把人脸验证装进浏览器：6.5MB 模型实现门禁级 1:1 比对

架构：浏览器检测对齐，服务端比对

face-api.js（TensorFlow.js）提供三个轻量模型：人脸检测 190KB、68 关键点 90KB、特征提取 6.3MB。前两个在浏览器完成人脸检测与关键点定位；按双眼参考点做相似变换，裁出 112×112 的标准人脸小图上传；服务端用 InsightFace ArcFace（w600k_r50）提取 512 维特征，与白名单做余弦相似度 1:1 比对。

隐私效果：访客照片不离开浏览器，传输的仅是对齐后的人脸小图（比对完成即丢弃），满足最小化采集原则。

踩坑一：浏览器端模型的区分度天花板

我们最初把特征提取也放在浏览器（face-api.js 128 维特征），服务端只做比对。实测六张完全不同人的人脸，两两余弦相似度高达 0.79~0.91——无论阈值怎么设，陌生人都会被误判为白名单人员。

结论：face-api.js 的 128 维特征可以做人脸检测与对齐，但做不了可靠的跨人判别。判别必须交给服务端的工业级模型（ArcFace 512 维：同人 0.5~0.8，陌生人 <0.25，界线分明）。

踩坑二：对齐参考点偏移 14px 的代价

ArcFace 模型对输入人脸有严格的空间规范（双眼中心参考位约 y=51.6）。我们最初把双眼中心放在 y=66——仅 14px 的偏移，导致两个不同人的相似度虚高到 0.56（误通过），而修正为标准参考位后，同一个对比的相似度骤降到 0.12（正确拒绝）。

教训：做人脸特征比对，对齐环节的亚像素级精度都值得较真。

实测数据

同人验证（含亮度 +25%、旋转 4°、缩放 85% 变体）：相似度 0.886~1.0，全部正确通过。陌生人：最高相似度 0.076，全部正确拒绝。检测+对齐在浏览器端毫秒级完成，服务端比对为常数开销。