人脸识别全攻略：主流SDK · 阈值标准 · 摄像头选型
起因：客户问"你们阈值写了多少？微信/支付宝用多少？我说0.85，他让我试试0.9，效果还行。" 但0.9真的是最优解吗？不同SDK、不同场景、不同摄像头，阈值到底该设多少？ 这篇文章一次讲透。
一、主流人脸识别 SDK 全景图
中国市场可商用的离线人脸识别SDK主要有以下几家：
1.1 百度 AI 人脸识别
| 维度 | 详情 |
|---|---|
| 类型 | 离线 SDK + 云端 API |
| 授权方式 | 按设备授权，需联网激活 |
| 支持平台 | Android、iOS、Windows、Linux |
| 核心能力 | 人脸检测、1:1比对、1:N搜索、活体检测（RGB+IR）、属性识别 |
| 收费模式 | 付费授权（约299元/设备起） |
| 推荐阈值 | 80分（万分之一误识率），高安全场景 90分 |
| 适用场景 | 人脸登录、考勤、门禁、支付 |
官方文档：建议阈值80分，对应万分之一误识率。安全级别高的建议90分。
1.2 虹软 ArcFace SDK
| 维度 | 详情 |
|---|---|
| 类型 | 离线 SDK |
| 授权方式 | 免费商用，按年续期（重新下载引擎即可） |
| 支持平台 | Android、Windows、Linux、iOS |
| 核心能力 | 人脸检测/跟踪、特征提取、1:1比对、1:N搜索、RGB活体、IR活体、年龄/性别 |
| 收费模式 | 完全免费（需在产品标注"人脸识别技术由虹软提供"） |
| 推荐阈值 | 0.80（相似度），RGB活体 0.75 |
| 人脸库规模 | 未限制人数，但1000人内最优 |
| 识别速度 | RK3399平台1000人全流程500ms以内 |
官方文档：阈值为0.8左右，需根据实际场景调整。ArcFace 2.x版本推荐0.8。
1.3 旷视 Face++ / Megvii
| 维度 | 详情 |
|---|---|
| 类型 | 离线 SDK + 云端 API |
| 授权方式 | 联网授权（¥20,000起/年/1000设备）或离线授权（¥300,000起/年/不限） |
| 支持平台 | Android、iOS、Windows、Mac |
| 核心能力 | 人脸检测、1:1比对、1:N搜索、活体检测（静默/动作/视频） |
| 收费模式 | 按设备授权数收费 |
| 推荐阈值（1:1比对） | FPR=0.01%→76.5，FPR=0.001%→80.9（分数范围0-100） |
| 识别速度 | 200ms特征提取+比对 |
| 准确率 | 实际应用中超过99% |
旷视同时是支付宝刷脸支付的核心算法供应商，其FaceID平台支持百万分之一误识率阈值。
1.4 商汤 SenseTime（星云系列）
| 维度 | 详情 |
|---|---|
| 类型 | 硬件模组 + SDK |
| 授权方式 | 硬件绑定 |
| 支持平台 | Android、Windows、Linux（USB/UART接口） |
| 核心能力 | 特征值识别、活体检测（防3D头模攻击≥99.9%）、口罩识别 |
| 收费模式 | 硬件模组采购 + 授权 |
| 推荐阈值（默认） | 验证阈值 0.90、活体阈值 0.995、注册阈值 0.60 |
| 人脸库容量 | 本地2万 |
| 识别速度 | 0.1s无感识别 / 0.3s快速识别 |
| 误识率 | ≤0.01% |
| 摄像头 | 双目200万像素 + 4颗红外补光灯 |
| 识别距离 | 0.3m ~ 0.3m（可调） |
官方API show 默认
verify_threshold = 0.90，liveness_threshold = 0.995。这是目前唯一一家公开默认阈值设为0.90的主流厂商。
1.5 海康威视 Hikvision
