8大技術優勢，6個發展趨勢，人臉識別已經深入到了生活的方方面面。

近年來， 隨著人工智能、計算機視覺、大數據、云計算、芯片等技術的迅速發展，人臉識別技術取得了長足的進步并且在眾多場景中得以成功應用并大規模商業化普及，為經濟社會的發展以及人們日常生活帶來便捷 。 就市場發展趨勢而言， 人臉識別應用場景雖然滲透各個行業場景， 但市場規模增長趨勢出現分化， 國內市場呈現從算法競爭到芯片全產業鏈激烈競爭的狀態；就技術發展層面， 邊緣端 SOC 芯片算力的提升使得人臉識別系統中的部分甚至全部算法可以運行在邊緣設備上， 從而使云邊結合已成為人臉識別產品和應用方案的發展趨勢。

01.什么是人臉識別？

人臉識別 （ Face Recognition） 是一種基于人的面部特征信息進行身份識別的生物特征識別技術 。近年來 ， 隨著人工智能 、 計算機視覺 、 大數據 、 云計算 、 芯片等技術的迅速發展 ， 人臉識別技術取得了長足的進步并且在眾多場景中得以成功應用 。 廣義的人臉識別實際包括構建人臉識別系統的一系列相關技術 ， 包括人臉視圖采集 、 人臉定位 、 人臉識別預處理 、 身份確認以及身份查找等 ；而狹義的人臉識別特指通過人臉進行身份確認或者身份查找的技術和系統 。此外 ， 部分應用場景下還可能涉及質量評價 、 活體檢測等算法模塊。

人臉識別的應用模式主要包括三種： （1）、人臉驗證 （Face Verification） ： 判定兩張人臉圖像是否屬于同一個人 ，常用于身份認證如人證核驗 。 （2）、人臉辨識 （ Face Identification） ： 給定一張人臉圖像 ， 判斷是否在注冊庫中 ， 若在則返回具體的身份信息 ， 常用于靜態檢索或動態布控 。 （3）、人臉聚類 （ Face Clustering） ： 給定一批人臉圖像 ， 將相同人的圖像歸類到同一個類 ， 不同人的劃分為不同的類 ， 常見的應用有智能相冊 、 一人一檔等 。

1、發展歷程

人臉識別的研究開始于 20 世紀 60 年代 ， 到 90 年代進入了初級應用階段 ，主要停留在學術研究和小范圍的實驗室環境應用 ， 直到 2012 年后的深度學習的復興 ， 人臉識別技術取得歷史性的進步 ， 真正實現大規模商業化普及 ， 且識別能力已經遠遠超過了人類的常規辨識度 。 目前 ， 從全球人臉識別技術領域的應用場景布局來看 ， 安防 、 金融 、 交通 、 樓宇等是相對較為成熟的領域 ， 而在零售 、 廣告 、 智能設備 、 教育 、 醫療 、 娛樂等領域也均有較多應用場景 ， 為經濟社會的發展以及人們日常生活的便捷帶來了新機遇 。

2、政策現狀

隨著人工智能技術水平的迅速發展與經濟發展水平的穩步踏進 ， 在大數據應用的帶領下 ， 人臉識別技術在智慧城市 、 安防市場等行業得到了廣闊的應用 ，與此同時人臉識別技術應用過程所涉及的監管問題也面臨著越來越高的挑戰 。面對目前正飛速發展的人臉識別技術 ， 我國制定了一系列政策來促進其更健康的發展。

2017 年 7 月 ， 國務院發布 《 新一代人工智能發展規劃 》 （ 國發 〔 2017 〕 35 號 ）指出建設安全便捷的智能社會 ， 圍繞行政管理 、 司法管理 、 城市管理 、環境保護等社會治理的熱點難點問題 ， 促進人工智能技術應用 ， 推動社會治理現代化 。同時 ， 圍繞社會綜合治理 、 新型犯罪偵查 、 反恐等迫切需求 ， 提出研發視頻圖像信息分析識別技術 、 生物特征識別技術的智能安防與警用產品 ， 建立智能化監測平臺的要求。 全國人大在 2018 年修正的 《 中華人民共和國反恐怖主義法 》 第五十條提到 ：公安機關調查恐怖活動嫌疑 ， 可以依照有關法律規定對嫌疑人員進行盤問 、 檢查 、 傳喚 ， 可以提取或者采集肖像 、 指紋 、 虹膜圖像等人體生物識別信息和血液 、 尿液 、 脫落細胞等生物樣本 ， 并留存其簽名 。

2019 年 9 月 ， 中國人民銀行印發的 《 金融科技 （ FinTech ） 發展規劃 （ 2019-2021 年 ） 》 （ 以下簡稱規劃 ） ， 明確提出構建適應互聯網時代的移動終端可信環境 ， 充分利用可信計算 、 安全多方計算 、 密碼算法 、 生物識別等信息技術，建立健全兼顧安全與便捷的多元化身份認證體系 ， 不斷豐富金融交易驗證手段，保障移動互聯環境下金融交易安全 ， 提升金融服務的可得性 、 滿意度與安全水平 。 同時 ， 《 規劃 》 也提出強化需求引領作用 ， 主動適應數字經濟環境下市場需求的快速變化 ， 在保障客戶信息安全的前提下 ， 利用大數據 、 物聯網等技術分析客戶金融需求 ， 借助機器學習 、 生物識別 、 自然語言處理等新一代人工智能技術 ， 提升金融多媒體數據處理與理解能力 ， 打造 “ 看憧文字 ” 、 “ 聽懂語言 ” 的智能金融產品與服務 ， 這也為人臉識別的安全應用提供了思路 。

2019 年 9 月 ， 工業和信息化部公開征求對 《 關于促進網絡安全產業發展的指導意見 》 （ 征求意見稿 ） ， 表示支持構建基于商用密碼 、 指紋識別 、 人臉識別等技術的網絡身份認證體系 ， 著力提升支撐網絡安全管理 、 應對有組織高強度攻擊的能力 ， 明確了生物特征識別技術在網絡安全產業發展中的重要意義 。 2020 年 11 月初 《 中華人民共和國國民經濟和社會發展第十四個五年規劃綱要 （ 建議稿 ） 》 （ 以下簡稱 《 建議稿 》 ） 全文發布 ， 其中明確提出加快壯大新一代信息技術 、 生物技術等產業 ， 推動互聯網 、 大數據 、 人工智能等同各產業深度融合 ， 培育新技術 、 新產品 、 新業態 、 新模式 。 發展數字經濟 ， 加強數字社會 、 數字政府建設 ， 提升公共服務 ， 社會治理等數字化智能水平 。同時提出 ， 統籌發展和安全 ， 建設更高水平的平安中國 ， 加強社會治安防控體系建設 。該規劃的出臺為人臉識別技術和行業未來 5 年的發展規定了目標和方向 。 信息安全層面 ， 2016 年 11 月全國人大通過的 《 網絡安全法 》 中將個人生物識別信息的管理進一步細化 ， 范圍進一步明確 。國家網信辦有關負責人表示，《 網絡安全法 》 的公布和施行不僅保障廣大群眾的切身利益 ， 還有利于高新技術的應用 ， 進而激發互聯網的巨大潛力 。

2020 年 7 月由全國人大公布的 《 數據安全法 》 草案為數據加上 “ 防護罩 ” ， 明確數據活動的紅線 ， 將來在 “ 數據主權 、 數據經營 、 數據交易 ” 等方面 ， 通過法律條文的形式 ， 推動數據時代的快速發展 。國家堅持保障數據安全與發展并重 ， 鼓勵研發數據安全保護技術 ，積極推進數據資源開發利用 ， 保障數據依法有序自由流動 。 2020 年 10 月 21日全國人大公布的 《 個人信息保護法 （ 草案 ） 》 規定了個人信息是以電子或者其他方式記錄的與已識別或者可識別的自然人有關的各種信息 ；規定了個人信息的處理包括個人信息的收集 、 存儲 、 使用 、 加工 、 傳輸 、 提供 、 公開等活動的要求 。

02.技術細節

1、 人臉識別技術原理

當今主流的人臉識別算法 ， 主要包括人臉檢測 、 人臉預處理 、 特征項提取 、比對識別 、 活體鑒別五大步驟 。其中人臉檢測 、 人臉預處理 、 特征項提取可統稱為人臉視圖解析過程 ， 即從視頻和圖像中檢測出人臉 ， 通過圖像質量判斷 ，選取合適的人臉圖片 ， 提取人臉特征向量 ， 用于后續比對識別 ；比對識別處理可以分為人臉驗證 （ 1 ：1 ） 和人臉辨識 （ 1 ：N ） 兩類 ；活體鑒別算法用以判斷人臉識別處理中的人臉圖像 ， 是否采集自真實人體 。 在實際應用中 ， 除了上述人臉識別算法 ， 前端視圖采集技術 、 人臉數據存儲技術 、 應用軟件管理技術也是人臉識別技術應用中重要的技術部分 。

