宠物门禁做不好的原因，多数被归到"识别准确率不够"。但从工程角度看，身份比对是链路最后一环，真正决定成败的是它前面的两段：输入质量与运行时环境。本文从宠物门禁的产品逻辑出发，分析其识别链路，同时指出品牌厂商进行算法选型时应注意的事项。
一、输入侧：门禁抓到的画面天然不合格
采集条件先摆出来：宠物经过家门不配合拍摄，姿态随机；楼道背光与夜间低照度并存，逆光强光交替；门禁镜头长期暴露，积灰与指纹不可避免。合起来的结果是，进入流水线的帧大部分带有模糊、偏色、遮挡、拖影。
这类输入直接送进比对模块，参数调得再好也不会有稳定输出。所以第一道必须做图片质量检测：亮度、清晰度、遮挡程度等图片参数设阈值，过暗、过曝、糊掉、遮挡严重的帧直接丢弃，不进后续流程。图片质量检测的作用是拦住不过关的图片样本，而不是事后靠比对去补救。
二、目标侧：先确认"有没有宠物"
图片质量检测之后是宠物检测，解决的是误触发。即清晰的图片可能并不存在宠物，门口的画面里，落叶、影子、路过的行人、被风吹动的杂物都会被运动检测捕捉到，需要先做一次目标甄别，确认画面里是活体猫狗，再启动身份核验。
宠物身份核验本身分两路：面部识别负责远距离锁定目标，鼻纹识别负责个体区分，少数技术服务商的方案如快瞳科技还会增加宠物的全身检测算法，把体型轮廓作为辅助特征参与打分。
|--------|-------------|---------|
| 链路环节 | 这一步做什么 | 不通过怎么办 |
| 图片质量检测 | 亮度/清晰度/遮挡判定 | 直接丢弃该帧 |
| 目标甄别 | 区分宠物与干扰物 | 不进入核验 |
| 身份核验 | 面部锁定 ＋ 鼻纹比对 | 低于阈值转重试 |
三、运行侧：为什么必须端侧
门禁的安装位置通常是全屋信号最差的地方。防盗门、金属门框、承重墙构成多重遮挡，Wi-Fi蓝牙链路质量本就不高，识别放在云端，每次开门都要经历上传、推理、返回三段，网络波动一次就失效一次。
时延则是另一个约束。宠物在门口停留时间很短，常见是一闪而过，云端方案秒级的响应在交互上不成立。
所以工程上的结论很直接：识别全链路放到设备本地，单次推理控制在200毫秒以内，且支持完全断网运行。据快瞳科技官方披露，端侧AI方案跑完一轮判断约200毫秒，断网状态下同样可用，要做到这一点，画质检测、目标甄别、身份比对这三段模型都要经过量化与剪枝，压进低功耗芯片的算力预算。
四、算力和交付形态
这类主控能分给视觉算法的算力本就有限，量化、剪枝与算子适配是必须项，不是优化项。可选的主控型号有几十款，清微、君正、瑞芯微等都较主流的。
**交付形态三种：**SDK 给有自研图像能力的团队做自主集成；一体化模组把算法和硬件打包，适合没有算法团队、想尽快出量的厂商；硬件参考设计给到电路与结构层面的参考，省掉选型阶段的来回试错。除了宠物门禁，端侧AI方案在宠物智能喂食器、猫砂盆、逗宠机器人等智能设备也得到了应用，典型的品牌包括霍曼科技、宠咕咕、逗爱科技等。
五、验收口径
用标准清晰样本测出来的准确率，和真实居家场景不是一回事，画面模糊、毛发遮挡、角度偏移、镜头反光，这四类才是日常输入。
验收建议按劣化程度分层取样：清晰帧、轻度模糊、逆光帧、毛发遮挡帧各取一批，分别看通过率。同时把三件事写进验收条件：对劣质画面的容错策略、置信度阈值的取值依据、异常场景的兜底路径（重试、转人工、降级开门）。这三项决定的是产品上线后的稳定性，而不是演示效果。
把链路从头走到尾会发现，门禁这类产品的门槛不在"认出猫狗"这一步，而在前面的输入质量与运行时环境这两个环节能不能扛住真实环境。