人脸识别登录这个功能我从两年前就开始在几个内部系统里陆续落地踩过的坑不算少。最早一版用的是本地训练的小模型识别率在实验室里看着还行一到真实场景就崩——光线稍微暗一点、角度偏一点直接认不出人。后来换成调用云端AI能力整个开发周期从两周压缩到两天识别准确率也上了一个台阶。这篇内容就围绕“基于百度AI人工智能库完成人脸识别登录”这个主题把我在实际项目里趟出来的完整路径拆开讲清楚。如果你正在做一个需要登录鉴权的系统又不想让用户记密码、收验证码人脸识别登录是一个体验很好的方案。它适合有一定后端基础、想快速集成AI能力的开发者也适合产品经理了解整个链路的技术边界。读完你至少能搞清楚三件事人脸识别登录的完整技术链路长什么样、百度AI的人脸库怎么对接、以及实际落地时哪些坑必须提前避开。1. 人脸识别登录的整体设计与技术选型1.1 为什么选云端AI库而不是自己训练模型先说一个最核心的决策人脸识别登录到底是用本地模型还是调云端API。我一开始也纠结过甚至花了一周时间用开源框架训练了一个小模型结果发现几个致命问题。第一是数据量不够。人脸识别模型要达到可用的准确率需要海量的人脸数据做训练个人或小团队根本拿不到这个量级的数据。第二是硬件成本。推理阶段如果放在本地服务器CPU跑不动得上GPU一台带显卡的服务器成本直接拉高整个项目预算。第三是维护成本。模型需要持续迭代光照、遮挡、活体检测这些场景都要覆盖自己维护一套模型等于养一个算法团队。调用云端AI库就完全不一样了。百度AI的人脸识别接口背后是经过大规模数据训练和持续优化的模型你只需要传一张图片它返回识别结果。开发周期短、准确率高、不用管硬件。对于绝大多数中小型项目来说这是性价比最高的选择。当然云端方案也有代价依赖网络、有调用次数限制、涉及用户人脸数据的合规问题。这些在后面会详细讲怎么处理。1.2 人脸识别登录的完整链路拆解很多人以为人脸识别登录就是“拍张照比对一下”实际上完整链路要复杂得多。我把它拆成六个环节前端采集通过摄像头获取用户人脸图像可以是拍照也可以是实时视频流抽帧。图像预处理裁剪、压缩、格式转换确保符合接口要求。人脸检测判断图片中是否有人脸以及人脸的位置和大小。特征提取将人脸图像转换为特征向量这是一串数字代表这张脸的“指纹”。特征比对将当前人脸特征与库中已注册的特征进行比对返回相似度分数。业务决策根据相似度分数判断是否通过通过则生成登录凭证。百度AI的人脸库把这六个环节中的第3、4、5步都封装好了你只需要处理第1、2、6步。这就是用云端库的核心优势——把最复杂的算法部分交给专业的人做。1.3 百度AI人脸库的核心能力矩阵百度AI的人脸识别能力不是单一接口而是一组接口的集合。做登录功能主要用到以下几个接口名称功能说明在登录场景中的作用人脸检测检测图片中的人脸位置、质量判断用户上传的图片是否合格人脸注册将人脸特征存入指定用户组用户首次使用时录入人脸人脸搜索在指定组中搜索最相似的人脸登录时比对返回匹配用户人脸比对两张人脸图片的1:1比对辅助验证提高安全性活体检测判断是否为真人防止照片、视频攻击登录场景的核心是人脸搜索用户刷脸时系统在已注册的人脸库中搜索找到最相似的那条记录如果相似度超过阈值就认为登录成功。这里有个关键概念叫用户组group。你可以把它理解为一个“人脸库分区”不同应用、不同租户的人脸数据放在不同的组里搜索时指定组ID就不会串数据。这个设计在多租户系统里非常实用。1.4 方案选型的几个关键考量在实际落地时有几个选型问题需要提前想清楚。第一用1:N搜索还是1:1比对1:N搜索是“这张脸是谁”适合登录场景用户不需要输入账号直接刷脸就能找到对应的人。1:1比对是“这张脸是不是这个人的”需要用户先输入账号再刷脸验证。前者体验更好但对库的规模和准确率要求更高。我一般建议用户量在1万以内用1:N超过1万考虑1:1或者分库。第二相似度阈值怎么定百度AI返回的相似度分数范围是0到100分数越高越相似。阈值定得太低容易误识别定得太高用户刷好几次都登不进去。我的经验是登录场景阈值设在80到85之间比较合适具体要根据实际测试调整。后面会讲怎么科学地定这个阈值。第三要不要加活体检测如果只是内部系统用户信任度高可以不加。但如果是面向公众的应用强烈建议加活体检测否则一张照片就能冒充别人登录。百度AI提供在线活体检测和离线活体检测两种方案在线版通过率更高离线版不依赖网络。2. 开发前的环境准备与账号配置2.1 百度AI开放平台的账号开通流程要用百度AI的人脸识别接口第一步是在百度AI开放平台创建应用。这个过程不复杂但有几个细节容易卡住。首先注册账号并完成实名认证。