也换IP，也注册了不同的账号，但是就是有一些face detec
tion服务使用不了。
前几天和一个好朋友聊，他说有个人写的算法人脸识别准确度可以达到100张图进去训练之后，之后就有99.9%以上的可能性识别第101张图，我觉得真的非常的困难，在这样的情况，硬件就不是限制了，往往是算法更烂，（现在大部分的硬件虽然也不行，但是未来10年后绝对不会存在这个问题了）。
人脸识别主要包括 4 个步骤 :人脸图像的预处理、人脸图像的分割与定位、人脸特征提取和人脸识别. 而人脸定位和特征提取比较重要 ,其中以基于人脸的几何特征进行识别比较简单易行 ,且识别率较高.
在一组训练图像中 ,得到几个特征矢量矩阵 ,通过计算方差来决定相应的权值. 再将这些权值用于相似度计算中 ,根据设置的判决门限 ,即可得到识别结果. 计算出的权值 ,对于那些特征变化大的有一定的削弱作用 ,也增强了特征变化小的作用 ,应用于人脸等具有易变性的图像处理中 ,具有一定的稳健性.
其实opencv里有许多优化已经不错，封装也比较完善的库可以直接使用，但是自己写也是可以的。
知乎的大神回答的就非常好：
确定两张脸的相似性，分为如下几个步骤：
1，人脸检测，找到图像中人脸所在的位置，经典方法为haar+adaboost；
2，脸部特征点定位，包括眼球中心点，还可以进一步包括脸颊等轮廓特征点，经典方法包括基于
haar+adaboost的眼睛定位，和asm等alignment方法等；
3，人脸几何归一化，根据脸部特征点位置从图像中得到归一化的人脸区域图像，这一步主要是使得不同人脸上
的像素对应的人脸位置一致，这样才有可比性，这个步骤可以看作是一个对图像进行仿射变化的过程；
4，人脸光照归一化，主要目的是克服不同光照对人脸的影响，提高算法对光照条件的鲁棒性，预处理方法很
多，自商，或者DOG等方法效果较好；
5，人脸表示（特征提取），比如gabor特征和上述的lbp特征，常常会对多种特征进行融合；
6，鉴别特征提取，就是将高维的人脸特征映射到分类能力更强的低维特征，成熟的思路是PCA+LDA的方法；
7，计算两个脸得到的鉴别特征之间的距离，作为相似度衡量，距离最经典的是cos距离；
大家请看 https://github.com/potatozhao/OpenCV_PCA_LBP