2、 人臉識別的研究機構介紹

人臉識別作為最受關注的生物特征識別技術 ， 國內外有眾多科研院所 、 高等院校 、 企業等機構開展人臉識別相關技術的研究 、 開發和應用 。截止 2020年 10 月 ， 據企查查數據統計 ， 全國共有 10443 家企業的名稱 、 產品 、 品牌 、經營范圍涵蓋 “ 人臉識別 ” ， 從成立時間來看 ， 近 5 年相關企業數量不斷劇增 ，2019 年成立了 1955 家，2020 年僅 10 月前就新增 1139 家 。科研機構。人臉識別技術廣受學術和產業研究機構關注 。全球范圍內 ， 有眾多知名學術機構在從事人臉識別領域的技術研究 ， 比較有代表性的人臉識別技術研究機構包括斯坦福大學 、 加州大學伯克利分校 、 美國馬薩諸塞大學 、 牛津大學 、 多倫多大學 、 香港中文大學 、 中科院自動化所 、 清華大學等 。

（1）、斯坦福大學。斯坦福大學是最早在人臉識別技術上取得突破的研究機構之一 。由華人科學家李飛飛教授領街的計算機視覺實驗室 ， 通過每年度基于 ImageNet 數據庫舉辦的大規模視覺識別挑戰賽 （ ILSVRC） ， 極大的促進了人臉識別和計算機視覺技術的發展 。 近期 ， 斯坦福大學的研究團隊研發出一款人臉跟蹤軟件 Face2Face， 它可以通過攝像頭捕捉用戶的動作和面部表情 ， 然后使用 Face2Face 軟件驅動視頻中的目標人物做出一模一樣的動作和表情 ， 效果極其逼真 。這項技術使用一種密集光度一致性方法 （dense photometric consistency measure） 來實時跟蹤源和目標視頻中的面部表情 。 研究人員們稱 ，由于源素材與被拍攝者之間快速而有效的變形傳遞 ， 從而使復制面部表情成為可能 。由于嘴形與其所說的內容高度匹配 ， 因此可以產生非常準確 、 可信的契合 。

（2）、加州大學伯克利分校。加州大學伯克利分校是國外人臉識別技術研究的重要發源地 ， 早在 2005年就有關于人臉識別相關研究的理論工作 。其中馬毅 2008 年發表的 Sparsity and Robustness in Face Recognition， 在谷歌學術已獲得 6321 余次的引用 ， 在深度神經網絡被大家廣泛應用之前 ， 是主流的人臉識別算法 。在這篇文章中作者把稀疏表示理論應用到人臉識別這個場景中 ， 提出了一個通用分類算法用于人臉識別 。 這個新的框架為人臉識別領域的兩個關鍵課題（特征項提取和對遮擋的魯棒性）上提供了更好的理論指導。此外，該實驗室近期在用低維模型處理高維數據、 特征選擇等理論方向上有一定的產出， 提出了一種新型特征選擇方法 （Conditional Covariance Minimization， CCM） ， 該方法基于最小化條件協方差算子的跡來進行特征選擇， 取得了較為突出的效果 。

（3）、美國馬薩諸塞大學。美國馬薩諸塞大學也是國外人臉識別技術研究的重要發源地 ， 開源了知名的人臉檢測數據庫 FDDB 和人臉識別數據集 LFWo FDDB 是全世界最具權威的人臉檢測評測平臺之一 ， 其中包含 2845 張圖片 ， 共有 5171 個人臉作為測試集 。測試集范圍包括不同姿勢 、 不同分辨率 、 旋轉和遮擋等圖片 ， 同時包括灰度圖和彩色圖 ， 截止到目前 FDDB 所公布的評測集仍然代表了目前人臉檢測的世界最高水平 。 馬薩諸塞大學還在 2007 年建立了人臉識別評測數據集 LFW， 用于評測非約束條件下的人臉識別算法性能 ， 截至到目前是人臉識別領域使用最廣泛的評測集合 。該數據集由 13000 多張全世界知名人士互聯網自然場景不同朝向 、 表情和光照環境人臉圖片組成 ， 共 5000 多人 ， 其中 1680 人有 2 張或 2張以上人臉圖片 。每張人臉圖片都有其唯一的姓名 ID 和序號加以區分 。LFW測試正確率 ， 代表了人臉識別算法在處理不同種族 、 光線 、 角度 、 遮擋等情況下識別人臉的綜合能力。

（4）、牛津大學。牛津大學 VGG （視覺幾何）組實驗室從 2015 年開始人臉識別相關研究 ，包括具有影響力的人臉數據庫的發布以及深度人臉識別算法的研究 。該實驗室 2015 年在 BMVC 發表的 a Deep Face Recognition“ 論文在谷歌學術已獲得3600 余次的引用 ， 其中發布的 VGG-Face 已成為深度人臉識別領域最常用的數據庫之 一 。 2018 年發布了大規模人臉識別數據 VGG — Face2， 是 VGG-Face的第二個版本 ， 包含 331 萬圖片 ， 9131 個 ID， 平均圖片數為 362.6， 且覆蓋了大范圍的姿態 、 年齡和種族等 。VGG-Face2 發布兩年 ， 已經獲得了 800 余次引用 。此外 ， 該實驗室近期在人臉識別置信度預測 、 基于集合的人臉識別等子方向上 ， 每年產出一定量的學術工作 。

（5）、多倫多大學。加拿大多倫多大學是基于深度學習的人臉識別技術發展的重要推手之一 。著名 “ 神經網絡之父 ” Geoffrey Hinton 是該校的代表性學者 ， 在 Hinton 的帶領下 ，多倫多大學的研究者將反向傳播 （Back Propagation） 算法應用到神經網絡與深度學習 ， 通過應用這項算法技術 ， 人臉識別技術的識別性能得到極大提高 。 近期 ， 多倫多大學的研究人員在人臉識別隱私保護技術領域取到了一些新的進展 ， 開發了一種動態干擾算法來進行人臉隱私保護 。這種技術原理基于 “ 對抗性訓練 ” ， 通過建立起兩種相互對抗的算法 ， 當發現某種檢測算法正在尋找臉部特征 ， 干擾算法會自動調整這些特征 ， 在照片中產生非常細微的干擾 ， 通過這些干擾來阻礙整個檢測系統的檢測效果 。

（6）、香港中文大學。作為最早投入深度學習技術研發的華人團隊 ， 在多年布局的關鍵技術基礎之上 ， 香港中文大學教授湯曉鷗率領的團隊迅速取得技術突破 。2012 年國際計算視覺與模式識別會議 （ CVPR ） 上僅有的兩篇深度學習文章均出自其實驗室 ；2011-2013 年間在計算機視覺領域兩大頂級會議 ICCV 和 CVPR 上發表了 14 篇深度學習論文 ， 占據全世界在這兩個會議上深度學習論文總數 （ 29 篇）的近一半 。他在 2009 年獲得計算機視覺領域兩大最頂尖的國際學術會議之一 CVPR最佳論文獎 ， 這是 CVPR 歷史上來自亞洲的論文首次獲獎 。

（7）、中科院自動化所。中科院自動化所是國內領先的模式識別領域研究機構 。多年來 ， 在人臉識別領域開展了廣泛的研究 。自動化所李子青研究員領導的人臉識別研究團隊 ，提出了基于近紅外的人臉識別技術 ， 對光照變化影響的處理有較好的效果 ，并將該技術應用于 2008 年北京奧運會安保項目 。 自動化所孫哲南研究員團隊 ， 在生成對抗網絡基礎上提出高保真度的姿態不變模型 （High Fidelity Pose Invariant Model， HF — PIM） 來克服人臉識別任務中最為經典的姿態不一致問題 。實驗結果表明 ， 該方法在基準數據集上的表現的視覺效果和定量性能指標都優于目前最好的基于對抗生成網絡的方法 。此外 ， HF-PIM 所支持的生成圖像分辨率也在原有方法的基礎上提升了一倍 。