| 维度 | 详情 |
|---|---|
| 类型 | 硬件一体机（嵌入式Linux） |
| 授权方式 | 硬件内置 |
| 核心能力 | 人脸识别、活体检测（照片/视频防假）、口罩检测、多人识别 |
| 人脸库容量 | 1500 ~ 50,000 张（不同型号） |
| 识别速度 | < 0.2s/人 |
| 准确率 | ≥ 99% |
| 摄像头 | 200万CMOS双目摄像头（星光级图像传感器） |
| 识别距离 | 0.3m ~ 3.0m |
| 人脸质量阈值 | 特征点置信度 ≥ 0.85，总评分 ≥ 0.6 |
| 适用场景 | 门禁、闸机、考勤 |
海康云平台 API：
pointsQuality >= 0.85f（特征点置信度），totalQuality >= 0.6f（总评分）。它没有直接公开1:N的比对阈值，但在人脸注册质量环节有明确的0.85门槛。
1.6 大华 Dahua
| 维度 | 详情 |
|---|---|
| 类型 | 硬件一体机 |
| 核心能力 | 人脸认证、活体检测、口罩/安全帽检测、多人识别（最多6人同时） |
| 人脸库容量 | 3000 ~ 10,000 张 |
| 识别速度 | < 0.2s/人 |
| 准确率 | 99.9% |
| 摄像头 | 200万CMOS双目摄像头 |
| 识别距离 | 0.3m ~ 3.0m |
| 适用场景 | 写字楼、学校、园区、工厂 |
1.7 腾讯云人脸识别
| 维度 | 详情 |
|---|---|
| 类型 | 云端 API |
| 推荐阈值 | ≥ 70（千分之一误识率）、≥ 80（万分之一误识率） |
| 金融核身 | ≥ 90+ |
| 适用场景 | 在线身份验证、人脸登录 |
1.8 云从科技
| 维度 | 详情 |
|---|---|
| 定位 | 金融级人脸识别 |
| 误识率 | 低于十万分之一 |
| 特殊优势 | 跨镜追踪、国有银行核心供应商 |
| 适用场景 | 银行、机场安检、公安 |
二、各 SDK 推荐阈值速查表
| SDK / 厂商 | 分数范围 | 通用推荐阈值 | 高安全推荐 | 活体检测阈值 | 人均比对速度 |
|---|---|---|---|---|---|
| 百度 AI | 0~100 | 80（万分之一FAR） | 90 | SDK内置 | 200ms |
| 虹软 ArcFace | 0~1 | 0.80 | — | RGB: 0.75 | 500ms@1000人 |
| 旷视 Face++ | 0~100 | 76（万分之一FAR） | 81（十万分之一） | 云端判定 | 200ms |
| 商汤 SenseTime | 0~1 | 0.90（默认） | 0.95 | 0.995 | 100~300ms |
| 海康威视 | 内置 | 质量评分 ≥ 0.85 | — | 硬件内置 | <200ms |
| 大华 | 内置 | 内置系统判定 | — | 硬件内置 | <200ms |
| 腾讯云 | 0~100 | 80（万分之一FAR） | 90+ | 云端判定 | 云端延迟 |
| 云从 | — | 金融级 | <十万分之一FAR | 云端判定 | — |
| Amazon Rekognition | 0~100 | 99（身份验证） | — | — | 云端延迟 |
| Azure Face | 0~1 | 无统一推荐 | 按场景定制 | — | 云端延迟 |
注：分数范围0
1和0100本质相同，只是精度差异。0.80 = 80分，0.90 = 90分。
三、关键概念：FAR / FRR，阈值降不下来的根本原因
3.1 FAR（False Accept Rate，误识率）
"别人刷脸，系统当成你通过了"
FAR = 错误接受次数 / 所有非本人的比对次数
| FAR 值 | 含义 | 举例（500人食堂） |
