人脸识别行为研究

项目概览

这个项目来自客户对人脸识别设备的反馈：通行效率低，识别体验差。

相比直接修改界面，我先把问题转化为一个研究任务：用户在真实识别过程中到底发生了什么？影响识别结果的因素，是身高、距离、姿态、安装环境、算法，还是界面反馈？

新版案例将“识别行为研究”和“人脸识别竞品分析”合并为一个完整研究案例。其中，行为研究是主线，竞品分析作为补充材料，用来帮助团队理解行业中常见的设备交互方式和反馈机制。

背景：这个案例的核心是用研究拆解“识别体验差”这个模糊问题。

设计判断：用研究摘要图先呈现变量关系，再展开测试过程和数据发现。

影响：帮助读者快速理解这是研究型案例，而不是普通界面优化。

背景

人脸识别设备常用于考勤、门禁和通行场景。用户希望整个识别过程快速、自然、不需要刻意思考。

但当用户需要垫脚、低头、前倾或者反复调整位置时，说明设备与人的自然行为之间出现了错位。

客户提出“识别效率低”，但这个描述还不够具体。设计和产品团队需要知道：到底是哪类用户更容易出现问题？问题发生在什么距离？用户会用什么动作补偿？界面反馈是否会影响他们的行为？

我的角色

我在项目中承担 UX / UI 设计师角色，并负责竞品体验分析相关工作。

主要工作包括：

• 制定测试目标和测试任务；
• 明确测试指标；
• 观察并记录用户识别行为；
• 整理测试数据；
• 分析异常识别原因；
• 输出研究结论和优化建议；
• 梳理竞品体验分析框架。

研究设计

测试环境选择在公司考勤出入口，设备安装高度为 1.45 米。

测试任务很简单：完成一次正常打卡考勤。

我们记录的指标包括：

• 用户身高；
• 识别距离；
• 姿态调整次数；
• 用户行为；
• 识别时间。

在剔除无效数据后，我们最终保留了 48 份有效测试数据。

背景：测试环境和设备安装位置会直接影响识别范围。

设计判断：在真实出入口环境中观察用户行为，而不是只依赖实验室或主观反馈。

影响：让研究结论更接近实际通行场景。

测试任务与记录方式

先定义测试任务和记录指标，再把 48 份有效观察整理到统一记录表中。

背景：模糊的“识别体验差”需要被转成统一的记录维度。

设计判断：同步记录身高、距离、姿态调整、识别时间和结果。

影响：让团队可以围绕数据讨论体验问题，而不是停留在感觉层面。

关键洞察

洞察一：异常识别与身高区间明显相关

测试数据显示，识别异常并不是随机发生的。身高较低和身高较高的用户，出现异常的比例都更高。

这说明问题不只是“算法慢”或“用户不会用”，而是设备识别范围与真实人体差异之间存在不匹配。

洞察二：用户会用身体动作补偿系统限制

身高低于 1.6 米的用户，更容易通过垫脚完成识别。身高高于 1.8 米的用户，更容易通过低头完成识别。

这些动作不是用户错误，而是系统无法自然适配他们时，用户主动做出的补偿行为。

洞察三：识别时间过长会放大不确定感

当设备迟迟没有明确反馈时，用户会不断调整姿态。这种调整反过来又可能影响识别稳定性。

所以，反馈设计不仅影响用户感受，也会影响用户行为。

洞察四：竞品分析可以帮助拆解问题维度

在人脸识别竞品分析中，我们从战略层、范围层、结构层、框架层和表现层对竞品进行分析，同时关注功能命名、信息架构、常用流程、识别反馈和远程管理方式。

这些内容帮助我们把问题从“设备识别慢”扩展到“识别流程、状态提示、管理方式和反馈机制是否合理”。

竞品体验分析框架

从分析目标、执行 SOP 到战略层、范围层、结构层、框架层和表现层，建立完整的竞品研究方法。

背景：竞品研究需要统一分析范围和比较维度。

设计判断：把竞品分析作为行为研究的补充证据，而不是孤立罗列界面。

影响：帮助团队判断哪些交互反馈和设备管理方式值得参考。

数据发现

研究记录中的关键数据包括：

• 共保留 48 份有效测试数据；
• 识别异常率占总识别人数的 49%；
• 身高小于 1.6 米的测试者中，71% 出现异常，主要表现为垫脚；
• 身高高于 1.8 米的测试者中，80% 出现异常，主要表现为低头；
• 识别时间过长容易造成用户不断调整姿态，占比约 10%。