然后进入控制台找到“人脸识别”服务创建一个应用。创建时会让你选择应用类型一般选“通用”就行。创建完成后你会拿到三个关键信息API Key、Secret Key和App ID。这三个东西的关系是这样的API Key和Secret Key用来获取Access TokenAccess Token才是调用具体接口时的凭证。App ID主要用于区分应用部分接口会用到。注意Secret Key只在创建应用时显示一次一定要立刻保存。如果丢了只能重置重置后旧Key立即失效。2.2 Access Token的获取与缓存策略Access Token是调用百度AI接口的“通行证”有效期为30天。获取方式是用API Key和Secret Key换一个Token接口地址是POST https://aip.baidubce.com/oauth/2.0/token 参数 grant_typeclient_credentials client_id你的API Key client_secret你的Secret Key返回结果里有一个access_token字段这就是你要的Token。这里有个非常重要的实操经验不要每次调用人脸接口都去换一次Token。Token的有效期是30天但百度对获取Token的接口有频率限制频繁调用会被限流。正确的做法是把Token缓存起来比如存在Redis里设置25天的过期时间到期前自动刷新。我见过有开发者每次请求都去换Token结果上线第一天就被限流了整个登录功能瘫痪。这个坑一定要避开。2.3 开发环境与依赖安装我用的是Python因为百度AI提供了官方的Python SDK集成起来最方便。其他语言也有对应的SDKJava、PHP、Node.js都有原理一样。安装SDKpip install baidu-aip如果你不想用SDK直接调HTTP接口也行但SDK帮你封装了签名、编码、异常处理这些琐事能省不少事。除了SDK还需要准备几个辅助库pip install requests # 如果不用SDK直接调HTTP接口 pip install opencv-python # 图像预处理比如裁剪、压缩 pip install redis # Token缓存环境准备好之后先写一个最简单的测试脚本确认能调通接口。这一步很重要不要等到业务逻辑写完了才发现账号配置有问题。2.4 人脸库的初始化设计在写代码之前先想清楚人脸库怎么组织。百度AI的人脸库结构是应用 → 用户组 → 用户 → 人脸。一个应用下可以有多个用户组一个用户组下可以有多个用户一个用户下可以有多张人脸。对于登录场景我建议这样设计按业务线划分用户组比如“内部系统组”、“客户端组”。每个用户对应系统里的一个账号用户ID用系统里的唯一标识。每个用户注册1到3张人脸覆盖不同角度和光照条件。为什么要注册多张人脸因为用户刷脸时的环境是变化的光线、角度、表情都会影响识别率。注册多张不同条件下的人脸搜索时命中率会明显提高。但也不要太多3张足够了太多反而会增加误识别的概率。3. 核心功能实现与代码拆解3.1 人脸注册用户首次录入人脸人脸注册是整个流程的起点。用户第一次使用人脸登录时需要先录入人脸。这个环节的核心是把用户的人脸图像传到百度AI提取特征并存入指定用户组。先看代码from aip import AipFace import base64 APP_ID 你的App ID API_KEY 你的API Key SECRET_KEY 你的Secret Key client AipFace(APP_ID, API_KEY, SECRET_KEY) def register_face(user_id, image_path, group_idlogin_group): # 读取图片并转为base64 with open(image_path, rb) as f: image base64.b64encode(f.read()).decode(utf-8) # 调用人脸注册接口 result client.addUser( imageimage, image_typeBASE64, group_idgroup_id, user_iduser_id ) return result这段代码看起来简单但有几个关键点需要展开说。图片格式百度AI支持BASE64、URL、FACE_TOKEN三种格式。登录场景一般用BASE64因为图片是前端实时拍的没有公网URL。BASE64编码后的字符串会变大所以图片要先压缩。图片大小限制百度AI要求图片base64编码后不超过2M最短边至少15px最长边最大4096px。