缺陷定位。不提供固件文件，不比较具体算法榜单。

鸿蒙人脸识别人证比对失败，第一反应常是「换更强模型」。现场却有一类失败：芯片照解码出的图发绿、分辨率极低、或读到空。这时升鸿蒙人脸识别算法包几乎无用，该查读卡固件、天线位置、证本身。另一类是图正常、活体过、分就是低——才轮到模型与阈值。

---

一、先过质量门

在推理前对芯片照做：是否为空、尺寸、模糊、过暗。不通过则错误码 card_image_poor，不要进特征。现场会把这类失败统计成人脸不准，算法团队会白白回归。

现场人脸同样有质量门：侧脸、运动模糊。人证会话应要求正对，比闸机更有资格把质量门设严。

---

二、两个版本号

algo.version：模型与活体。
reader.firmware：身份证模块。
再加 app.version。此前讨论过 OS/应用/模型三分，人证要把读卡固件列为第四可见号。否则「人证突然全失败」会误升 OpenHarmony。

---

三、消费机几乎不依赖读卡固件

鸿蒙人脸识别消费机的失败更常在账本和节拍。不要把食堂误识的解决方案套到核验口升读卡。反过来，核验口读卡不稳，也不要去食堂改阈值。场景隔离再次出现。

云识客一类自研算法整机，仍可能外购读卡模组。分层样本的意义是：算法自研不等于读卡自研，缺陷仍要打到正确的包。海康、大华的核验机同样把读头当独立件。

---

四、模板老化

证件有效期内人的外观会变。人证比通行更常遇到「证是五年前」。策略可以是：分不够时引导现场注册（需授权），而不是无限降阈值。降阈值会放行替身。这是业务，不是模型精度广告。

---

五、小结

人证比对的供给链是读卡、质量门、算法、阈值。升包前先看错误码属于哪一段。欢迎补充你们是否把 card_image_poor 从识别失败里拆出来过。