（8）、清華大學。清華大學是國內最早從事人臉識別技術研究的研究機構之一 。清華大學蘇光大教授 ， 自 1980 年代就開始了人臉識別技術研究工作 。蘇教授提出了 1 ：1 圖像采樣理論和鄰域圖像并行處理機理論 ， 并在 2005 年通過多計算機并行處理技術 ， 顯著提高了人臉識別處理的性能 。 這項技術與 2012 年由多倫多大學 Hinton 團隊提出的利用并行計算來提高反向傳播算法的運算效能有異曲同工之妙 。同時 ， 蘇教授團隊提出了最佳二維人臉 、 不同類別的多特征描述以及MMP — PCA 等一系列人臉識別的理論和方法 。科技類企業。在人臉識別技術研究領域 ， 眾多科技類企業也起到了至關重要的作用 。微軟亞洲研究院較早就開始了人臉識別技術研究 ， 發表了大量優秀的學術論文 ，2018 年 ， 微軟亞洲研究院提出的深度學習殘差網絡 RESNET， 在研究領域得到了廣泛認可 ；蘋果公司在人臉識別技術上進行了深入研究 ， 自 2017 年開始 ，就在其 iphoneX 手機上引入了刷臉解鎖功能 ； 日本電氣 （NEC） 公司也是國際上人臉識別技術的先 行者之 一 ， 很早就提出了基于人臉識別技術的公共安全解決方案 ； 國內有 “ 人工智能四小龍 ” 之稱商湯 、 曠視、 依圖 、 云從等企業 ， 在人臉領域 ， 從學術研究到產業實踐 ， 都做了大量的工作 ， 在復雜場景 ， 大規模處理等領域 ， 不斷取得新的成果 ；國內傳統科技企業百度 、 阿里 、 騰訊 、 平安科技 、 海康 、 大華等 ， 也在人臉識別技術領域開展廣泛深入的研究 ， 并結合其原有的業務領域的場景 ， 取得顯著的技術研究成果 。

3、人臉識別技術優勢及局限性

技術優勢。在不同的生物特征識別方法中 ， 人臉識別技術有其自身特殊的優勢 ， 因而在生物識別中有著重要的地位 。

（1）、 非侵擾性 ， 人臉識別無需干擾人們的正常行為就能較好地達到識別效果 ， 只要在攝像機前自然地停留片刻 ， 用戶的身份就會被正確識別 。 （2）、便捷性 ， 人臉識別采集設備簡單 ， 使用快捷 。一般來說 ， 常見的攝像頭就可以用來進行人臉圖像的采集 ， 不需特別復雜的專用設備 。圖像采集在數秒內即可完成 。 （3）、友好性 ， 通過人臉識別身份的方法與人類的習慣一致 ， 人和機器都可以使用人臉圖片進行識別 。 （4）、非接觸性 ， 人臉圖像采集 ， 用戶不需要與設備直接接觸 。另外 ， 可以在比較遠的距離進行人臉圖像的采集 。裝配了光學變焦鏡頭的攝像頭 ， 焦距可以提高到 10 倍以上 ， 使景深范圍擴展到 50 米以外 ， 實現對遠景清晰拍照 ，有效采集遠處的人臉圖像 。 （5）、可擴展性 ， 在人臉識別后 ， 通過對識別結果數據進行下一步處理和應用 ， 可以擴展出眾多實際應用方案 ， 如應用在出入門禁控制 、 人臉圖片搜索 、上下班刷卡 、 非法人員識別等各個領域 。 （6）、隱蔽性強 ， 安全領域對于系統隱蔽性有較強要求 ， 人臉識別在這方面比指紋等方式更具優勢 。 （7）、強大的事后追蹤能力 ， 系統記錄的人臉信息是非常重要且易于利用的線索 ， 更加有利于進行事后追蹤應用 。 （8）、準確度高 ， 相比于人體 、 步態等其特征 ， 人臉特征具備更強的鑒別性與更低的誤報率 ， 所能應用的底庫規模上高出許多 ， 目前超大規模 （ 十億級別 ） 的人臉檢索已經可以實用 。

技術局限。人臉識別技術由于相似臉 、 年齡 、 算法偏見 、 面臨的場景多樣化以及人臉圖像更易公開獲取等原因 ， 技術本身也面臨著一定的局限性 。

（1）、相似臉較難解決 。雙胞胎或者長相很相近的人臉容易識別錯誤 ， 而該問題在目前暫時沒有新技術能完全解決 。NIST 分析報告指出 ， 大部分情況下雙胞胎仍能區分分數高低 ， 但是往往都在閾值之上 ， 在開放環境下應用效果較差 。 （2）、算法偏見問題 。由于當前人臉識別算法很大程度依賴于數據樣本 ，但是不同人群的人臉數據樣本存在差別 ， 這導致了算法對不同地域 、 不同年齡人群的識別能力有差別 。 美國國家技術標準研究院 NIST 的檢查表明 ， 人臉識別軟件在不同地域 、 種族 、 性別 、 年齡上存在較大差異 。比如 ， 小孩子 ， 老年人以及其他很少出現的人種或者膚色的人臉識別率相對較低 ， 該問題亟需解決 。 （3）、人臉識別率易受多種因素影響 。現有的人臉識別系統在用戶配合 、采集條件比較理想的情況下可以取得令人滿意的結果 。但是 ， 在用戶不配合 、采集條件不理想的情況下 ， 會影響現有系統的識別率 。例如根據 NIST 的測試報告 ， 戴口罩情況下大部分算法的錯誤率會提高 1 個數量級以上 ， 跨年齡 、 大角度等因素也會造成不同程度的下降 。

（4）、年齡變化的影響 。隨著年齡的變化 ， 面部外觀也會變化 ， 特別是對于青少年 ， 這種變化更加明顯 。對于不同的年齡段 ， 人臉識別算法的識別率也不同。 （5）、安全性問題 。人臉識別系統信息存儲同樣會面臨黑客的攻擊 。所以對數據加密很重要 。隨著技術的不斷提升 ， 人臉識別技術在安全性上需要加強 。 同時 ， 人臉暴露度較高 ， 相比對其它生物特征數據更容易實現被動采集 。這也同時意味著人臉信息的數據更容易被竊取 ， 不僅可能侵犯個人隱私 ， 還會帶來財產損失 。大規模的數據庫泄露還會對一個族群或國家帶來安全風險 。

4、 人臉識別技術的發展趨勢

隨著人臉識別技術的廣泛應用 ， 也在不斷促進技術本身持續發展 。基礎算法研究 、 人臉重建技術 、 戴口罩人臉識別 、 3D 人臉識別技術 、 新型人臉采集技術 、人臉聚類技術 、 和低質量人臉識別技術 ， 是產業界和學術界關注的熱點課題 ，也預示了人臉識別技術的發展趨勢 。 基礎算法技術熱點包括模型結構設計 、 損失函數設計 、 無監督 / 半監督學習算法和分布式自學習算法等 。模型結構設計目前主要有手工設計與網絡結構搜索 （NAS） 兩種思路 。ICCV 2019 輕量級人臉識別 （Lightweight Face Recognition） 競賽結果顯示 ， 雖然對大模型場景下結構改進帶來的提升則較為有限 ， 但是輕量級場景下網絡結構改進對于識別率提升較為明顯 。 損失函數設計的核心在于學習具備鑒別性且足夠魯棒的特征 。近年來基于度量學習與各類 margin — based 方法逐漸成為主流。在特征提取加速方面 ， 主要的方法有輕量級網絡 、 模型蒸惚 、 稀疏量化等 ；在特征比對加速方面 ， 主要的思路有量化以及各類近似最近鄰檢索技術 。

低質量人臉識別技術。在實際的動態應用場景下 ， 人臉識別技術由于場景的不可控因素 ， 采集到的圖片質量與訓練圖片的質量有很大差異 ， 如人臉偏轉 ， 大幅度側臉 ；運動模糊和失焦模糊 ；遮擋物（例如口罩 ， 墨鏡） ；低的光照強度和對比度 ；視頻傳輸由于編解碼過程產生的人臉信息丟失等 ， 這些因素導致準確率極度下降 。 針對這些具體問題 ， 研究人員提出綜合利用各種圖像增強技術和圖像生成技術對人臉識別算法準確率進行提升的方法 ， 如采用對抗式生成網絡對攝像頭的風格進行遷移 ， 采用基于深度學習的方法對小尺寸模糊人臉進行超分辨率重建和基于注意力機制對人臉圖片進行去模糊處理等 。