实际测试下来把图片压缩到200KB到500KB之间效果最好既保证识别率又不会超限。质量检测注册时建议开启质量检测百度AI会返回人脸的质量分数。如果分数太低说明图片模糊或者光照不好应该提示用户重新拍摄。质量检测的配置参数是quality_controlNORMAL返回的face_quality字段就是质量分数。实操心得注册环节一定要做质量把关。我见过太多项目注册时随便传一张图结果登录时怎么都识别不了。注册时多花两秒检查质量登录时能省两分钟排查问题。3.2 人脸搜索登录时的核心比对逻辑人脸搜索是登录功能的核心。用户刷脸后系统把图像传到百度AI在指定用户组里搜索最相似的人脸。def search_face(image_path, group_idlogin_group): with open(image_path, rb) as f: image base64.b64encode(f.read()).decode(utf-8) result client.search( imageimage, image_typeBASE64, group_id_listgroup_id, quality_controlNORMAL, liveness_controlNORMAL ) if result[error_code] ! 0: return {success: False, msg: result[error_msg]} if result[result][user_list]: user result[result][user_list][0] score user[score] user_id user[user_id] if score 80: return {success: True, user_id: user_id, score: score} else: return {success: False, msg: 相似度不足, score: score} return {success: False, msg: 未找到匹配用户}这段代码里有几个参数值得细说。quality_control质量检测控制。设为NORMAL时如果图片质量不合格接口会返回错误码222207提示“图片质量差”。设为LOW时质量要求降低但识别准确率也会下降。登录场景建议用NORMAL宁可让用户重拍也不要冒险识别错人。liveness_control活体检测控制。设为NORMAL时会进行活体检测照片、视频攻击会被拦截。这个参数在安全要求高的场景必须开。但要注意活体检测会增加接口耗时大概多200到500毫秒。score阈值这是最关键的参数。百度AI返回的score范围是0到100但并不是说80分就一定比79分更可靠。实际测试中同一个人不同照片的score通常在85到95之间不同人之间的score通常在30到60之间。所以80是一个比较安全的阈值既能保证本人通过又能拦住绝大多数冒用。但阈值不是拍脑袋定的。我建议的做法是收集一批测试数据包括本人的多张照片和其他人的照片跑一遍搜索画出score的分布图找到本人最低分和他人最高分之间的分界线那个分界线就是你的阈值。3.3 活体检测的两种方案与选择活体检测是防止照片攻击的关键。百度AI提供两种活体检测方案我分别说一下适用场景。在线活体检测通过API调用百度AI分析图片中的纹理、光线、摩尔纹等特征判断是否为真人。优点是集成简单不需要额外硬件缺点是对某些高质量的攻击比如高清屏幕翻拍可能失效。离线活体检测需要配合特定的SDK和动作指令比如让用户眨眼、张嘴、转头。优点是安全性更高缺点是需要用户配合体验稍差而且集成复杂度更高。我的建议是普通登录场景用在线活体检测就够了配合liveness_controlNORMAL参数即可。如果是金融、政务等高安全场景再考虑离线活体检测。还有一个细节活体检测和识别可以分开做也可以合并做。分开做是先调活体检测接口通过后再调搜索接口合并做是直接在搜索接口里开liveness_control参数。合并做少一次网络请求速度更快推荐这种方式。3.4 人脸库的增删改查管理登录功能上线后人脸库的管理同样重要。用户换脸了、离职了、账号注销了都需要对应的人脸库操作。人脸更新用户重新录入人脸时用updateUser接口。这个接口会覆盖该用户下的人脸数据。注意如果用户之前注册了多张人脸更新时会全部覆盖所以更新前要确认是否真的需要覆盖。人脸删除用户注销时用deleteUser接口删除该用户的所有人脸数据。