|---|---|---|
| 0.1%（千分之一） | 每1000次非本人比对，误通过1次 | — |
| 0.01%（万分之一） | 每10000次非本人比对，误通过1次 | 约等于几乎不误识 |
| 0.001%（十万分之一） | — | 金融核身要求 |
| 0.0001%（百万分之一） | — | 支付级要求 |
3.2 FRR（False Reject Rate，拒真率）
"你自己刷脸，系统不让你过"
FRR = 错误拒绝次数 / 所有本人的比对次数
FRR 越高 → 员工越骂人。食堂场景 FRR 超过 1%，每天早上排队排到门外。
3.3 零和博弈：为什么不存在"完美阈值"
FAR ↓ = 阈值 ↑ = FRR ↑ （更安全，但自己人更难通过）
FRR ↓ = 阈值 ↓ = FAR ↑ （自己人容易过，但别人也能通过）
两个错误率是跷跷板的两端，不存在"FAR 和 FRR 都低"的魔法阈值，只能根据业务风险偏好取舍：
- 支付场景：宁可 FRR 高，不可 FAR 高。刷不过可以重试或换支付方式，刷错一笔就是事故。
- 食堂场景：偏重 FRR 低。刷不过员工骂人，刷错最多帮他付顿饭（还有订单确认+密码兜底）。
四、为什么支付场景能做到又快又准？
直觉上矛盾的命题：
阈值 0.95 那么高 → 自己人应该很难通过 → 为什么微信/支付宝识别快通过率还高？
核心答案：靠的是硬件碾压，不是算法调参。
4.1 摄像头的信息量天壤之别
普通单目 RGB： 拍一张 2D 照片
信息量 = 200万个像素的颜色值
双目 RGB+IR： 多了红外通道
能区分真人皮肤和照片反射
3D 结构光： 投射 30000 个光点，构建深度点云
→ 鼻子多高、眼窝多深，毫米级精度
3D 结构光给同一个人打的天然相似度就在 0.95+，因为输入的是一张深度图而不只是二维颜色——信息量多了一个维度。
打个比方：
- 2D 人脸比对：像凭一张证件照认人，0.80 就差不多了
- 双目 + IR：像看半身照+身高信息，0.85 有把握
- 3D 结构光：像看一个石膏面模认人，0.95 起步
4.2 "快"的核心：硬件代替算法
| 环节 | 普通单目/双目 | 3D 结构光 |
|---|---|---|
| 活体检测 | RGB 静默活体，CPU 算 150ms | IR 深度图直接判，30ms |
| 特征提取 | 2D 128/512 维特征 | 3D 特征 + 硬件加速 |
| 总体时延 | 500ms~1000ms | < 1s（微信刷脸官方标称） |
活体检测省了大头：RGB 静默活体需要分析皮肤纹理、微表情来判断是不是照片，计算量大。3D 结构光直接看深度——照片是平的，真人有鼻子——瞬间判定。
4.3 "高频人脸库"降低二次确认
微信刷脸在同一个门店有本地高频缓存：
第一次刷脸：全量检索 → 匹配 → 二次确认（输手机后四位）
之后同门店：高频库 500 人搜索 → 匹配 → 无需二次确认，秒过
搜索范围从 50000 人缩小到 500 人，压力降到 1/100，速度快 + 误识概率也降低。
4.4 一句话总结
| 普通考勤/食堂 | 支付金融 | |
|---|---|---|
| 摄像头 | 单目/双目 | 3D 结构光 |
| 信息维度 | 2D | 3D 深度 |
| 活体检测 | 软件算 | 硬件直接判 |
| 同一个人天然相似度 | 0.75~0.85 | 0.95+ |
| 阈值设置 | 0.80 | 0.95 |
支付场景阈值 0.95 不是因为冒险硬扛，而是 3D 摄像头给同一个人打的分数天然就高。别人刷不上去，自己人怎么刷都稳稳过——这才同时做到"又快 + 又准 + 又安全"。
五、不同应用场景的阈值推荐
阈值 ↑
0.95 ─ ┬── 支付/金融核身（微信/支付宝/银行）
│ 需要3D结构光或双目+IR活体
│ FAR要求 < 0.0001%（百万分之一）
