存了 30 张照片新员工只有 3 张识别结果总是偏向老员工新员工经常被拒。原因PCA 是无监督的样本多的类别对均值和主成分的影响更大同时最近邻比较环境里老员工周围有更多点更容易被选中。解决每类样本量做到一致最少 5 张。数据不够就做离线增强水平翻转、小角度旋转 ±5 度、亮度扰动、小幅平移。注意增强只能在训练侧做如果测试也用了同一张原图的增强版本会造成数据泄漏准确率虚高。还有识别的时候建议把“最小距离”和“次小距离的比值”也作为判断依据如果最小距离和次小距离非常接近说明这个人处在两个类别的边界上应该触发重新采集而不是直接下结论。人脸识别门禁机产品如果要提高新用户的体验这一步比调算法参数更有效。5. 从 PCA 模型到人脸识别门禁机验证流程与进阶技巧一段真正的门禁识别不是跑通脚本就算完它需要三个验证动作按人划分数据集、用留一法或 K 折得到真实准确率、用阈值标定得到误识/拒识率。这三个动作在前面章节里已经写了实现真正上线前还要把它们固化成回归测试——每次改预处理或加样本都要重跑一遍防止旧功能回归。还要注意验证时一定要按人划分不能把同一个人的多张照片同时放进训练集和测试集否则算出来的准确率参考价值很低。误识率和拒识率要一起看。只报准确率 98% 没什么意义因为门禁场景里准确率不等于安全性。我会在验证集上跑一遍画出误识率随阈值变化的曲线再结合门禁点每天通过的人数估算出阈值调紧后每天预计有几次误拒。这个数字要和业务方确认而不是自己拍脑袋。比如 300 人的办公室每天 600 次刷脸即使拒识率只有 0.5%一天也有 3 次被挡在门外员工体验会很差。进阶的第一招是 PCA LDA也就是 Fisherfaces。PCA 先去掉冗余再做线性判别让不同人的投影点更分离。代码层面很简单先对数据做 PCA 降到 50 维再对降维结果做 LDA 降到 C-1 维C 是人数。Fisherfaces 在 ORL 数据集上的准确率通常比纯 PCA 高 2~5 个百分点而且它更抗光照变化。第二招是给每个用户单独维护一个 PCA 子空间。当用户要重新录入照片时不用全量重训只把这个人的照片集更新后重新算一次均值脸和投影。这样做虽然牺牲一点全局一致性但在门禁机这种内存有限的设备上可以显著降低更新耗时。第三招是图像预处理参数要跟着识别性能一起锁版本。你优化了 CLAHE 的 clipLimit 或者裁剪框的 scale准确率可能从 95% 升到 98%但这个提升只有在你整套链路里才有意义。如果资料包或队友直接用另一套预处理推到设备上效果会立刻退化。我自己早期在一个门禁项目里吃过亏跑演示时准确率 98%上线后每天都有人被拒后来发现是设备摄像头角度偏低人脸对齐后眼睛位置和训练集差十来个像素PCA 投影距离整体变大了。解决方式是补拍一批低角度照片进训练集并把阈值按新分布重新标定。那次之后我养成了“先标定距离分布、再谈准确率”的习惯。希望这些步骤和踩坑记录能帮到你少走几步弯路。本文还有配套的精品资源点击获取