此外 ， 3D 人臉識別技術也可以有效解決復雜場景下人臉單模態魯棒性不足問題 ， 如大角度 、 遮擋引起的效果下降問題 ， 常用的融合策略有相似度融合 、 特征融合 、 決策融合等 。 戴口罩人臉識別技術。今年新型冠狀病毒疫情期間戴口罩人臉識別受到較大關注 。常用的解決方法有數據增強 、 遮擋恢復 、 多部件模型融合等 ， 可應用在人臉布控 、 陌生人檢測 、 無感通行中 ， 均不需要摘下口罩 ， 在 30 萬人像庫的規模下 ， 戴口罩人臉識別準確率可大于 90% 。 人臉聚類無論是在個人領域的相集管理還是在智慧城市治理領域都有較為廣泛的應用 。早期主要基于傳統的聚類方法如 k-means 等 ， 但效果不佳 。近年來 ， 基于 GCN 的人臉聚類方法嶄露頭角 。實際業務中 ， 時空信息的挖掘也是研究的熱點 。 特定群體識別技術。針對兒童/老人 、 不同膚色群體的人臉識別 ， 有標簽的數據較少 ， 而無標簽的數據更多些 。研究人員提出可以利用半監督/無監督學習方法帶來性能的進一步提升 。同時 ， 對抗 、 域適應等方法也是研究人員較為關注的方法 。在特定群體識別中 ， 應考慮如何方便老年人使用人臉識別系統 。

為了防范照片 、 視頻 、 頭模等假體對人臉識別系統的攻擊 ， 呈現攻擊檢測算法也是研究的熱點 ， 主要檢測原理包括 ： a ） 離散圖像檢測方式 ， 即利用一幅或多幅圖像進行判斷 ； b ） 連續圖像檢測方式 ， 即采用連續圖像序列進行判斷，如檢測顯示器邊緣 、 邊框 、 屏幕反光 、 像素點 、 條紋分析等進行判斷 ； c ） 用戶主動配合檢測方式 ， 即通過指令要求用戶完成相應動作如點頭 、 抬頭 、左右轉頭 、 張嘴 、 眨眼 、 跟讀屏顯提示信息等進行判斷 ； d ） 基于輔助硬件設備的檢測方式 ， 即利用輔助硬件設備獲取更多判斷依據輔助進行判斷 ， 如利用深度攝像頭采集人臉深度信息或利用特定波長光源投射并檢測在皮膚或非皮膚材質上產生的發射率差異等 ； e ） 用戶被動配合檢測方式 ， 如 ：利用靜脈血管 、 肌肉 、骨骼 、 靜脈血液中脫氧血色素對紅外線的吸收特性 ， 判斷其是否來自活體 ；通過特定指令引導用戶眼球運動 ， 并通過跟蹤眼球運動以判斷是否為真實活體 。 多模態融合識別技術。多模態融合識別技術可以有效解決復雜場景下人臉單模態魯棒性不足問題 。如大角度 、 遮擋 、 像素過低引起的效果下降問題或應用場景對于安全性可靠性要求很高的場景 ， 多模態可以增強識別的可信度 。

多模態識別有兩個發展方向 ， 一個方向是在臉部圖像特征識別的基礎上 ， 增加頭肩和形體的識別 ， 這種技術的好處是可以不必增加額外的采集單元 ；另外一個方向是 ， 融合其他生物識別模態 ， 如靜脈紋理 ， 聲紋信息等 ， 這種技術除了能夠提高算法的魯棒性之外 ， 還可以提高活體驗證的可信度 ， 在行業里受到了較為廣泛的關注 。

03.行業發展

1、行業發展概述

隨著云計算 、 大數據 、 物聯網 、 人工智能等計算機科學技術的飛速發展以及人臉識別技術在實際應用中的不斷成熟 ， 人臉識別技術在智慧安防 、 智慧城市 、 智能家居 、 移動支付等領域繼續大放異彩 ， 并且人臉識別的一些新應用場景也不斷地被挖掘出來 。 全球人臉識別行業規模依然在以非常高的速度進行增長 。根據MarketsandMarkets 發布的全球人臉識別市場相關報告 ， 預計全球人臉識別市場規模將從 2019 的 32 億美元增長到 2024 年的 79 億美元 ， 在預測期內（ 201 9-2024 年 ） 將以 16.6% 的復合年增長率進行增長 。 國內方面 ， 中國人臉識別技術投入在 2017-2018 年達到巔峰 ， 根據 IHSMarkit 的數據 ， 2018 年 ， 中國在全球人臉識別市場的業務占據了將近一半的份額 。2019 至 2020 年 ， 人臉識別技術發展趨于平緩 ， 進入理智期 。依據 IT 桔子數據統計 ， 截至目前 ， 中國人臉識別技術總投資額達到 406 億元 。前瞻產業研究院預計 ， 未來五年人臉識別市場規模將保持 23% 的平均復合增長速度 ，到 2024 年市場規模將突破 100 億元 。

2、 行業發展現狀

人臉識別產業鏈以人臉識別算法作為中間層 ， 其上游為器件 、 通用硬件 、基礎軟件 ， 上游提供了人臉識別算法的輸入 、 訓練 、 開發和運行環境 ；下游為設備和產品 ， 最終體現為解決方案 ， 下游是人臉識別算法的產品形態 。 從產業鏈上游來看 ， 國內廠商 （ 以華為 、 寒武紀為代表 ） 在芯片設計方面有較強實力 ， 在芯片制造方面 ， 除去手機等對芯片精密程度要求較高的設備 ，國內廠商具備制造芯片的能力 。但高端芯片的制造工藝以及基本元器件都被國外壟斷 ， 成為制約上游廠商發展的瓶頸 。 從人臉識別算法層面來看 ， 國內廠商具備優勢 ， 但數據隱私問題 、 人種 /地域帶來的算法性能公平性問題 ， 是國內廠商急需解決的問題 。 產業鏈下游 ， 人臉識別應用越來越廣泛 ， 甚至出現過度濫用盜取用戶隱私的事件 。黑客攻擊 、 非活體攻擊對人臉識別系統安全性也提出了挑戰 ， 用戶隱私保護和安全性成為掣肘 ， 急需相關政策法規來規范市場 。基礎器件：通用處理器。

目前 ， 通用處理器主要包括 x86 、 ARM 、 RISC — V 三大系列 。x86 處理器仍是服務器端主處理器的首選 。出于穩定性考慮 ， Intel 的 xeon 系列占據了市場的主導地位 ， AMD 鮮有應用 ， 反而國內的海光 、 兆芯的 x86 處理器因國產化替代等原因得到了少量的份額 。ARM 處理器是手機等智能終端的首選 ， 隨著性能提升和軟件生態的完善 ， ARM 處理器也逐漸向服務器擴張 ， ARM 公司也推出了一系列高性能核心和 Server Reday 認證支持這一舉措 。 應用于智能終端的 ARM 芯片的代表包括海思的麒麟系列 、 高通的驍龍系列 、 聯發科的 MTK 和瑞芯微的 RK 等 ；應用于服務端的 ARM 芯片的代表包括海思的鯉鵬芯片和飛騰的騰云 S 系列等 。RISC V 是開源的處理器架構 ， 隨著美國對中國高科技領域的打壓 ， 該架構也成為國產化的重要選擇 。 平頭哥推出的鉉鐵 910 芯片就是采用RISC — V 架構 ， 中天微和小米松果電子也在做 RISC-V 的相關工作 。國內主流的通用處理器還包括采用 MISP 架構的龍芯和采用 Alpha 架構的申威 。總體來說，在通用處理器領域的選擇相對豐富 ， 以海思為代表的國內芯片設計公司已經走到與國外老牌芯片設計公司對等的位置 ， 主要問題在于先進制程的芯片代工制造的風險 。

AI 加速 SOC。與采用 GPU 的通用并行計算不同 ， AI 加速 SOC 是通過內置專門針對 AI 算法設計的加速單元 ， 實現針對 AI 的高運算效率 ， 隨著人工智能落地快速崛起的專用芯片 。 NVIDIA 最早針對 GPU 通用并行計算建立了 CUDA 生態環境 ， 使其成為 AI 落地最大的算力提供商 ， 也在 AI 進一步發展階段 ， 適時推出了面向張量運算的 TensorCore 和面向深度學習的 NVDLA 加速單元 ， 進一步鞏固了其在 AI 加速領域的地位 。Google 依賴其軟件優勢 ， 推出了與 Tensorflow 緊密結合的 TPU， 但是除了 Google 大規模使用外 ， 并沒有得到市場的廣泛應用。 海思在 AI 加速領域也是頗有建樹 ， 先后推出了 hisi 35xx 系列芯片和昇騰系列芯片 。