│
0.90 ─ ┼── 商汤默认 / 高安全考勤门禁
│ 双目摄像头 + 活体检测
│
0.85 ─ ┼── 食堂点餐/身份确认（本项目当前值）
│ 双目摄像头，建议配合活体
│
0.80 ─ ┼── 百度推荐 / 虹软推荐 / 普通考勤门禁 ★ 最常见基准
│ 单目或双目摄像头
│
0.75 ─ ┼── 安防搜索 / 黑名单初筛
│ 抓拍摄像头，人工复核
│
0.70 ─ ┴── 腾讯云最低推荐 / 非关键场景过滤
识别距离远、角度大、光线差
四、摄像头选型：不同场景该用什么摄像头？
4.1 摄像头分类
| 类型 | 说明 | 代表硬件 | 适用场景 | 活体能力 |
|---|---|---|---|---|
| 单目 RGB | 普通USB/内置摄像头，只有可见光 | USB摄像头、手机前置 | 考勤打卡（配合动作活体） | ★☆☆（易被照片攻击） |
| 双目 RGB+IR | 一个RGB镜头 + 一个红外镜头，带IR补光灯 | 海康/大华门禁机、虹软推荐模组 | 门禁、食堂 | ★★★（IR活体+RGB活体） |
| 3D 结构光 | 投射数万光点构建深度图 | iPhone FaceID、奥比中光模组 | 支付、金融核身 | ★★★（防3D头模） |
| TOF 深度 | 发射光脉冲测量飞行时间 | 部分高端模组 | 远距离通行 | ★★★（但精度不如结构光） |
4.2 各 SDK 推荐/适配的摄像头
| SDK | 单目RGB | 双目RGB+IR | 3D结构光 | 推荐品牌/型号 |
|---|---|---|---|---|
| 百度 | ✅ | ✅ | ✅ | 通用于主流USB摄像头 |
| 虹软 ArcFace | ✅ | ✅ | ❌ | 无特定品牌限制，支持RGB+IR |
| 旷视 Face++ | ✅ | ✅ | ✅ | 支付宝蜻蜓（奥比中光3D模组） |
| 商汤SenseTime | ❌ | ✅ | ✅ | 自研AIM M30双目模组（200万+IR补光灯） |
| 海康 | ❌ | ✅ | ❌ | 自研200万CMOS双目（星光级） |
| 大华 | ❌ | ✅ | ❌ | 自研200万CMOS双目 |
4.3 摄像头技术参数建议
| 参数 | 最低要求 | 推荐值 | 说明 |
|---|---|---|---|
| 分辨率 | 1280×720 | 1920×1080（2MP） | 人脸区域≥120px宽度，瞳距≥40px |
| 帧率 | 15fps | 30fps | 过低会导致运动模糊 |
| 宽动态（WDR） | 可选 | 96dB+ | 逆光场景必备 |
| 最低照度 | — | ≤0.01 lux | 暗光环境（食堂/楼道常见） |
| 镜头焦距 | 按距离选择 | 2.8mm~6mm | 0.3m~3m识别范围 |
| 接口 | USB 2.0 | USB 2.0/UART | UVC免驱兼容性更好 |
| 红外补光 | 双目建议配 | 850nm IR LED | 暗光下IR活体检测 |
五、影响阈值选择的关键因素
5.1 人脸库规模
人脸库 100 人 → 阈值 0.80 足够（FAR 万分之一，几乎不误识）
人脸库 500 人 → 阈值 0.85 保险
人脸库 1000 人 → 可维持 0.85，视实测调整
人脸库 5000 人 → 建议 0.85+，因误识概率累积
人脸库 50000 人→ 建议 0.90+，否则每天都有误识案例
5.2 是否有活体检测
| 活体检测 | 阈值可适当 | 原因 |
|---|---|---|
| 无活体 | 偏严（0.85+） | 照片攻击风险，阈值太高也挡不住但能减少 |
| RGB静默活体 | 适中（0.80~0.85） | 有一定防护，但不能完全依赖 |
| 双目IR活体 | 可偏松（0.80） | IR活体比RGB活体可靠得多 |