如果只想删除某一张人脸用deleteFace接口需要提供face_token。用户组管理如果业务线调整可能需要新建或删除用户组。用groupAdd和groupDelete接口。删除用户组前一定要确认组内没有用户否则会删除失败。注意人脸数据属于敏感个人信息删除操作一定要有日志记录并且要确保删除彻底。百度AI的删除是软删除还是硬删除建议在隐私政策里说明清楚。4. 前端采集与图像预处理的关键细节4.1 摄像头调用与拍照体验优化前端采集是人脸识别登录的第一道关。用户打开登录页点击“刷脸登录”调起摄像头拍一张照片然后传给后端。这个流程看起来简单但体验好坏直接影响识别率。摄像头选择优先使用前置摄像头因为用户刷脸时通常面对屏幕。用getUserMedia接口调起摄像头时指定facingMode: user。拍照时机不要让用户手动点“拍照”而是做自动抓拍。具体做法是打开摄像头后实时检测画面中是否有人脸当人脸稳定在画面中央超过1秒时自动抓拍。这样拍出来的照片质量最高。画面引导在摄像头画面上叠加一个椭圆形的引导框提示用户把脸放进去。同时显示光线提示比如“光线太暗请到亮处”或“光线太亮请避开直射光”。图像压缩前端拍到的照片通常是几MB直接传后端太慢。用Canvas把图片压缩到宽640px、高480px左右质量设为0.8这样压缩后的图片大概100KB到200KB完全够识别用。function compressImage(file, maxWidth 640, quality 0.8) { return new Promise((resolve) { const reader new FileReader(); reader.onload (e) { const img new Image(); img.onload () { const canvas document.createElement(canvas); const scale maxWidth / img.width; canvas.width maxWidth; canvas.height img.height * scale; const ctx canvas.getContext(2d); ctx.drawImage(img, 0, 0, canvas.width, canvas.height); canvas.toBlob(resolve, image/jpeg, quality); }; img.src e.target.result; }; reader.readAsDataURL(file); }); }4.2 图像预处理的几个实用技巧前端传过来的图片后端不要直接扔给百度AI先做一轮预处理能明显提高识别率。第一裁剪人脸区域。如果图片中除了人脸还有大量背景百度AI的检测可能会受干扰。用OpenCV的人脸检测器先定位人脸裁剪出人脸区域再传给百度AI。这样识别率会更高。第二调整亮度和对比度。如果图片偏暗用直方图均衡化增强对比度。OpenCV的equalizeHist函数就能做。第三旋转校正。如果用户手机是横屏拍的人脸可能是旋转的。百度AI对旋转人脸的识别率会下降所以要先检测人脸角度旋转校正后再传。import cv2 import numpy as np def preprocess_image(image_path): img cv2.imread(image_path) # 转为灰度图做人脸检测 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) face_cascade cv2.CascadeClassifier( cv2.data.haarcascades haarcascade_frontalface_default.xml ) faces face_cascade.detectMultiScale(gray, 1.1, 4) if len(faces) 0: return None # 取最大的人脸区域 x, y, w, h max(faces, keylambda f: f[2] * f[3]) # 向外扩展20%保留更多上下文 padding int(w * 0.2) x1 max(0, x - padding) y1 max(0, y - padding) x2 min(img.shape[1], x w padding) y2 min(img.shape[0], y h padding) face_img img[y1:y2, x1:x2] # 直方图均衡化 gray_face cv2.cvtColor(face_img, cv2.COLOR_BGR2GRAY) equalized cv2.equalizeHist(gray_face) return equalized这段代码做了三件事检测人脸、裁剪并扩展区域、直方图均衡化。