人脸搜索跟警方用的人脸识别是一回事吗？

底层的数学是类似的——检测、对齐、编码、比对。区别在索引。成人影像的人脸搜索工具比对的是公开的宣传图像，不是身份证件或户籍登记。

为什么同一个人在不同照片里分数不一样？

编码器对姿态、光照和背景的剥离并不彻底。极端角度、严重压缩和不寻常的光照都会让向量偏移，即便身份判断没错，分数也会被拉低。

发型基本没影响，因为对齐会紧贴面部区域裁切。体重的明显变化和医美确实会让向量移动，有时候足以把一个真实的匹配压到阈值以下。

人脸搜索把一张脸转换成一串数字，然后比较这串数字，而不是比较图片。检测负责找到脸和五个关键点，对齐把它摆正，编码器把它变成一个 512 维的向量，最后用余弦相似度拿它跟索引里的每一张脸排序。

人脸搜索不比较图像。它把每一张脸转换成一串固定长度的数字——也就是向量——然后比较这些向量。同一个人相隔数年、在不同房间里拍的两张照片，即使像素几乎没有任何重合，产生的向量也会挨得很近。

搞懂这四个阶段，你就能准确说出为什么有些截图一传就中，而有些不管重试多少次都不行。

检测回答的问题比大家想的要窄：这张图里哪儿有一张脸，它的五个关键点在哪儿？

检测器扫过图像，对找到的每一张脸返回一个边界框，外加五个关键点坐标——左眼、右眼、鼻尖、左嘴角、右嘴角。这一步我们用的是 YuNet。到这里为止还没有任何跟身份有关的事情发生；这纯粹是几何。

如果检测失败，后面所有环节都跟着失败。而检测失败的原因，跟通常意义上的画质完全无关：一只手挡住嘴、一个彻底的侧脸、一张小于检测器最小尺寸的脸。

对齐利用那五个关键点，把脸形变到一个标准位置——两眼在同一条水平线上，落在固定坐标，缩放到固定大小。

这一步就是为什么歪着的头和正面的头能被拿来比较。进入编码器的每一张脸，姿态相同、尺寸相同、裁切的区域也相同。注意这次裁切丢掉了什么：大部分头发、衣着、背景、房间。这些都不属于身份信号。

它也解释了一个常见的挫败感。如果关键点稍微偏了——比如有一只眼睛被遮住——对齐就会把脸形变错，而由此得到的向量会以一种「看起来很笃定」的样子出错。

一个编码器网络把对齐后的脸变成一个由 512 个数字组成的向量。这一步我们用 ArcFace。这个向量就是这张脸的数学描述。

真正让它有用的是训练目标：网络被训练成让同一身份的向量紧紧聚在一起，让不同身份的向量互相推开。它不是被训练来描述一张脸长什么样的；它是被训练来描述这是谁的。

阶段	输入	输出	什么时候会失败
检测（YuNet）	完整图像	边界框 + 5 个关键点	脸被遮挡、太小、角度太偏
对齐	边界框 + 关键点	标准化的人脸裁切	关键点不准
编码（ArcFace）	对齐后的裁切	512 维向量	裁切画质差、模糊，或压缩过重
比对	向量	带分数的排序列表	不会失败——它永远会返回点什么

最后一行才是要紧的，值得单开一节。

比对计算你的向量与索引中每一个向量之间的余弦相似度，然后按由近到远返回最接近的那些。

余弦相似度的取值从 0 到 1，描述的是两个向量之间的夹角。在我们的数据上，针对视频截帧标定的阈值是 0.40。高于它，就当这一对大概是同一个人；低于它，结果不过是恰好排在最前面的噪声。

最后这一点是向量检索最容易被误解的地方：**它永远不会返回空。**你向它要十张最接近的脸，它就给你十张，哪怕正确的那个人根本不在索引里。分数是唯一能把真答案和「现有最接近的陌生人」区分开的东西。一份不带分数的排序列表是没法读的。

因为比对只能对已经编码过的东西排序。索引不是对整个网络的搜索；它是一组事先算好的、固定的向量。

我们这一份里有 241,792 张脸，其中 2,333 张挂着有名字的女优，取自 106 个站点的封面与截帧（我们的索引，2026-08 快照）。由此直接引出两个后果：

**有一条边界值得说清楚：**我们的来源很集中。有名字的女优里，2,333 位中有 2,246 位的代表图来自同一个站点。因此覆盖面反映的是这些来源发布了什么，而不是整个行业的产出。

以图搜图找的是你整张图片的副本。人脸搜索找的是同一个身份在不同图片里的样子。它们成功和失败的条件正好相反。

如果一个工具在你裁切到脸部之后反而变差了，那它做的就不是人脸搜索。这是一个很可靠的一步诊断法。