定位端側的 hisi 35xx 系列 Al 加速芯片主張圖像 +AI 合一 SOC 設計，能提供 0.5TOPS ? 4TOPS 不等的算力 ， 在平安城市 、 交通 、 電力 、 人臉門禁 、車載等市場廣受青睞 ；定位邊緣側和云中心的昇騰系列 AI 加速芯片能夠提供16TOPS-512TOPS 不等的算力 ， 具有算力高功耗低的特點 ， 鮑鵬+昇騰的專用服務器也在數據中心取得應用 。 中科院背景的寒武紀 ， 依托在芯片領域的深厚積累 ， 成為科創版第一個上市的 AI 芯片公司 ， 其推出的 MLU220 和 MLU270 芯片分別能夠提供 8TOPS 和128TOPS 的算力 ， 也已經在多個行業取得應用 。除寒武紀以外 ， 還有眾多創業公司切入 AI 加速 SOC 的賽道 ， 如地平線的征程 、 旭日芯片 ， 依圖的求索芯片等 。與通用處理器類似 ， 國內不乏能夠設計頂級 AI 加速 SOC 的廠商 ， 主要風險在于先進制程芯片的代工制造 。CMOS 傳感器。視頻圖像的采集質量 ， 直接關系到人臉識別系統的準確率 ， 而視頻圖像的采集 ， 則離不開 CMOS 傳感器 。目前主流的 CMOS 傳感器的供應商包括索尼 （SONY） 、 三星 （ SANSUNG ） 、 豪威科技 （Ominivison） 和安森美 （ON Semiconductor ） 等 。 其中 SONY 以其長期的技術積累 ， 無論是消費電子還是安防等專業應用領域 ， 都占據了較高的市場份額 。三星主要應用于手機等消費電子 ， 豪威科技和安森美則集中在安防 、 汽車電子專業領域發力 。國產 CMOS的選擇有中星微 、 格科微等 ， 不過目前主要仍然應用在 USB 攝像頭等一些消費領域 ， 尚未進入專業市場 。

隨著疫情的發展 ， 測溫需求快速爆發 。熱成像傳感器是一種特殊的成像傳感器 ， 因其屬于軍民兩用的特性 ， 國內傳統供應商包括高德紅外 、 大立科技等 。海康威視以創新業務的方式持續加大在熱成像傳感方面的投入 ， 今年 4 月更是從福建安芯半導體采購光刻機用于熱成像傳感芯片的生產 。大華股份則于2018 年與FLIR建立合作 ， 切入此項業務 。 存儲芯片。存儲芯片在智能終端中占據了較大一部分成本 ， 具體包括 RAM 芯片和 FLASH 芯片 ， 其中 FLASH 芯片又可以進一步分為 NOR FLASH 和 NAND FLASH 。 面向通用服務器的 RAM 芯片的供應商主要包括三星 （ SANSUNG ） 、 海力士 （ Hynix ） 等 ， 因規模效應 ， 韓系供應商的地位難以撼動 。面向嵌入式設備的選擇更加豐富 ， 合肥長鑫和紫光半導體等國內廠家也在積極投入 ， 已經進入到投產階段 。 與 NAND FLASH 廣泛應用于 SSD 相比 ， NOR FLASH 則相對小眾 ， 主要應用于嵌入式設備 。我國的兆易創新是該領域的主流供應商之一 ， 占據全球第四的市場排名 。NAND FLASH 與 RAM 類似 ， 具有通用性 ， 是半導體行業的必爭之地 ， 除三星和海力士之外 ， 東芝 、 鎂光 、 西部數據等也都是這一領域的角逐者 。

國內的長江存儲推出了與主流產品性能相當的 64 層 3D NAND， 并在華為mate 系列高端手機中取得了應用。其他器件。其他的應用于人臉識別行業的器件則與通用的電子行業類似 ， 主要包括電源芯片 、 電阻 、 電容 、 電感 、 PCB 敷銅板等 。總體來說 ， 國內的供應基本可控，但在高精度要求方面 ， 仍需要借助國外供應商 。在全球化產業鏈高度發展的今天 ， 各個領域都有深度耕耘者 ， 全球化采購最優器件 ， 仍然度的最佳選擇 。通用硬件：通用服務器。通用服務器在人臉識別系統中的主要作用是業務系統和管理節點 ， 從軟件生態的完備性角度 ， 通用服務器以 X86 架構為主 ， 但 ARM 、 RISC-V 等其他架構的服務器已經嶄露頭角 。x86 服務器的供應商主要包括 Dell 、 聯想 、 曙光 、浪潮等 ， 華為的泰山服務器則是 ARM 架構的典型代表 。計算服務器。AI 服務器是采用異構形式的服務器 ， 出于生態友好和總算力高兩方面因素，目前的主流方案仍是 Intel x86CPU+Nvidia GPU， 最新的 8 卡 T4 GPU 服務器 ，能夠提供 1040T （ 單卡 130T ） 的算力 。隨著專門為 AI 計算設計的 SOC 的成熟，采用 SOC 作為加速卡也成為性價比和功耗比更優的選擇 。

在 Al SOC 的選擇面上 ， 國內已然走在行業前列 ， 如華為的昇騰 310 芯片 ， 單顆算力 16T， 四顆組成半高的計算卡總算力 64T， 但相同算力下功耗只有 GPU 的 l/7o 其他的如寒武紀的 MLU220 和 MLU270 、 比特大陸的算豐芯片等 ， 也都已經取得了應用 。存儲服務器。存儲服務器是人臉識別系統中的重要構成 ， 是專門針對存儲任務進行優化的專用設備 。在硬件形態上 ， 其主要特點是硬盤多 ， 通常包含 8 至 48 塊硬盤 。為了保證效率 ， 硬盤通常以 SAS 硬盤或者 SSD 為主 。SAS 硬盤的主要供應商以希捷和西部數據為主 ， SSD 的供應商則更為豐富 ， Intek 三星以及國內的存儲廠商也積極參與 SSD 的競爭 。存儲服務器針對軟件的優化主要是采用 RAIDs多機分布式等增加存儲數據的安全性 ， 相關技術相對成熟 。

智能終端。包括智能手機 、 智慧屏在內的通用智能終端 ， 是人臉識別應用的重要領域 。從操作系統層面將智能終端分為兩大類 ， 一類是采用自有 iOS 系統的 iPhone，牢牢占據了市場占有率的榜首 ， 另一類則是應用更加廣泛的 Android 系統的設備，又以華為占據 Android 榜單的榜首 ， 我國的小米 、 OPPO 、 vivo 也是建樹頗豐 。值得注意的是 ， 華為和蘋果是僅有的兩家能夠從芯片到操作系統再到軟件生態全流程優化的供應商 ， 在一定程度上解釋了這兩家企業的競爭優勢 。基礎軟件：訓練框架。目前人臉識別算法大多基于深度學習技術 ， Tensorflowx Pytorch 、Mxnet 、 Caffe 是最常用的訓練框架 。由于人臉識別存在類別大 、 loss 多樣等特點 ， 在上述深度學習框架基礎上需要結合人臉識別本身的特點進一步的優化擴展 ， 其中代表性的開源框架為 lnsightface。

在工業界 ， 各企業內部往往也有各自的訓練平臺 ， 以實現數據 、 訓練 、 部署等環節的協同 ， 一些優秀的內部框架也在逐步開源 。但由于訓練框架切換學習成本高 ， 整體的生態建設仍待加強 。推理引擎。推理引擎與訓練框架相對應 ， 主要用于模型在設備端的高效 （ 前向 ） 運行 。一些訓練框架會配套對應的推理引擎 ， 也有一些獨立于訓練框架的推理引擎軟件 。此外 ， 深度學習芯片也會提供各自的推理引擎軟件實現加速 。由于推理引擎往往針對特定結構或者硬件深度優化 ， 對于一些新型的網絡結構擴展性較差或者優化效率不高 ， 容易導致一些新算法無法快速落地 。其他環節。人臉識別完整流程除深度學習神經網絡外還包括圖像預處理 、 特征后處理等流程 。目前缺乏效果且通用的實現方式 ， 尤其是在芯片端 ，征比對之類圖像處理和數學運算類的功能缺失 ， 增加開發成本性能損失 。算法技術：近年來隨著深度學習的發展 ， 人臉識別技術取得了突破性進步 ， 全球范圍內相關研究團隊眾多 ， 以中美俄日歐等國家和地區較為領先 。

