人脸检测需先用frontal_face_detector定位人脸框，再用shape_predictor拟合关键点，最后用face_recognition_model_v1生成128维编码；图像必须为uint8类型且建议缩放至宽≤800像素。
人脸检测用 frontal_face_detector，别直接上 shape_predictor
很多人一上来就找关键点预测器，结果连脸在哪都不知道。dlib 的人脸检测是两步：先定位人脸框（frontal_face_detector），再对每个框做关键点拟合（shape_predictor）。检测器本身不依赖模型文件，但必须用 dlib.get_frontal_face_detector() 获取——它返回的是一个 C++ 对象的 Python 封装，不能自己 new。
- 检测器默认只对正脸敏感，侧脸或遮挡严重时会漏检，不是模型“不准”，是设计如此
- 输入图像必须是
numpy.ndarray且 dtype 为uint8，传float32或归一化过的图会静默失败，返回空列表 - 如果图太大（比如 4K），检测极慢；建议预缩放到宽度 ≤ 800 像素，用
cv2.resize()即可，不影响精度
face_recognition_model_v1 是识别用的，不是检测用的
这个模型文件（通常叫 dlib_face_recognition_resnet_model_v1.dat）只干一件事：把 68 点关键点对齐后的 128 维向量算出来。它完全不参与检测，也不做关键点回归。你得先有检测框 → 再用 shape_predictor 提取关键点 → 再用 face_recognition_model_v1 编码，三步缺一不可。
- 漏掉关键点对齐这步，直接拿检测框裁图送进识别模型，结果向量差异极大，几乎无法比对
- 该模型对光照和姿态敏感：背光、戴眼镜、大角度偏转都会让 128D 向量漂移明显
- 加载模型用
dlib.face_recognition_model_v1("xxx.dat")，路径错或权限不足时抛RuntimeError，错误信息里带Unable to open face recognition model
比对用 np.linalg.norm 算欧氏距离，阈值设 0.6 是经验起点
dlib 不提供“匹配/不匹配”布尔接口，只输出两个 128D 向量。判断是否同一人，就是算它们的欧氏距离：np.linalg.norm(vec1 - vec2)。这个值越小越可能是同一个人。
组合式C++代码评审方案，融合静态分析、AI推理、多轮迭代评审和C++专项检查，适用于PR审查、增量代码审查、全项目评审和代码质量评分，触发词包括review cpp、cpp代码评审、C++review、代码审查。
- 0.3–0.4 通常对应高度一致（同光照、正脸、无遮挡）
- 0.5–0.6 是常见可用阈值，覆盖多数监控截图场景
- 超过 0.6 基本可判定非同一人，但别硬切 0.6 —— 如果你的数据集全是侧脸，可能得调到 0.7 才不误拒
- 注意：不要用余弦相似度，dlib 官方示例和论文都明确推荐欧氏距离，因为向量已单位化
Windows 下编译 dlib 极易卡在 cmake 或 MSBuild 阶段
pip install dlib 在 Windows 上默认源码编译，依赖 VS 工具链和 CMake。不是所有 VS 版本都兼容，也不是装了 CMake 就能过。
- 必须用 Visual Studio 2019 或 2022（VS 2023 尚未被 dlib 官方支持），且安装时勾选“使用 C++ 的桌面开发”工作负载
- CMake 必须 ≥ 3.15，且要加到系统 PATH；否则报错信息里会出现
Could not find a version that satisfies the requirement cmake，但实际是找不到可执行文件 - 更稳的方案：用 conda 安装，
conda install -c conda-forge dlib，跳过所有编译环节
dlib 的人脸识别链路清晰但环环相扣，少一步或参数错一点，后面全崩。最容易被忽略的是图像 dtype 和关键点对齐这两步——它们不出错，但结果完全不可用。
C++免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 C++ 的入门与实战技巧！
