2012年alexnet让深度学习重燃春天之后，人脸识别也借着这波风口起来了，各种指标都比之前大幅提高，在安防和金融高歌猛进，目前在门禁、考勤也快速切入推进；
颠覆性和优点就不用说了，说说看到的几个问题：
1.漏抓率和错误率，在算法模型稳定之后，这两个指标主要受阈值影响；
2.阈值高时，假如98分，错误率会降低，但漏抓率会提高，这在安防行业无所谓，毕竟以前摄像头下走过100个逃犯，1个都抓不到，现在抓到80s甚至50个，公安已经很高兴了，况且公安无法判断漏抓了多少。但是如果应用在考勤，银行等场合，问题就很严重了，不能开门或者影响正常业务办理，那体验就很差了；
3.为了降低漏抓率，考勤、银行等准ToC场合阈值不能太高，但隐患就是长相类似的陌生人员也有可能打开别人的权限；
4.长相相似和双胞胎误判错误率问题，这个不管阈值多高，都是业内难题；
5.计算速度，基于深度学习的特征提取，速度还是个大问题，特别是基于实时视频流的跟踪、识别时，占用计算资源太大；
好在asic方案在不断成熟，但asic一般都是用在前端设备的，如人脸抓拍机，输出目前都是抓拍图片，后台服务器1:N，目前这个效果还是不如基于服务器的视频流跟踪、识别；除非抓拍机直接输出一系列人脸特征，可能提高很多。
6.目前国内人脸厂家，旷，商，依，云等，都是以算法为专长，但算法好离产品稳定还差十万八千里，需要硬件，嵌软，视频编解码，流媒体，分布式计算等等各种技术，用过几家的产品，只能呵呵。。
基于以上，人脸识别最适合的应用场合还是安防，其他行业要想大规模稳定运行，还需一些时日。
问题动态
- 发布时间
- 2026-01-18 13:27
- 更新时间
- 2026-01-18 13:27
- 关注人数
- 0 人关注
