对于初学者来说，进行算法选型时有几项因素需要重点考虑：精度与效率的平衡；人的面部因化妆、装饰等变化较大；人脸识别底库照的筛选与更新;活体检测对摄像头选型的需求；设备部署中光线与大小角度的干扰。

 

　　另外，如果涉及到支付环节，人脸识别算法既需要较高精度，尽量避免误识，又要兼顾高峰期的支付效率，尽量避免拒识，所以算法阈值需要在误识率和拒识率两方面取得平衡。在此推荐虹软视觉开放平台的人脸识别SDK，以免费、离线著称，尤其是近期发布的ArcFace4.1算法精度大幅提升，进一步降低了误识率和拒识率，在相关AI应用上匹配度很高，也被业内多家方案商选用。
 

　　其次，需要重点关注人们化妆、配饰等引起的面部变化。由于支付场景下人脸识别的设定阈值较高，面部特征变化可能导致支付失败。面对该情况，用户可定期通过小程序或者公众号号更新人脸识别底库照片，或者将刷脸支付时拍下的照片作为底库照进行更新。
 

　　另外，人脸识别底库照注册时需要保证照片质量，可以通过FQ(图像质量检测算法)对底库进行批量筛选，质量不合格的要求学生重新上传。高质量的人脸识别底库将大幅提升识别效率与使用体验，也能避免很多后续问题。市面上具备FQ功能的算法并不多，虹软开放平台的ArcFace4.1是一例。
 

　　该功能可以将摄像头拍下的照片进行标准化评估，去除模糊、大角度、逆光、暗光、强光等低质量的人脸图像，从而大幅提升识别速度，也能帮助优化底库人脸照，在上万张照片中快速筛除不合格的注册照，让人脸识别从底库的特征值开始就更加准确。
 

　　最后，除了人脸识别以外，活体检测也是支付场景下*的部分，通过双目摄像头同时进行RGB活体检测和IR活体检测，是兼顾效果与性价比的优良选择。同时，设备部署时需要充分考虑实地场景中外部光线对摄像头的干扰，安装高度也需要考虑学生身高差异，避免大小角度对人脸识别造成过度影响。