效果展示
登录界面：
人脸图片识别登录：
人脸识别登录成功：
注册页面：
随机动作指令之眨眼两次检测：
人脸图片识别登录
虽然可以成功登录了，但是性能却不好；
首先是人脸图片识别登录，我们看下后台运行的时间跟踪：
现在人少些，图片登录花费时间还能接受，采用的dlib中的HOG+SVM方法的模型，使用的CPU进行计算，若人再多些，就得想其他技术手段进行解决了；还有，dlib实现的这种方法可以弱化一定的光照影响，但并非可以完全避免，因为它是依赖于像素强度的边缘检测（在进行眨眼检测的过程中，我发现它有时会把人眼关键点检测错误，导致闭眼的状态检测成了眨眼）；当然，这种检测方法若不进行其他处理并不安全，一张手机照片也能登录。
随机动作指令之眨眼检测
我进行的第二项实现，是基于人脸关键点的面部动作检测，结合随机指令应用到人脸识别登录系统上
效果图在这里,它的问题在于执行时间和误检率较高：
时间高是因为，我将从用户获取的眨眼视频通过ffmpeg及opencv的处理分解成了大概50帧，这50帧中每一帧都进行了人脸眼部状态的检测，检测过程采取了人脸识别登录的方法,整个流程非常耗时；dlib中原有的基于HOG+SVM的方法对于人脸特征点检测存在一定的误差，所以由此得到的人脸状态存在一定的误差，若是换成其他方案，或许会有更好的效果（暂时还没细致测试）