根據 NISTFR 町2020 年 10 月的測試結果 ， 全球排名前 10 的算法半數以上來自中國 。 雖然各國的人臉識別算法有性能上的差異 ， 但差距并不大 。以 FR 町 VISA測試集為例 ， 百萬分之一誤報對應正確率前 30 廠家性能都已超過或者接近99% 。人臉識別的技術發展已由注重算法精度提升向以改善實際應用效果的方向轉變 ， 并出現了以下應用趨勢 。 由簡單場景向復雜場景轉變。簡單場景人臉識別精度趨于飽和已經成為業界的共識 ， 業界將注意力轉移到復雜場景人臉識別問題并表現在具體應用場景上 。從高分辨率 、 小姿態 、 光照適中的優質人臉卡口場景轉變到低分辨率 、 大姿態 、 低照度 、 模糊等低畫質開放式場景 ， 這對人臉識別算法適應能力提出了新的挑戰 ， 也是業界努力提升的方向 。 3D 人臉成為配合式應用的重要方向，隨著 2017 年 iPhone X 首次將 Face ID 引入手機端 ， 3D 人臉識別技術逐漸成為手機廠商旗艦機型的標準配置 。相比于 2D 人臉 ， 3D 人臉包含更為豐富的人臉信息 ， 對旋轉 、 遮擋 、 光照 、 照片攻擊等具有更好的抗干擾能力 。在以門禁考勤 、 金融支付為代表近距離配合式應用中 3D 人臉逐漸成為常用的技術解決手段 。

多生物特征融合成為新的趨勢。多生物特征融合能彌補單生物特在的不足 ， 實現優勢互補 ， 提升系統精度，改善應用體驗 。在近距離配合式應用中 ， 采用人臉識別與虹膜識別技術融合可解決雙胞胎等人臉識別難以解決的問題 ， 增強雙胞胎金融支付應用的安全 ；在安防場景 ， 相機角度 、 分辨率等問題存在人臉質量較差以及獲取不到人臉等情況 ， 步態識別 、 行人重識別等技術的融入能進一步擴大整個身份識別系統的算法邊界 。 人臉識別公平性問題亟待解決。由于安全隱私顧慮 、 經濟科技水平落后和貿易壁壘等因素 ， 人臉識別技術在全球的整體普及程度仍然偏低且存在發展不平衡現象 。根據 NIST 的分析報告 ， 歐美 、 亞洲為人臉識別技術主要供應商 ， 各國算法優化主要依賴本國環境，跨人種 、 跨地域 、 跨場景等仍會給人臉識別算法帶來一定影響 。除了準確率的持續優化 ， 全球范圍內安全隱私 、 公平性等問題亟待解決。設備及產品：人臉抓拍機：人臉抓拍機內置 AI 芯片和深度學習算法 ， 適應于人流密集的通道 、 出入口等多種場景需求 ， 實現對人群中人臉的精準捕捉 。

人臉抓拍機目前已普遍部署在汽車站 、 火車站 、 機場 、 港口 、 娛樂場所 、 街道 、 社區等人員復雜場景的重點監控區域 ， 對場景的適應性是其性能的重要指標 。在大姿態 、 遮擋 、 光照異常等復雜情況下的人臉抓拍成功率 ， 在自然監控環境中誤抓率都是設備性能體現 ， 也是用戶的選擇依據 。 隨著安防監控智能化的發展 ， 捕捉更精細更全面的結構化信息成為趨勢 。目前各大廠商都推出了抓拍人臉 、 人體 、 車輛 、 車牌等多維信息的面向視頻結構化應用的抓拍機 ， 多 AI 算法的集成以及多路實時抓拍的需求 ， 要求前端設備廠商進一步壓縮算法模型和提升芯片處理速度 。另外 ， 前端設備脫離于后端服務器 ， 功能從單純捕捉信息到捕捉 、 分析 、 決策方向發展 ， 這也符合智能前移為邊緣節點賦能 ， 讓邊緣感知信息的發展趨勢。門禁設備：門禁設備是以人臉識別技術為核心的身份識別終端產品 ， 它集成了視頻采集 、 人臉識別 、 證件識別 、 紅外偵測及網絡傳輸等多種功能 。目前市場上的門禁產品發展比較成熟 ， 同質化嚴重 ， 但也展露一些新趨勢 。 隨著門禁設備的普及化和民用化 ， 安全問題越來越受到重視 ， 防偽功能成為標配 。由于攻擊方式多樣性 ， 即使配備防偽功能的設備也存在技術缺失或適應性差的問題 ， 安全性能有待持續提升并完善 。今年由于疫情管控的需要 ， 集成測溫功能的門禁設備逐漸普及 。未來安全性和差異化滿足個性化需求將成為門禁類產品的重要發展方向 。

網絡硬盤錄像機設備：網絡硬盤錄像機 （Network Video Recorder， NVR） 最主要的功能是通過網絡接收 IPC （網絡攝像機）設備傳輸的數字視頻碼流 ， 并進行存儲與管理 。NVR 設備內置人臉檢測 、 人臉識別功能可提升存儲數據的有效性以及關鍵數據的檢索效率 ， 目前已成為 NVR 設備的主要賣點 。移動終端：隨著刷臉功能的普及 ， 手機逐步成為人臉識別的重要終端之一 ， 通過手機即可完成刷臉登錄和刷臉支付 。相對于傳統的密碼解鎖和支付 ， 刷臉具有更高的便捷性和安全性 。未來人臉識別在智能手機的普及率會進一步提升 ， 也將有越來越多的手機應用借助人臉識別進行身份驗證 。人臉分析服務器：基于深度學習的人臉識別算法在實際應用中需要消耗大量的計算資源 ， 長期以來 GPU 為首的通用架構芯片是進行深度學習計算最常用的計算資源 。然而 ， GPU 服務器體積大 、 能耗高 ， 在很多應用場景中已成為限制人工智能發展的瓶頸 。 基于人臉識別專用 ASIC 芯片的解析一體機或服務器 ， 在性能 、 成本 、功耗 、 可靠性及適用范圍等方面都具有明顯的優勢 。在很多實際應用場景中 ，專用解析一體機或服務器在提供同等算力的情況下 ， 消耗更少的能量 ， 占用更小的體積 ， 發熱量也更小 。

例如搭載 “ 求索 ” 芯片的 1 臺 1U 依圖原子服務器無需英特爾 CPU， 與 8 卡英偉達 P4 服務器對比 ， 解析路數相同情況下單路功耗不到后者的 1 0%。人臉比對服務器：隨著智慧城市 、 一人一檔等人臉大數據應用 ， 對人臉特征比對支持的庫容規模 、 并發量 、 響應速度提出新的要求 ， 隨之產生專用的比對服務器 。GPU由于生態友好且算力高 ， GPU 卡的比對服務器在各行業應用中有較大占比 。與分析服務器類似 ， GPU 比對服務器存在體積大 、 功耗高的缺點 。 FPGA 芯片更合適人臉特征比對運算 ， 具有大庫容高并發的特點 ， 基于 FPGA 的人臉比對服務器在性能 、 層本 、 功耗等方面皆具備明顯優勢 ， 該類產品已嶄露頭角 。此外，隨著 CPU 芯片計算能力和指令集的不斷優化 ， 芯片廠家和服務器廠家也在聯合嘗試基于 CPU 的人臉比對服務器產品 ， 基于 CPU 的產品方案也值得關注 。

解決方案： 人臉識別系統業務功能主要包括人臉核驗 、 人臉布控 、 人臉檢索 、人臉聚類等 ， 可以通過上述不同的設備構建不同的解決方案 。按照應用場景和數據規模 ， 解決方案可以歸納為人臉考勤方案 、 人臉布控方案和人臉大數據應用方案 。人臉考勤解決方案：人臉考勤解決方案可以由單個門禁設備構成 ， 亦可由人臉抓拍機 +NVR 或人臉服務器的方式構成 ， 包含人臉注冊 、 人臉抓拍 、 人臉建模和人臉比對功能，并配備管理系統 ， 具備考勤權限 、 數據存刪 、 參數設置和隱私保護等功能 。人臉布控解決方案：人臉布控解決方案 ， 通常由人臉抓拍機+人臉分析服務器構成 。

