人臉搜尋和警方用的人臉辨識是同一回事嗎？

底層的數學很接近 —— 偵測、對齊、編碼、比對。差別在索引。成人影片的人臉搜尋工具比對的是公開的宣傳影像，不是身分證件或戶政資料。

為什麼同一個人在不同照片裡分數不一樣？

編碼器對姿勢、光線與背景的排除並不完美。極端角度、重度壓縮與不尋常的光線都會讓向量偏移，就算身分判斷正確，分數也會被拉低。

髮型很少有影響，因為對齊會緊貼臉部區域裁切。明顯的體重變化與醫美手術確實會讓向量移動，有時足以把一個真正的相符拉到門檻以下。

人臉搜尋是把一張臉換算成一串數字，然後比對這些數字，而不是比對圖片。偵測找出臉與五個特徵點，對齊把它擺正，編碼器把它變成一個 512 個數字的向量，再用餘弦相似度拿它跟索引裡的每一張臉排名。

人臉搜尋不比對圖片。它把每一張臉換算成一串長度固定的數字 —— 一個向量 —— 然後比對這些向量。同一個人相隔多年、在不同房間拍的兩張照片，就算幾乎沒有共通的像素，算出來的向量仍然會靠得很近。

搞懂這四個階段，你就會確切明白為什麼有些截圖一放上去就中，有些不管重試幾次都沒用。

偵測回答的問題比一般人以為的要窄：這張圖裡哪裡有臉，它的五個關鍵點在哪裡？

偵測器掃過整張圖，對它找到的每一張臉回傳一個邊界框，外加五個特徵點座標 —— 左眼、右眼、鼻尖、左嘴角、右嘴角。這個階段我們用 YuNet。到這裡跟身分還完全無關；這純粹是幾何。

偵測一旦失敗，後面所有環節都跟著失敗。而偵測失敗的原因，往往和一般意義上的畫質毫無關係：一隻手擋在嘴前、一個很硬的側臉、一張小於偵測器最小尺寸的臉。

對齊會用那五個特徵點，把臉扭正到一個標準位置 —— 雙眼落在同一條水平線上、位於固定座標、縮放到固定比例。

這一步就是為什麼歪著的頭和正對鏡頭的頭可以拿來比。每一張進入編碼器的臉，姿勢一樣、大小一樣、裁切的區域也一樣。注意這個裁切丟掉了什麼：大部分頭髮、衣服、背景、房間。那些都不屬於身分訊號的一部分。

它也解釋了一種常見的挫折感。如果特徵點稍微抓錯 —— 比方說一隻眼睛被擋住 —— 對齊就會把臉扭錯，而算出來的向量錯得像是一個很有把握的答案。

編碼器網路把對齊後的臉變成一個 512 個數字的向量。這一步我們用 ArcFace。這個向量就是這張臉的數學描述。

真正讓它有用的是訓練目標：這個網路被訓練成讓同一個身分的向量緊緊聚在一起、不同身分的向量互相推開。它不是被訓練來描述一張臉長什麼樣子，而是被訓練來描述它是誰。

階段	輸入	輸出	什麼時候會失敗
偵測（YuNet）	完整影像	邊界框 + 5 個特徵點	臉被遮住、太小、角度太極端
對齊	邊界框 + 特徵點	標準化的臉部裁切	特徵點抓得不準
編碼（ArcFace）	對齊後的裁切	512 個數字的向量	裁切畫質差、模糊或被重度壓縮
比對	向量	帶分數的排名清單	不會失敗 —— 它永遠會回傳東西

最後一列才是重點，值得自己一個章節。

比對會計算你的向量與索引裡每一個向量之間的餘弦相似度，然後依序回傳最接近的那些。

餘弦相似度的範圍是 0 到 1，描述的是兩個向量之間的夾角。在我們的資料上，針對影片截圖校準出來的門檻是 0.40。高於它，這一對就被當成可能是同一個人；低於它，這個結果只是剛好最接近的雜訊。

最後這一點是向量搜尋最常被誤解的地方：**它永遠不會回傳空的。**你跟它要最接近的十張臉，它就給你十張，就算對的人根本不在索引裡也一樣。分數是唯一能區分「真正的答案」與「最接近的陌生人」的東西。沒有分數的排名清單是讀不懂的。

因為比對只能替已經編碼過的東西排名。索引不是在搜尋整個網路，它是一組事先算好的、固定的向量。

我們的索引裡有 241,792 張臉，其中 2,333 張連得上具名女優，取自 106 個站台上的封面圖與截圖（我們的索引，2026-08 快照）。由此直接得出兩個後果：

一張存在於索引裡、但從來沒有連上名字的臉，會以未具名身分的形式回傳。這很常見 —— 光是我們的相似女優資料裡就有 7,004 筆參照指向沒有附上名字的身分。
一張根本沒被索引過的臉，在任何分數之下都不可能被回傳。工具仍然會把它最接近的猜測秀給你看。

**值得講明的邊界：**我們的來源很集中。2,333 位具名女優裡有 2,246 位，代表圖來自同一個站台。所以覆蓋反映的是那些來源發布了什麼，不是這個產業的全部產出。

以圖搜圖找的是你整張圖片的副本。人臉搜尋找的是同一個身分出現在不同圖片裡。它們成功與失敗的條件正好相反。

如果一個工具在你裁切到臉部之後表現變得更差，那它做的就不是人臉搜尋。這是一個很可靠的一次性判斷法。