人脸检测和人脸识别虽然在理论研究上分属于不同领域，但在实际应用中去不能分家。肯定是先人脸检测分割出人脸，在人脸识别确定脸是谁的，但有一个问题，要想准确快速的进行人脸检测与人脸识别，算法运算的开销两个简直不相上下，相对于手机平台都非常大。
于是无外乎以下两种解决方式：
方案一：人脸检测和人脸识别同时运行，打造全智能平台。
这种方案听起来很酷炫，什么都让机器来做，先检测分割人脸再识别人脸，但是这样做出的系统性能却不理想，假如人脸检测的成功率为0.9，人脸识别的成功率也是0.9，那么整个系统正确检测人脸再加上正确识别人脸的成功率只有0.81；性能大打折扣，运算开销却翻了一番，目前来说不可取。
这种方案另外一个致命的问题就是算法性能。对于手机端人脸识别程序来说，真正的人脸识别算法可以放到服务器端来做，在手机端只需简单的评估一下图像质量，然后就把采集的图像放到服务器上，费时的事儿让服务器做就行，*只需把人脸识别的记结果（一个标签而已）再传给手机端就行，网络流量什么的都不是问题。而人脸检测则不行，人脸检测的整个阶段必须都在手机端进行，就算我们能够找到检测率达99.99%的人脸检测算法，但却不一定能移植到手机上。
方案二：外加限制条件，简化人脸检测流程
这种做法在目前的应用环境中明显值得一试，支付宝就是这样做的。提前预定义一个人脸框，很友好的要求人们把要刷的脸赏在里面，可以说当我们把脸放在人脸框里的时候，就已经帮助手机系统完成了人脸检测，因为我们已经提前告诉了程序“框框里面的图像就是人脸，你专心做识别就好”，程序接下来要做的就是对图像的质量（光照是否均匀等等）把把关，做一些人脸检测的辅助工作，然后就把人脸图像传给服务器就完事儿了，坐等服务器返回的识别匹配结果即可。
这里有一点我想多说两句，就是在图像检测、图像识别过程中我们并不反对人为的添加外界辅助条件、人为的创造适宜的检测环境，并且鼓励使用好的、合适的辅助方法。一个典型的例子就是在基于图像的工业异常检测中，往往需要在传送带、生产线等地方外加一个稳定的光源，为异常检测创造好的环境。有时候稍稍进行一点人为干预，就能大幅降低算法研究以及硬件运算上的成本，并且能够得到更加稳定的检测识别结果，何乐而不为呢？没有的算法，但也没有解决不了的问题。对于支付宝刷脸来说，人脸检测可能就是一个技术上的难点，因为人们可能会在任意时间、任意地点就拿出手机刷个脸，图像的光照、背景环境十分恶劣，想要在这种极度不可控条件下精准的完成人脸检测确实难度很大，于是我们迂回了一下，添加了一个人脸框，让用户协助我们解决了这个难题，并且也没降低多少体验度。
2、眨眨眼——活体检测
“活体检测”这句话听起来蛮吓人的，说白了就是确认摄像头前面赏脸的是否是一个真正的活人，而非一张照片、设置一段视频什么的。在刷脸过程中，系统会提示用户进行一些指定动作，例如“眨眨眼”、“向某个方向转头”等等。这可并不是一般人眼中的无稽之谈，而是人脸识别在实际应用中防伪造非常重要的一步。假如有人拿一张当事人的照片来刷脸，那照片是不会眨眼的，所以能防伪；更极端的假设，有人拿了一段包含当时人头像的视频来伪造，视频中的人脸虽然能动，但却不能做出指定动作（如事先录好的眨眼视频，无法应对转头命令等等），而且由于显示屏的反光问题，目前想针对显示屏显示的图像进行人脸识别还是很难做到的，也没人去研究。