人脸识别技术并非识别你的“脸”，那它真正识别和比对的到底是什么特征？

人脸识别技术确实不是直接识别和比对比“脸”这个整体图像本身。它真正识别和比对的是一系列高度抽象的、代表面部独特结构的数学特征（通常表示为一个特征向量）。这个过程可以分解如下：

人脸检测与定位： 首先，系统在图像或视频中找到人脸的位置和范围。 预处理： 对检测到的人脸区域进行标准化处理，例如：

特征提取： 这是最核心的一步。算法会分析预处理后的人脸图像，提取出一组能够区分不同个体的、最具判别性的特征。这些特征不是我们肉眼直观理解的“眼睛”、“鼻子”等，而是：

深度学习的“特征向量”： 现代人脸识别主要基于深度学习（尤其是卷积神经网络 - CNN）。网络经过海量人脸数据训练后，其深层神经元会学习到一系列高度抽象的特征。当一张人脸图像输入网络后，网络最终会输出一个固定长度的数字向量（例如 128 维、512 维等），这个向量被称为特征向量或嵌入。
这个特征向量的含义： 这个向量中的每个数值本身没有直接的物理意义（比如不是明确代表鼻子的高度或眼睛的颜色），但它代表了这张人脸在由网络学习到的“人脸特征空间”中的位置或坐标。这个空间是神经网络通过学习发现的、能最好地区分不同人的数学空间。相似的人脸在这个空间中的位置会彼此靠近。
与传统特征的区别： 早期方法可能使用手工设计的特征，如几何特征（关键点之间的距离、角度）、纹理特征（如 LBP, HOG 描述局部纹理）。但这些特征通常不如深度学习方法学习到的特征鲁棒和具有判别力。

特征比对： 系统不会存储原始的人脸图片进行比对。它存储的是每个注册用户的特征向量。