當單臺人臉分析服務器不足以提供所需性能時 ， 可以采用多集群方式 ；當系統需要接入傳統 IPC 視頻碼流時 ， 亦可在分析服務器實現人臉抓拍 。人臉大數據應用解決方案：省級 、 全國級靜態庫檢索 ， 市 / 縣級人臉聚類是常見的人臉大數據應用 ，其解決方案通常由人臉抓拍機+人臉分析服務器+人臉比對服務器構成 ， 其系統通常為分布式系統 ， 圖像處理單元和特征比對單元按照應用所需的處理并發數進行部署 。該類系統通常與其他智能分析系統（如人體分析 、 步態分析）進行打通 ， 并利用大數據分析技術進一步提升系統的可用性和整體性能。 不同廠家人臉產品形態有所差異 ， 但其人臉產品的核心功能大同小異 ， 因此由人臉產品組成的人臉識別系統功能和流程相對固定 ， 上述解決方案具有極高的通用性 。產業鏈中基礎層 、 算法和設備的發展主要在于提升人臉識別的效果和效率 ， 不會影響整體功能和流程 ， 解決方案是相對穩定的環節 。

3、典型應用領域

科技金融。人臉識別在金融領域的應用已經相當普遍 ， 如遠程銀行開戶 、 身份核驗 、保險理賠和刷臉支付等 。人臉識別技術的接入 ， 能有效提高資金交易安全的保障 ， 也提高了金融業務中的便捷性。 2013 年芬蘭公司 Uniqul 成為首批吃螃蟹的公司 ， 面向全球首次推出人臉識別支付這一創新支付技術 。2015 年在德國漢諾威 CeBIT 展會上馬云第一次向德國總理默克爾展示了支付寶的人臉識別支付技術 。同年 ， 招商銀行在一些支行柜面和ATM業務也開始應用人臉識別 ， 隨后包括建設銀行 、 農業銀行等四大行在內的數十家銀行都紛紛將人臉識別產品引入ATM 、 STM 、 柜面 、 網點 、手機銀行等各個業務環節 ， 并逐漸全客戶覆蓋 。 時至今日 ， 人臉識別技術在國內金融領域已經得到了非常廣泛的部署和應用 ， 消費者在各個渠道中都可以利用人臉識別技術使用金融服務 ，中國在人臉識別技術的應用上已經大幅度領先國外市場。智慧安防。安防是人臉識別市場最早滲透 、 應用最廣泛的領域 。

根據億歐研究 ， 2018年 ， 安防行業在中國人臉識別市場占比 61.2% 。當前人臉識別技術主要為視頻結構化 、 人臉檢索 、 人臉布控 、 人群統計等軟硬件一體形態產品提供基礎支撐，重點應用于犯罪人員的識別追蹤 、 失蹤兒童尋找 、 反恐行動助力等場景 。 視頻監控系統通過龐大的監控網絡進行圖像采集 、 自動分析 、 人臉比對 ， 基于視頻幀的 1 ：1 及 1 ：N 人臉比對 ， 可分析人員軌跡 、 出行規律等 ， 實現重點人員的識別及跟蹤 ， 在公安應用場景中達到事前預警 、 事中跟蹤 、 事后快速處置的目的 。在雪亮工程 、 天網工程 、 智慧社區 、 反恐及重大活動安保等公安項目發揮了重要的作用 。 此外 ， 在企業樓宇 、 社區住宅的人員管理和安全防范需求場景下 ， 人臉識別技術應用非常廣泛 ， 通過人臉的黑白名單錄入 ， 可有效管控區域人員出入 ，機器識別的高效率也大幅節省了人力資源。

智慧交通。國外的公共交通領域對人臉識別技術的應用主要集中在機場安檢以及入境管理等特別強調安全的場景 。加拿大渥太華國際機場 、 澳大利亞當地移民及邊境保護局與美國海關與邊境保護局皆已嘗試部署人臉識別出入境系統。 國內交通領域的人臉識別應用主要包括 1 ：1 人臉驗證和 1 ： N 人臉辨識 。目前利用人臉核驗證技術的刷臉安檢已進入普遍應用階段 ， 在高鐵站 、 普通火車站和機場皆已大面積推廣 。而應用 1 ：N 人臉比對技術的刷臉支付主要落地在地鐵公交等市內交通 ， 這種技術能夠極大提高通勤人員的出行效率 ， 釋放大量的人力資源 ， 提升出行體驗 。同時 ， 人臉識別可以對交通站點進行人流監測 ，根據人員出行規律預測交通人流高峰 ， 提前做好疏導預案 。 除此之外 ， 在交通違規管控方面 ， 人臉識別技術可以幫助執法人員更快速高效地找到違規人員身份信息 ， 并結合車輛識別等技術進行跟蹤攔截。民生政務。政務互聯網平臺、 公積金 、 社保 、 稅務 、 網證 、 交通管理 、 行人闖紅燈 、繳交交通罰款 、 住建等民生政務系統 ， 已經使用或正在使用人臉識別系統 。政務服務領域的業務點主要有私有云平臺搭建 、 政務服務自助終端 、 便民服務平臺 。 人臉識別在政務系統的落地 ， 提升了民眾的辦事效率 ， 公民可以不用窗口排隊 ， 實現自助辦事 ， 節省了因人工效率低下產生的耗時 。

部分政務還可以通過在線人臉識別認證 ， 在移動端線上辦理 ， 減輕了 “ 辦事來回跑 、 辦事地點遠 、辦事點分散 ” 的困擾 。教育考試。智慧教育在高速發展的同時 ， 不斷深入采用物聯網 、 云計算 、 大數據等先進信息技術手段 ， 實現各種教育管理與教學過程數據的全面采集 、 存儲與分析，并通過可視化技術進行直觀的呈現 。 在這個過程中 ， 相關科技企業基于自身在人工智能 、 視頻可視化技術 、 出入口門禁管理 、 大數據 、 云計算等領域積累的技術產品經驗 ， 致力于推動智慧教育的行業發展 ， 打造升級智慧校園 、 智慧教室 、 智慧宿舍 、 智慧圖書館 、 智慧食堂 、 智慧超市等教育相關的安全管控 、 課堂考勤 、 刷臉消費和智能化體驗 。同時 ， 人臉識別技術也應用在考生身份確認 。智能家居。人臉識別在智能家居中主要應用在安全解鎖和個性化家居服務兩個場景 。在安全防范方面 ， 人臉識別可以提供相對安全和便捷的入戶解鎖技術 ， 將可能逐步替代傳統密碼或指紋門鎖 。智能門鈴可以通過人臉識別對訪客身份進行識別 。另外家中的監控攝像頭可以實時監測 ， 如發現陌生人臉立即提醒住戶并報警 。 在個性化家居服務方面 ， 智能電視可以采用人臉信息錄入的方式創建賬號 ，機器通過人臉識別認證 ， 有針對性的進行內容推送 ， 實現個性化定制 ；智能冰箱可通過人臉識別技術 ， 針對不同的用戶愛好 、 人臉狀態 ， 推送菜譜及營養建議 。人臉識別技術在智能家居行業的應用 ， 為市民帶來了更便捷 、 舒適的生活方式 。

4、 行業發展趨勢

應用場景向各行業滲透 ， 市場規模增長趨勢出現分化。隨著技術發展和安全性要求的提高 ， 人臉識別技術在行業應用中發生巨大變化 ， 從安全性可靠性要求較低的行業上升到金融社保 、 證券 、 銀行 、 互聯網金融等安全可靠性要求較高的行業 。我國人臉識別技術目前主要運用在公共安防 、 門禁考勤 、 金融支付三大領域 。 區分不同的應用領域來看 ， 其趨勢逐漸出現分化 。從 2019 年看 ， 安防作為人臉識別最早應用的領域之一 ， 其市場份額占比在 30% 左右 。隨著雪亮工程 、 智慧城市建設的逐步完成 ， 人臉識別在安防領域逐漸從增量市場轉變為存量市場 。 人臉識別在門禁考勤領域的應用最為成熟 ， 約占行業市場的 42% 左右 ， 隨著智慧樓宇 、 智慧社區 、 智慧家居的進一步發展 ， 人臉識別門禁考勤市場也將隨之增長 。

金融作為人臉識別未來重要的應用領域之一 ， 目前約占行業的 20%， 并且市場規模在逐步擴大 。 全球公共衛生環境變化 ， 人臉識別迎來應用新需求。新冠肺炎疫情的爆發并在全世界流行 ， 威脅人類生命安全與健康 ， 引發了一場全球公共衛生危機 。相對于指紋 、 刷卡等接觸式身份識別模式 ， 人臉識別等非接觸式識別模式更適用于當前受新冠病毒影響的全球公共衛生環境 ， 減少病毒通過接觸感染人群 。 一方面 ， 人臉識別技術結合紅外體溫監測技術 ， 獲取人員身體健康狀況信息 ， 能及時反饋并控制疫情源頭 ；另一方面 ， 監控系統的全面布控 ， 可檢測獲取重點人員流動信息 ， 幫助政府防控管制措施做到有的放矢。 目前全球公共衛生環境形式依舊嚴峻 ， 根據智源發布的 《 人臉識別與公共衛生調研報告 》 顯示 ， 受訪者普遍贊同加強人臉識別技術的能力 ， 81.9% 的人同意增強對戴有口罩的人的面部識別 。為完善疫情防控體系 ， 進一步阻斷傳播源 ， 戴口罩人臉識別技術的新需求浮出水面 。

