JavaScript人脸识别依赖浏览器图像处理与轻量模型，主流方案有face-api.js（支持检测、关键点、识别）和Blazeface（仅检测，速度快）。
JavaScript 实现人脸识别主要依赖浏览器端的图像处理能力与预训练模型，目前无法做到服务端级精度，但已能满足基础场景（如人脸检测、关键点定位、简单比对）。核心思路是：通过 getUserMedia 获取摄像头流 → 用 WebAssembly 或 WebGL 加速推理 → 调用轻量模型完成识别任务。
face-api.js：最成熟的纯前端方案
基于 TensorFlow.js，封装了 SSD Mobilenet V1 人脸检测、68 点特征点定位、LFW 标准下的人脸识别模型。支持实时视频流分析，API 简洁，文档完善。
- 需加载约 5–10MB 模型权重（可缓存），首次运行有延迟
- 适合 Web 应用中的人脸登录、表情反馈、虚拟试妆等场景
- 示例：调用
detectAllFaces(video)即可获取带置信度和关键点的检测结果
@tensorflow-models/blazeface：Google 官方轻量级检测模型
专为人脸检测优化，速度快（移动端可达 30+ FPS），但不包含识别功能，仅输出边界框和 6 点关键点（双眼、耳垂、鼻尖、嘴中）。
- 模型体积小（
- 常与自定义特征提取器组合使用，例如提取人脸区域后传入其他模型做比对
- 注意：不支持姿态估计或活体检测，需额外补充逻辑防范照片攻击
WebRTC + Canvas + 自定义算法（进阶可控方案）
不依赖大库，用原生 API 控制全流程：用 MediaStreamTrack.getSettings() 获取高分辨率帧 → 用 canvas.getContext('2d').getImageData() 提取像素 → 基于 Haar-like 特征或 HOG+SVM 实现简易检测（仅限学习/低要求场景）。
立即学习“Java免费学习笔记（深入）”；
- 性能差、鲁棒性弱，不推荐生产环境使用
- 优势在于完全可控，可嵌入隐私计算逻辑（如本地特征哈希，不上传原始图）
- 适合教育演示、IoT 设备上资源受限的边缘识别原型
注意事项与现实约束
浏览器中的人脸识别受权限、光照、角度、遮挡影响明显；无法替代服务端生物特征比对。活体检测、防伪、跨年龄识别等功能基本不可靠。若需合规身份核验（如金融开户），必须结合服务端 SDK 和多模态验证。
不复杂但容易忽略
