人脸检测为什么会失效？

从手机解锁、自动门禁到机场闸机的日常应用切入，引出'检测'与'识别'的区分，揭示人脸检测并非万能，并明确本课要回答的核心问题：在哪些常见真实场景下，人脸检测会系统性地失败？

• 人脸检测 ≠ 人脸识别：检测只回答'哪里有人脸'
• 失效不是偶发，而是集中在几类可归纳的场景
• 本课聚焦五类失效场景及其共同成因

在进入证据与解释前，请学习者从候选场景中选出'你认为最让人脸检测失效'的一类，作为本课的初始假设。

• 从遮挡、极端角度、极端光照、模糊低分辨率、欺骗五类中做一次独立判断
• 不需要现在给完整解释，只形成可被后续证据检验的假设

展示多个真实场景的检测结果对比：当脸部大面积被口罩、墨镜、手掌遮挡时，检测器要么完全漏检，要么把非人脸区域误判为人脸。

• 遮挡直接破坏'完整人脸'的纹理假设
• 大面积遮挡使分类器置信度显著下降
• 口罩时代公开评测显示召回率下降明显

第二组证据聚焦几何与成像退化：超过约 60° 的侧脸、过曝/过暗/逆光、运动模糊、低分辨率小脸，逐一展示检测框丢失或漂移的典型表现。

• 训练数据中正脸占比远高于大角度侧脸
• 极端光照破坏纹理直方图与边缘结构
• 低分辨率与运动模糊使可区分特征坍缩

一个简化的检测模拟器：学习者通过滑块调整'遮挡比例'、'侧脸角度'、'光照强度'、'模糊程度'四个变量，观察综合'检测置信度'与'召回率'的实时变化，把抽象失效条件变成可操作的直觉。

• 遮挡比例越大，置信度近似线性下降
• 侧脸角度超过约 60° 后召回率明显塌陷
• 光照偏离正常区间时曲线急剧下滑

把前面四类证据抽象到统一解释：人脸检测器依赖纹理、几何、统计三类特征；当输入偏离训练分布，这三类特征都会退化，模型自然失效。

• 纹理特征：被遮挡、强光、运动模糊破坏
• 几何特征：被大角度姿态与遮挡扭曲
• 统计特征：被低分辨率与极端光照压平
• 训练数据中正脸、清晰、均匀光照样本占主导

明确本课边界：检测器在物理上'看到一张脸'也会被'照片对屏幕''视频回放''对抗扰动'欺骗——这是欺骗与对抗问题，与真实场景的检测失效要分开讨论。

• 欺骗问题不是检测器'看不见'，而是它看见了'不该通过'的脸
• 对抗样本通过像素级扰动绕过检测器
• 本课聚焦'真实场景下的漏检/误检'，不展开欺骗细节

给出一个变化情境：地铁闸机使用手机级摄像头抓拍戴口罩通勤者，请学习者判断该场景的失效风险等级，并选择应该叠加的改进手段（更大数据增广、关键点辅助、多帧融合等）。

• 把五类失效条件迁移到具体业务场景
• 区分漏检风险与误检风险
• 用工程组合手段而非单一模型解决问题

直接回答驱动问题：遮挡、大角度、极端光照、运动模糊与低分辨率、对抗与欺骗；并给出评估与规避的总体原则。

• 五类失效场景可被统一解释为特征退化与训练分布偏置
• 评估时必须用贴近业务的失效子集而非仅用通用基准
• 工程上靠数据增广、多模态融合、人为干预等组合手段兜底