这些数据是研究发现，不是优化后的结果。正式页面中要保持这个边界。

研究数据图组

完整呈现身高、识别距离、姿态调整、异常率和舒适识别区域之间的关系。

背景：这组数据图是连接现场观察与研究结论的核心证据。

设计判断：将“识别体验差”拆解为可量化的身高、距离、姿态和时间变量。

影响：为硬件参数、安装方式、算法策略和界面反馈优化提供依据。

设计挑战

这个项目的挑战，是如何把用户行为观察转化成产品、算法、硬件和设计团队都能理解的优化建议。

如果只是说“用户体验不好”，团队很难行动。只有把问题拆成身高、距离、姿态、识别时间和反馈理解，才有可能进入具体优化。

设计决策

决策一：把模糊问题拆成可记录指标

我没有直接从界面入手，而是先定义测试指标。这样团队可以围绕真实数据讨论，而不是停留在主观感受。

决策二：用真实场景观察用户行为

识别设备不是在实验室中被使用，而是在门口、通道、考勤等真实环境中被使用。真实场景能暴露更多环境和行为问题。

用户测试过程图组

用户测试过程图组：记录用户在真实出入口完成人脸识别时的行为和姿态调整。

背景：不同身高、距离和姿态的测试过程构成研究的现场证据。

设计判断：用现场观察捕捉垫脚、低头、前倾等用户补偿动作。

影响：让体验问题从主观抱怨变成可观察的行为证据。

决策三：把竞品分析作为研究补充

竞品分析不是独立展示，而是作为研究的一部分，帮助团队判断哪些反馈方式、菜单结构和管理能力值得参考。

竞品分析图组

竞品分析图组：对比行业内人脸识别设备的信息架构、流程反馈和识别体验。

背景：竞品研究覆盖信息架构、流程、识别反馈和设备管理等维度。

设计判断：将竞品内容纳入研究案例，作为优化建议的补充依据。

影响：丰富设计判断来源，避免只从单一测试样本得出结论。

展开完整竞品逐项对比（25 张）

设备首页与启动页

对比海康、中控、云从与宇泛在首页信息、启动方式和首屏引导上的差异。

识别过程与反馈

比较识别框、识别状态、成功与失败反馈以及多种异常提示。

设备管理与研究总结

补充四个品牌的管理页面，并保留研究结论的对比材料。

决策四：区分研究结论与上线结果

当前资料没有优化后的复测数据，因此案例不会把研究发现写成“提升了多少”。研究结论与上线结果保持明确边界。

结果

这个项目帮助团队把“人脸识别体验差”拆成了可分析的问题，也发现了现有文档中的识别范围与真实测试情况之间的差异。

它的价值不只在于得出数据，更在于让设备体验问题变得可讨论、可验证、可推动。

反思

做智能硬件体验时，界面只是体验的一部分。设备安装高度、摄像头范围、算法策略、用户身体行为和界面反馈都会共同影响最终结果。

这个项目让我更明确：好的 UX 研究不是写报告，而是把模糊问题变成团队可以行动的证据。

背景

客户反馈人脸识别设备通行效率低。团队需要把“识别不好”拆成可观察的问题：用户站在哪里、如何调整姿态、设备反馈是否清楚，以及文档标注的识别范围是否符合真实行为。

问题

设备体验同时受到安装高度、摄像头焦距、算法、人体差异、界面和语音反馈影响。没有真实数据时，团队很难判断应该调整硬件、算法还是交互。

我的角色

行为研究阶段担任 UX/UI 设计师，负责研究目标、任务、指标、现场记录和数据整理；竞品分析阶段担任体验分析负责人，建立分析 SOP、体验框架和优化建议。

研究与发现

在公司考勤出入口进行真实场景观察，设备安装高度为 1.45 米。核心任务是正常打卡，记录身高、识别距离、姿态调整次数、行为和识别时间；剔除无效记录后保留 48 份数据。

行为观察证据

不同身高、距离和姿态调整的现场样本作为研究证据，用于还原真实通行行为。

真实通行样本

这些画面用于观察靠近设备、调整姿态和等待反馈的行为。

竞品分析证据

竞品研究比较产品结构、功能流程、识别反馈与设备配置，作为行为研究的补充依据。

从市场扫描到交互反馈

比较重点是用户任务和反馈机制，不是视觉风格排名。

关键洞察

设计挑战

需要区分硬件、安装、算法与交互反馈各自造成的影响，并把研究结论转成产品、算法和硬件团队都能使用的建议，同时避免把相关性误写成因果。

设计决策

信息架构 / 用户流程 / 原型

本案例的核心产出不是传统页面架构，而是设备—环境—用户行为—反馈之间的关系，以及用户从进入识别区到成功或失败的完整过程。

验证

研究验证了文档标注范围与真实无调整范围不一致，也把识别问题拆成可讨论的行为变量。当前没有优化后的复测数据，因此不写识别成功率或通行效率提升。

结果

反思

垫脚、低头和前倾不是用户错误，而是系统不确定性下的补偿行为。下一步最重要的是用同样的变量控制方式复测硬件、算法或反馈调整，连接研究发现与真实改善。