实测下来经过预处理的图片识别率能提高5到10个百分点。4.3 网络传输与超时处理前端到后端的图片传输以及后端到百度AI的接口调用都涉及网络。网络不稳定时用户体验会很差。前端到后端用HTTPS传输图片用FormData或Base64编码。建议设置10秒超时超时后提示用户重试。后端到百度AI百度AI的接口响应时间通常在300毫秒到1秒之间但网络波动时可能到3秒。建议设置5秒超时超时后返回“网络繁忙请重试”。重试策略不要自动重试因为人脸识别涉及安全自动重试可能导致重复扣费或重复登录。让用户手动点击重试每次重试都是一次新的请求。实操心得我在一个项目里遇到过百度AI接口偶发超时的情况后来发现是后端服务器的出口带宽不够。把服务器带宽从5M升到20M后超时率从3%降到了0.1%。所以如果超时频繁先检查服务器带宽。5. 安全策略与异常处理5.1 防攻击策略照片、视频、面具人脸识别登录最大的安全风险是冒用。攻击者可能用照片、视频、面具来冒充他人。防攻击要分层做。第一层活体检测。前面说的liveness_controlNORMAL就是第一道防线。百度AI会分析图片的纹理、光线反射、摩尔纹等特征判断是否为真人。第二层动作验证。对于高安全场景可以要求用户做指定动作比如眨眼、张嘴、转头。百度AI的离线活体检测SDK支持这种模式。第三层多因素结合。人脸识别不要作为唯一的登录凭证。可以结合设备指纹、IP地址、登录时间等维度做风控。比如如果用户平时都在一个城市登录突然换了一个城市即使人脸识别通过也要求二次验证。第四层频率限制。同一个用户ID或同一个IP短时间内多次人脸识别失败要锁定一段时间。比如5分钟内失败3次锁定15分钟。这能有效防止暴力攻击。5.2 相似度阈值的动态调整固定阈值有个问题不同用户的人脸特征差异很大有的人脸容易识别有的人脸难识别。固定阈值要么对某些用户太松要么对某些用户太严。我的做法是动态阈值根据用户的历史识别分数动态调整阈值。具体来说每个用户维护一个“平均识别分数”如果用户历史识别分数都在90以上阈值可以设到85如果历史分数在82左右阈值就设到78。实现方式是在用户表里加一个字段记录最近10次成功识别的平均分。每次识别时用这个平均分减去一个固定值比如5作为阈值。这样既能保证安全又能提高通过率。5.3 常见错误码与排查方法百度AI的接口会返回各种错误码我整理了一份常见错误码的排查表错误码含义排查方向110Access Token无效检查Token是否过期重新获取111Access Token过期刷新Token检查缓存逻辑216015模块关闭检查百度AI控制台确认人脸识别服务已开通222207图片质量差检查图片清晰度、光照、人脸大小222208图片中没有人脸检查图片是否包含人脸人脸是否太小222209人脸模糊提示用户重新拍摄确保对焦清晰222210人脸光照不均匀提示用户调整光线避免逆光或侧光222211人脸遮挡检查是否有口罩、墨镜、刘海遮挡222212人脸角度过大提示用户正对摄像头偏转角度不超过30度这份表是我在实际项目中一点点积累的基本覆盖了90%以上的问题。遇到错误码先查表再针对性排查。5.4 用户隐私与数据合规人脸数据是敏感个人信息合规问题不能忽视。几个关键点告知同意用户首次使用人脸登录时必须明确告知人脸数据的用途、存储方式、保留期限并获取用户的明示同意。不要默认勾选要让用户主动勾选。最小必要只采集必要的人脸数据不要采集无关信息。比如不需要采集用户的性别、年龄、情绪只采集人脸特征即可。存储安全人脸特征数据要加密存储传输要用HTTPS。百度AI返回的face_token是加密的但用户ID和face_token的对应关系要妥善保管。删除机制用户注销账号时要同步删除百度AI人脸库中的对应数据。删除操作要有日志确保可追溯。本地化存储如果业务涉及跨境要注意数据本地化要求。百度AI的服务器在国内数据不出境这一点在合规上是有优势的。6. 性能优化与成本控制6.1 接口调用耗时分析与优化人脸识别登录的耗时主要分三段前端采集和压缩、网络传输、百度AI接口处理。我实测的数据是环节耗时范围优化手段前端采集压缩200-500ms降低压缩质量减少图片尺寸前端到后端传输100-300ms用CDN加速压缩图片后端到百度AI300-1000ms选择就近接入点复用连接百度AI处理200-500ms开启活体检测会增加耗时后端到前端返回50-100ms减少返回数据量总耗时大概在1秒到2.5秒之间。