dlib人脸关键点检测需模型选型、灰度化+直方图均衡化、ROI扩展20%；侧脸/低光下68点模型失效因训练数据局限；特征比对须用RGB图经face_chip对齐后提取128维embedding计算余弦相似度。
直接用 dlib.get_frontal_face_detector() 配合 dlib.shape_predictor() 就能完成高精度人脸关键点检测，但“高精度”不等于“开箱即用”——关键在模型选型、图像预处理和坐标对齐方式。
为什么 shape_predictor_68_face_landmarks.dat 在侧脸或低光照下容易失效？
这个经典模型是基于正脸、中等分辨率、均匀光照的 LFPW 数据集训练的，对姿态和光照敏感。它本质是个回归器，输入归一化后的灰度 ROI，输出 68 个 (x, y) 坐标；一旦输入 ROI 包含严重遮挡、大角度旋转或对比度崩坏，回归误差会陡增。
- 实际使用前必须先做灰度化 + 直方图均衡化（
cv2.equalizeHist()），尤其对室内弱光图有效 - 检测到的人脸框建议向外扩展 20%（用
rect = dlib.rectangle(left-Δ, top-Δ, right+Δ, bottom+Δ)），给关键点预测留出上下文 - 若需处理 >±30° 偏转，应切换为
shape_predictor_5_face_landmarks.dat（仅鼻尖+双眼角）再配合dlib.estimate_head_pose()做粗配准，而非硬扛 68 点
如何用 dlib.face_recognition_model_v1 提取特征并比对？
比对不是直接算关键点欧氏距离，而是用 128 维 embedding 向量做余弦相似度。这个模型依赖对齐后的人脸图像，而对齐质量直接受关键点精度影响。
- 必须用
dlib.get_face_chip()基于 68 点做仿射变换裁剪（不能简单 bbox crop），否则 embedding 方差极大 - 输入图像必须是 RGB 格式且像素值在 [0, 255] 整数范围——传入 float32 归一化图会导致
face_recognition_model_v1内部计算溢出，返回全零向量 - 单张图多人脸时，
face_recognition_model_v1.compute_face_descriptor()必须逐个传入对齐后的 chip，不能 batch 输入
常见错误：比对结果忽高忽低，甚至同一个人不同帧返回 0.3 和 0.9 的相似度
这不是模型问题，而是 pipeline 中三个隐性变量失控：光照差异、对齐偏移、Jpeg 压缩伪影。dlib 的 embedding 对这三者极度敏感。
- 务必在调用
get_face_chip()前，对原始图像做cv2.cvtColor(img, cv2.COLOR_BGR2RGB)转换——OpenCV 默认 BGR，dlib 内部按 RGB 解析 - 避免从视频流直接抽帧比对：H.264 编码帧间预测会引入块效应，建议用
cv2.VideoCapture().set(cv2.CAP_PROP_POS_FRAMES, n)定帧读取原始帧 - 相似度阈值别设死值：实测在光照稳定场景下，同人匹配通常 >0.55；但强逆光下可能压到 0.45，此时应结合关键点置信度（
predictor(img, rect).part(i).x是否在矩形内）做二次过滤
真正难的不是调通代码，而是理解 dlib 每个函数背后的数据假设——它不处理 raw sensor data，只处理“已清洗、已对齐、已归一”的信号。漏掉直方图均衡、错用色彩空间、跳过 face chip 对齐，都会让 68 点变成干扰源而非特征源。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
