1) 人脸识别的成本非常昂贵
人们会觉得要让计算机能够识别人脸，解决方案必须采用高端。毕竟，自 21 世纪前十年中期以来，在图像分类方面的突破都利用了图形处理单元()的强大处理能力，这些单元通常在紧集群中使用。但对于系统（例如家庭安保和门禁控制产品）的人脸识别应用开发人员而言，并不需要如此复杂的流程。设计高效率的算法，侧重于人脸、将人脸与已注册的图像进行匹配，所需的处理能力将远低于研究级别的算力。
2) 人脸识别非常困难
机器学习的一大关键难点是将设计流程与应用相匹配，以便能够在训练时产生有用的结果。但在人脸学习等应用中，不需要从头开始构建这些结构。我们可以使用基于经过验证的机器学习过程构建的平台，它们不仅能快速提供高性能，而且提供一定程度的定制能力，满足不同目标市场的需要。
3) 人脸识别需要高性能处理
很多人看到，在环境中，我们将高性能硬件用于机器学习，于是他们想当然地假定机器学习都是重量级进程。但是，这些系统需要能够适应很多不同应用，而且它们可以充分利用支持所有深度学习架构的开源工具。因而，即便对于推理应用，当使用来分析实际数据时，模型具有高度的数据和计算冗余。嵌入式解决方案可以显著减少这些开销，因而能够在 32 位 上运行复杂的人脸识别算法。
4) 人脸识别不太安全
人脸识别在嵌入式系统中的一大重要应用是门禁控制，如果有人手持自拍照靠近摄像头企图蒙混过关，需要确保门锁不会被打开，也无法越过报警系统。正因为如此，采用机器学习技术的集成式视觉平台非常重要。这些技术能够对图像执行检查，确保将可用数据馈送到机器学习算法。灵活确保管道可以处理可见光数据以及更多内容。在这种情况下，使用或可以帮助系统能够辨别真伪。
5) 人脸识别侵犯隐私
公众熟悉的众多应用需要将原始数据上传至云服务器，然后在云服务器上处理数据。这是很多消费者担忧的问题，他们不希望自己在住宅及周边区域的活动在互联网上传播，甚至可能在服务器遭受恶意攻击后被披露。有些平台可在本地执行所有图像处理和人脸识别功能，例如恩智浦基于 MCU 的 EdgeRey 解决方案。数据自始至终不会离开平台，从而确保最终产品可以最大程度地保护用户隐私。
6) 人脸识别在黑暗中无法进行
具有集成人脸识别功能的安全系统或电动门经常需要在不太理想的照明条件下工作。人脸识别技术似乎要依赖于可见光才能正常工作，夜间工作或断电可能成为一大难题。但是，通过将可见光图像传感器与在红外线光谱上工作的辅助器件配合使用，或使用飞行时间数据来构建范围内对象的 3D 映射，可以非常简单地解决这个问题。采用这种方法，无光照不再是难题，由于不要求解决方案采用人工照明，它还有助于提高实用性和降低功耗。
7) 人脸识别需要人工智能方面的专业知识
整体来说，人工智能是一个非常宽泛和复杂的领域。仅在深度学习方面，arXiv 网站上每天都会出现新学术论文，探讨不同技术领域和新管道结构。但如果您使用专为人脸识别设计的平台，例如恩智浦基于 MCU 的解决方案，就很容易得到高质量的结果，因为它不仅采用了机器学习技术，还提供了针对任务设计的完整图像处理工具包。
8) 人脸识别的功耗很高
使用经过优化的人工智能和图像处理，我们可以在 MCU 上运行人脸识别，而并非在服务器平台的高性能 GPU 上运行。这带来了更多优势：我们可以使用目前 MCU 支持的众多节能模式。MCU 解决方案不需要启动 等重量级，这意味着在不需要主处理器的情况下可将其关闭。但如果运动传感器确定视场范围内有足够的活动需要注意，仍可在十分之一秒内唤醒处理器，实现完整的人脸识别功能。
9) 训练对于最终用户来说是一项繁琐的任务
早期在平板和等嵌入式系统中实现的人脸识别需要一系列不同的姿态，以便有效地训练，用于识别新用户的脸部。随着迁移学习等技术的进步，只需让人脸面对摄像头一次，即可进行特征训练，并将特征添加到经过许可的用户数据库。
10) 人脸识别的应用受限
与任何技术相同，在创新公司将技术投入应用之前，我们很难想像到技术将会如何使用。人脸识别似乎仅限于安保和门禁控制应用，因为它们是目前常见的使用方式。但电器和电动工具可以将这项技术用于安全用途：禁用功能，避免小孩受伤。设备的设计目的将不再只是识别人脸，还要识别表情。设备能够读取情感，例如失望、困惑或高兴，并且作出相应的回应，改进整体用户体验。
11) 人脸识别需要重量级操作系统
由于深度学习的很多研究级别工具作为开源软件工具包提供，而这些工具包是针对 Linux 编写的，所以人们很容易会认为人脸识别等应用需要 Linux。但支持核心技术的嵌入式系统既不需要存储器成本，也不需要 Linux 系统的长启动时间。基于 MCU 的解决方案可以运行轻量级的操作系统，消耗的存储器空间更少，启动时间更短，并且还支持高级电源优化。