用户能接受的登录耗时是3秒以内所以这个范围是OK的。如果要进一步优化主要从图片压缩和网络传输入手。图片压缩把图片宽高从640x480降到480x360质量从0.8降到0.7图片大小能从200KB降到80KB传输耗时减少一半。但要注意图片太小会影响识别率480x360是底线。连接复用后端调百度AI接口时用HTTP长连接避免每次请求都建立新连接。Python的requests库用Session对象就能实现连接复用。6.2 调用次数与成本估算百度AI的人脸识别接口有免费额度和付费额度。免费额度一般是每天几百次到几千次具体看活动。付费额度按调用次数计费价格大概在每千次几毛钱到几块钱之间。成本估算公式日调用次数 日活用户数 × 人均登录次数 × 1.2重试系数。假设日活1万人均登录3次重试系数1.2日调用次数就是3.6万次。按每千次1元算日成本36元月成本约1080元。这个成本对于大多数项目来说是可以接受的。降低成本的手段合并活体检测和搜索接口减少一次调用。前端做好质量检测减少无效调用。设置合理的Token缓存避免重复获取Token。对于内部系统可以考虑用离线SDK一次性买断没有调用次数限制。6.3 高并发场景的应对策略如果系统日活超过10万人脸识别接口的并发压力会很大。几个应对策略队列削峰把识别请求放入消息队列后端按固定速率消费。这样能避免瞬时高并发打垮接口。但会增加用户等待时间适合非实时场景。多应用轮询在百度AI控制台创建多个应用每个应用有独立的配额。后端轮询调用多个应用能突破单应用的并发限制。降级方案人脸识别失败或超时时自动降级到密码登录或短信验证码登录。保证用户能登录进来而不是卡在人脸识别这一步。缓存策略对于短时间内重复登录的用户可以缓存识别结果。比如用户1分钟内第二次登录直接复用上次的识别结果不再调接口。但要注意这会影响安全性适合低安全场景。7. 实际落地中的经验与避坑指南7.1 注册环节的坑与解法坑一注册时图片质量差登录时识别不了。这是最常见的坑。解法是注册时强制做质量检测质量分数低于阈值的图片直接拒绝提示用户重拍。坑二用户注册了多张人脸但都是同一角度。这样登录时换个角度就识别不了。解法是注册时引导用户注册不同角度的人脸比如正面、左侧、右侧各一张。坑三用户戴眼镜注册摘眼镜登录。眼镜会改变人脸特征导致识别率下降。解法是注册时提示用户摘掉眼镜或者注册戴眼镜和不戴眼镜各一张。7.2 登录环节的坑与解法坑一光线变化导致识别失败。这是最不可控的因素。解法是前端加光线检测光线太暗或太亮时提示用户调整。同时注册时尽量在多种光线下注册多张人脸。坑二用户化浓妆或整容后识别不了。这种情况只能让用户重新注册人脸。解法是在登录失败页面提供“重新录入人脸”的入口但重新录入前要做身份验证比如短信验证码。坑三相似度阈值定得太高用户登不进去。解法是动态阈值根据用户历史分数调整。同时在登录失败时显示相似度分数让用户知道差多少。坑四活体检测误拦真人。活体检测不是100%准确有时候真人也会被拦。解法是提供“重试”按钮并且重试时降低活体检测等级。如果连续3次被拦自动降级到密码登录。7.3 运维阶段的监控与告警人脸识别登录上线后要建立监控体系。几个关键指标识别成功率成功识别次数 / 总识别次数。低于90%要告警。平均识别耗时超过3秒要告警。错误码分布某个错误码突然增多说明对应环节出了问题。活体检测拦截率突然升高可能是被攻击突然降低可能是活体检测失效。监控数据要按天、按小时聚合方便定位问题。我一般用Prometheus Grafana做监控简单直接。7.4 用户体验的细节打磨最后说几个提升体验的细节。加载动画人脸识别需要1到2秒这段时间要有加载动画让用户知道系统在工作。动画要简洁不要花哨。失败提示识别失败时不要只说“识别失败”要告诉用户具体原因比如“光线太暗”、“人脸太小”、“请正对摄像头”。这样用户知道怎么调整。重试引导失败后自动重新打开摄像头让用户直接重试不要退回上一页再点一次。备用方案人脸识别旁边放一个“使用密码登录”的链接用户刷脸失败时可以快速切换。记住设备用户在一台设备上刷脸登录成功后可以记住这台设备下次登录时优先用设备指纹刷脸作为辅助验证。这样能减少刷脸次数提升体验。我在实际项目里把这些细节都做了一遍用户反馈最好的是“失败提示具体原因”和“记住设备”这两个。前者让用户知道怎么调整后者让用户少刷好几次脸。人脸识别登录这个功能技术实现只是第一步真正决定体验的是这些细节。