| 3D结构光 | 可偏松（0.80） | 最可靠，几乎不存在假体攻击 |
5.3 是否有二次确认机制
食堂点餐场景：人脸识别 → 查询余额 → 展示订单确认 → 输入密码支付。
因为有订单确认 + 支付密码二次确认，人脸识别的容错空间较大。即使偶有误识，也不会造成资金损失。
这是我们把阈值从 0.90 调回 0.85 的核心原因——后面有防线兜底。
5.4 硬件环境
| 环境 | 阈值建议 | 原因 |
|---|---|---|
| 室内固定光 | 0.85 | 稳定 |
| 室内强逆光 | 0.82 | 逆光拉低相似度 |
| 半户外 | 0.80 | 光线变化大 |
| 完全户外 | 0.78 | 角度/距离/光照变化剧烈 |
| 抓拍场景 | 0.75 | 非配合，角度差 |
六、我们的实战经验（双屏柜台点餐机）
| 项目 | 实际值 |
|---|---|
| SDK | 百度离线人脸识别 SDK |
| 摄像头 | 双目 RGB+IR（支持活体检测） |
| 场景 | 食堂点餐身份确认 → 查余额 → 扣款 |
| 人脸库 | 约 200~500 人 |
| 当前阈值 | 0.85（线上运行中） |
| 候选阈值 | 0.90（客户建议，测试效果良好） |
| 活体检测 | 原生 Dialog 内置，无需额外配置 |
| 二次兜底 | 订单确认 + 支付密码 |
阈值演进记录
| 阶段 | 阈值 | 效果 |
|---|---|---|
| 初版 | 0.80 | 偶有误识，客户反馈"识别错了" |
| 优化 | 0.85 | 误识明显减少，日常运行良好 |
| 客户建议 | 0.90 | 误识几乎为0，偶需重试，客户满意 |
| 最终 | 0.85 | 考虑到有订单确认+支付密码两道防线，平衡体验 |
七、总结：一分钟决策指南
┌─────────────────────────────────────────────────────┐
│ │
│ 你的场景是？ │
│ │
│ 支付/银行 ──→ 阈值 0.90~0.95 + 3D结构光 + 活体 │
│ 门禁闸机 ──→ 阈值 0.80~0.90 + 双目 + 活体 │
│ 食堂点餐 ──→ 阈值 0.85 + 双目 + 活体 + 订单二次确认 │
│ 考勤打卡 ──→ 阈值 0.80 + 单目/双目即可 │
│ 安防搜索 ──→ 阈值 0.70~0.75 + 抓拍摄像头 + 人工复核 │
│ │
│ SDK 选型： │
│ 预算充足 → 海康/大华一体机（开箱即用） │
│ 免费方案 → 虹软ArcFace（免费商用） │
│ 稳定可靠 → 百度离线SDK（付费但文档完善） │
│ 支付级 → 商汤模组（默认0.90阈值） │
│ 云端方案 → 腾讯云/旷视Face++ API │
│ │
│ 摄像头选型： │
│ 够用就行 → 单目RGB USB摄像头（200万+30fps） │
│ 安全要求 → 双目RGB+IR + IR补光灯（防照片攻击） │
│ 支付级别 → 3D结构光（奥比中光/商汤模组） │
│ │
└─────────────────────────────────────────────────────┘
| 一句话 | 阈值 |
|---|---|
| 行业基准线 | 0.80 |
| 安全与体验平衡点 | 0.85 |
| 商汤/支付级门槛 | 0.90 |
| 微信/支付宝推测值 | 0.95± |
0.80是起点，0.85是平衡，0.90是安全线，0.95是支付级。 你的场景在哪里，阈值就设在哪里。
最重要的一条：部署后持续观察FRR，如果员工天天骂刷不过，阈值该降就降。 人脸识别是服务用户的工具，不是考核用户的考官。
本文写于 2026 年 6 月，数据来源包括各厂商官方文档、公开API参数、行业报告及双屏柜台点餐机项目实际部署经验。
参考资料：
