陌生人误匹配与已注册人员难通过需要同一测试集比较，不能只收紧一侧。
最近候选不证明属于库内，绝对分数、候选区分和输入质量各有信息。多帧也并非独立证据，旧帧和多人脸需处理。
一、问题的范围与前提
成像质量、数据分布、算法与业务判断各自有条件。清晰图像提供可观察细节，模型和规则解释输入，业务层决定结果如何使用。视野、曝光、颜色、姿态与输入尺度变化，都可能在模型参数不变时改变结果。
二、技术分析与方案取舍
工作点需要同时看陌生人被放行与本人被拒绝。阈值提高通常减少某类误放行，也可能增加误拒绝，因此不能通过几张熟人照片只优化成功率。评估按身份和采集场景分组，避免同一段视频的相邻帧跨训练与测试。保持模型、归一化与图库版本一致，图库质量先检查重名、错误样本和近重复。
分数不是身份概率，识别结果还需要对象匹配与授权条件。性能优化与阈值变更分开进行；若只是复用模型和减少排队，原则上可以保持原识别流程，但仍应回放固定错误样本。
先固定输入和处理版本，保存必要中间产物，再比较单项变化。裁剪、缩放和配准要携带坐标关系，输出回到原图时检查尺度与偏移。数据按正常和困难条件分别组织，不把反光、遮挡或采集失败从报告中悄悄删掉。
三、实现与排查的顺序
- 加入注册和陌生样本。
- 记录质量与候选。
- 评估工作点。
- 固定条件复核规则。
按这个顺序保留中间结果，可以区分输入条件、处理过程和最终输出。前一阶段的条件不成立时，先解释对应错误，再继续后面的试验；单次返回成功不足以覆盖整条链路。
最小示例
1
2
3
固定模型、处理版本与阈值
保存每条样本的真实标签、预测和错误类别
按任务计算指标，并保留样本量与排除规则
分类、检测和异常任务分母及指标不同。阈值曲线和某个工作点的现场误报漏检不互换，目标数字不作为已测结果。
四、验证和结果解释
独立样本应覆盖预期工况，逐条预测与错误图支持复盘。分类、检测、定位和异常任务使用各自指标定义，阈值工作点与曲线指标不能混用。性能同时记录冷启动、稳态、尾部耗时和资源峰值，不挑最快一张代表整套系统。
| 需要验证的结果 | 保留的对照 | 不能由此推出的结论 |
|---|---|---|
| 两类错误有分母 | 固定输入与配置、对应输出 | 一次成功代表所有条件成功 |
| 多帧候选一致 | 中断前后状态与错误阶段 | 没有报错代表结果正确 |
| 阈值不直接跨模型 | 恢复后的同条件复测 | 临时恢复代表根因已经消失 |
验证无目标、多候选、边界、遮挡和不同光照。没有有效观测时给出明确失败或待确认，不为每张图强行选一个目标。图像文件真实保存和完整解码也属于链路检查，热力图漂亮不能替代缺陷真值与业务验收。
五、适用边界与结论
不公开人脸特征库和生产阈值，分数不当概率。
这条路径把“加入注册和陌生样本”与“固定条件复核规则”连在一起，中间保留可复查的条件。实施时优先确认“两类错误有分母”，再检查“阈值不直接跨模型”；两者都满足，才能在当前样本与配置范围内评价方案。设备、数据或软件版本改变以后，相关假设需要重新验证。
