写在前面
2024年1月1日，《未成年人网络保护条例》正式施行。几乎同一时间，湖南怀化网信部门查处了一家企业和九所学校，原因是它们违法收集使用了学生的人脸信息。这件事在我们团队内部引发了长时间的讨论——我们正在做的智慧课堂考勤项目，会不会也踩进同样的坑里？
老实说，最开始我们只是想做一个人脸识别考勤系统。技术选型很简单：摄像头采集人脸，上传云端API识别，返回结果记录考勤。这是市面上绝大多数“智慧考勤”产品的标准做法。但深入调研之后，我们发现这条路根本走不通。
合规是第一道红线
《未成年人网络保护条例》明确规定，处理未成年人敏感个人信息应当取得监护人单独同意。《个人信息保护法》第二十八条将生物识别归为敏感个人信息，要求“明示同意、最小必要”。传统云端方案的逻辑是“终端采集→云端传输→云端识别”，学生人脸信息要经过公网传输、云端存储多个环节。这意味着什么？意味着每一帧人脸图像都在“裸奔”。
更麻烦的是，我们调研的几款主流云端考勤产品，几乎都采用明文传输、明文存储。2023年国内某教育平台数据泄露，超100万条学生人脸信息被非法售卖——这不是危言耸听，是已经发生的事。
所以我们从一开始就定下一个原则：人脸数据不能出校园，最好连设备都不要出。
边缘计算：把AI“关”进本地
边缘计算解决了一个核心问题——数据本地化。我们的方案是：
-
摄像头采集视频流 → 本地人脸检测 → 本地特征提取 → 原始图像立即销毁
-
只输出一个128维的特征向量和一个匿名ID
-
特征向量是数学数值，无法逆向还原成人脸图像
这个设计直接对应了《未成年人网络保护条例》中“生物识别信息应当仅限本地处理”的要求。数据从采集到销毁，全程没有离开过边缘设备。
但把AI搬到边缘端有个现实问题：算力有限。我们用的设备是普通PC，甚至计划部署到树莓派上。云端跑一个ResNet模型轻轻松松，边缘端跑同样的模型可能直接卡死。
轻量化：让模型“瘦”下来
我们最终选用了FaceNet + MobileNet的组合。MobileNet的核心是深度可分离卷积——把标准卷积拆成两步：先对每个通道单独做空间卷积，再用1×1卷积做通道组合。这一拆，计算量直接降低约8到9倍。
实测数据：单次特征提取约62ms，在普通i5 CPU上就能跑。如果换树莓派5，经过模型量化优化后也能稳定跑到15fps以上。
我们还做了一个小优化：LRU特征缓存。连续视频帧中同一人脸的特征其实不需要重复计算。我们基于感知哈希生成缓存键，命中缓存直接返回特征向量，跳过模型推理。实测缓存命中率约61.6%，意味着近三分之二的推理计算被省掉了。
隐私保护的最后一公里：内存覆写
特征提取完成后，原始人脸图像怎么处理？我们实现了一个PrivacyHandler模块，核心逻辑就一句话：
python
face_crop.fill(0) # 内存清零
这行代码背后是“用后即毁”的设计原则。人脸图像只在内存中存活几十毫秒，特征提取完成后立即被覆写。即使攻击者拿到内存转储，也恢复不出一张完整的人脸。
这套设计后来被我们总结为三重隐私防护：本地处理（数据不出设备）+ 匿名哈希（身份不可逆推）+ 内存覆写（图像物理销毁）。三重防护叠加，从技术源头规避了隐私泄露风险。
一点感悟
这个项目让我最深的体会是：技术方案的选择不只看“能不能跑通”，还要看“能不能合规地跑通” 。云端AI识别确实方便，调用几个API就能实现人脸考勤，但当你的用户是未成年人时，“方便”不能成为牺牲隐私的理由。
边缘计算不是什么新技术，但把它和校园考勤场景结合、和未成年人隐私保护法规对齐，这个过程让我们重新思考了技术落地的边界。技术向善不是一句口号，是每一行代码都要承担的责任。