搜尋意圖： 如果你在找「人臉辨識 是什麼」或「人臉辨識 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 人臉辨識是一種電腦視覺技術，用於自動識別或驗證圖像或影片中的人臉，並與已知人臉資料庫進行比對。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有用過手機刷臉解鎖，或進公司大樓要刷臉通過門禁？
你可以把它想成，系統先找到臉，再判斷這張臉是誰。
人臉辨識很常跟門禁、手機、考勤和支付綁在一起，因為它能快速確認身份。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
人臉辨識 vs 人臉偵測 人臉偵測只負責找出哪裡有人臉。 人臉辨識則要進一步判斷這個人是誰。 最關鍵的區別：找臉，還是認人。
人臉辨識 vs 圖像識別 圖像識別可以辨認很多類別。 人臉辨識是特定針對身份辨識的應用。 最關鍵的區別：一般物件分類，還是身份確認。
人臉辨識 vs 嵌入表示 人臉辨識常會先把臉轉成 embedding，再比對距離。 嵌入表示本身不是辨識結果，而是中間表示。 最關鍵的區別：表示方式，還是身份判定。
記住這句就好
先找臉，再認人。
實際案例
手機解鎖 手機會先擷取臉部特徵，再和預先登錄的資料比對。 Before：要輸入密碼。After：對準鏡頭就能驗證身份。
門禁考勤 公司可用人臉辨識代替打卡卡片。 Before：卡片容易忘、容易借。After：用臉確認，流程更快但也更需要保護隱私。
算法與應用
典型流程是偵測人臉、對齊臉部、抽取特徵、比對距離，再用門檻決定是否通過。
現在很多系統會結合深度學習 embedding，提高在光線、角度和遮擋下的表現。
如果要防照片或影片欺騙，通常還要加活體檢測。
情境判斷
Q1（直覺題）： 人臉偵測和人臉辨識最大的不同是什麼？
→ 人臉偵測只找臉在哪裡，人臉辨識則要知道這張臉是誰。
Q2（判斷題）： 如果光線很差、臉部遮住一半，還適合直接用人臉辨識嗎？
→ 看情況。若系統有補光、活體檢測和足夠好的特徵模型，還能用；如果條件太差，就要考慮其他驗證方式。
常見問題
人臉辨識準確率高嗎？
在理想條件下可以很高，但光線、角度、遮擋和資料品質都會影響實際表現。
有哪些安全風險？
常見風險有資料外洩、偽造影像欺騙、身份冒用，所以常要加安全機制。
人臉辨識未來會往哪裡走？
更高準確率、更低算力、更強魯棒性，還會更重視隱私與合規。