計算芯片技術發展 ， 支撐人臉識別大規模應用。人臉識別算法的工業應用和算法性能除了自身模型性能外 ， 依賴于算法運行的硬件芯片環境 。以英偉達的 GPU 和英特爾的 CPU 為代表的通用架構芯片作為人臉識別算法訓練和推理最常用的計算資源 。 同時 ， 為了滿足人臉識別應用場景的不斷拓展和數據量的急劇增長對算力的強烈需求 ， 基于領域專用架構 （ Domain Specific Architectures， DSA） 理念的行業專用定制芯片憑借著對特定領域的算法優化 ， 可以充分發揮計算資源和算法模型的效能 ， 已經被部分廠商應用于人臉識別算法的訓練和推理應用 ， 如海思 、 依圖 、 寒武紀等企業推出的云端計算芯片 ， 可以逐漸替代 GPU 成為其人臉識別技術應用的主流計算資源。 近年來 ， 信息量的爆炸式增長給數據傳輸存儲及中心計算帶來了巨大的壓力 ， 邊緣計算應運而生 。

隨著 AI 芯片技術的飛速發展 ， 邊緣計算設備的算力不斷提高 ， 越來越多的計算由邊緣側承擔 。一方面 ， 邊緣計算能有效緩解帶寬承載 ， 提高計算傳輸效率 ， 滿足實時響應需求 ， 增強數據安全性 ；另一方面 ，模型壓縮及加速技術以及適合人臉識別算法運算的專用 AI 芯片不斷完善 ， 邊緣設備的人臉識別算法精度持續提升 ， 目前基于 AI 芯片的邊緣設備應用基本覆蓋社區 、 學校 、 醫院 、 園區 、 交通等場景 ， 支撐人臉識別的大規模應用 。 云邊端協同部署 ， 人臉識別應用迎來新場景新模式。云邊端的協同部署模式將人臉識別應用模塊分攤到各部分 ， 通過前端邊緣計算實現布控報警 ， 邊端對人臉特征做聚類分析 ， 云端匯聚有效信息 ， 進行大數據對比分析 ， 開展調度工作 。

云邊端協同部署方式緩解了云端壓力 ， 支持業務分級響應 ， 云邊結合人臉識別系統通過對云端和邊緣端資源的統一配置 、 管理 、 調度 ， 融合了邊緣計算敏捷性和云端大數據全局性的優勢 ， 使人臉識別系統在帶寬 、 并發數 、 響應速度等維度性能全面提升。 在未來 ， 邊緣端設備的視頻編碼能力和視頻特征抽取能力將進一步加強 ，AI 應用也會將越來越多的計算承載分攤到前端 。云端則由人像系統 、 視頻結構化系統 、 人臉人體聚類分析等服務組成 ， 通過分析 、 聚類 、 歸檔形成各種主題庫 ， 跟各種業務應用打通 ， 滿足更多復雜場景下的智能化應用需要。 算法技術國際領先 ， 國內市場競爭激烈。從全球競爭格局上看 ， 中國公司在人臉識別算法上具備相當大國際競爭力 。從最新 NIST 主辦的人臉識別算法測試 FR 町來看 ， 參加評測的供應商有 207 家，其中中國大陸供應商有 31 家 。 在其公布的幾個主要測試集上 ， 共有 7 家中國人臉識別算法供應商取得過前三 ， 5 家取得過第一 ， 且在近一年內保持這一優勢 。

總體來說 ， 中國的人臉識別算法在國際上已處于領先地位 。 國內市場競爭激烈一方面體現在競爭廠商多 ， 包括傳統安防企業 、 AI 初創企業和平臺生態企業 。傳統安防企業從安防市場出發 ， 對安防視頻行業的痛點和客戶需求理解較深 ， 擁有產品+集成的優勢 ， 已構建起很強的規模效應壁壘 。 AI 初創企業主要是一些新興的專注于做算法的計算機視覺 （ CV ） 初創企業 ，以 AI 算法為核心優勢 ， 同時兼顧 “ 硬件落地 ” 及 “ 產品化 ”。平臺生態企業 ，依托其強大的云平臺以及云計算能力 ， 以云平臺為核心橫向切入 ， 整合合作伙伴的應用方案 ， 構建統一的生態體系 ， 并形成差異化競爭。 國內市場競爭激烈另一方面體現在全產業鏈競爭 ， 從算法競爭延伸到芯片和平臺競爭 。主要市場參與者都已經加入 AI 芯片競爭中 ， 安防企業注重邊緣側和端側的推理芯片 ， 初創公司更注重邊緣側推理芯片 ， 而平臺生態企業則注重端 / 云一體 ， 構建從訓練到推理的全棧 AI 生態 。下游的競爭主要是應用層的競爭 ， 是生態的競爭 ， 是深耕行業的競爭 。

04.人臉識別標準化

1、 標準化組織情況

國際標準化方面 ， 人臉識別標準化工作主要屬于生物特征識別標準化分技術委員會 （ISO/IEC JTC1/SC37 ） 工作范疇 ， 其重點關注人臉識別基礎標準 ， 如圖示圖標符號 、 樣本質量等 ， 以及數據交換格式及符合性測試方法等。 其它關注人臉識別的國外先進組織包括電氣與電子工程師協會 （ Institute of Electrical and Electronics Engineers， IEEE） 、 美國消費技術協會 （Consumer Technology Association， CTA） 等，其關注的方向在于生物特征識別呈現攻擊檢測 、 人臉生物特征識別信息的性能評估等 。ITU 與生物特征識別標準相關的主要是 ITU-T SG1 7 安全標準工作組下設的 Q9 和 Q10 。

Q9 主要關注在通信應用環境中應用生物特征識別及其標準化工作 。 隨著生物特征識別技術在電子商務 、 電子健康和移動支付領域中的廣泛應用 ， 該工作組同樣關注生物特征數據的隱私保護 、 可靠性和安全性等方面的各種挑戰 。Q10 關注身份管理架構和機制 ， 部分標準項目與基于生物特征識別身份認證相關 。進幾年 ， ITU-TSG16 媒體工作組基于視頻監控 、 機器視覺等應用場景 、 功能需求 、 業務需求 、 性能需求以及安全需求 ， 在 Q12 、 Q21 等課題組先后開展人臉識別標準的研究和制定工作 。 國內組織方面 ， 主要是全國信息技術標準化技術委員會生物特征識別分技術委員會 （ SACOC28/SC37 ） 和全國安全防范報警系統標準化技術委員會人體生物特征識別應用分技術委員會（簡稱 SAC/TC100/SC2 ） 負責生物特征識別標準的制定 。其中 SACATC28/SC37 成立了人臉識別 、移動設備生物特征識別等多個工作組 ， 發布了人臉樣本質量 、 人臉圖像數據交換格式 、 移動設備人臉識別等標準 。

SA5C100/SC2 發布了視頻監控 、 出入口控制等公共安全領域的多項人臉識別標準 。 此外 ， 國內組織方面 ， 全國防偽標準化技術委員會 （ SAC/TC218 ） 發布了國家標準 《 生物特征識別防偽技術要求第 1 部分 ：人臉識別 》 。全國金融標準化技術委員會 （ SAC/TC 180 ） 發布了國家標準 《 金融服務生物特征識別安全框架 》 ， 并且正在制定 《 人臉識別技術線下支付安全應用規范 》 等生物特征識別行業標準 。 公安部社會公共安全應用基礎標準化技術委員會發布了行業標準 《 視頻圖像分析儀第 4 部分 ：人臉分析技術要求 》 。全國信息安全標準化技術委員會 （ SAC/TC260 ）發布了國家標準 《 信息安全技術遠程人臉識別系統技術要求 》 等。

2、標準制修訂情況

國際標準化組織和其他國外先進標準組織人臉識別相關的標準統計情況見下表。

▲ISO 國際標準統計表

我國人臉識別相關的標準情況見下表。

▲我國人臉識別相關的標準情況見表

當前 ， 我國的人臉識別技術與應用在國際上處于領先地位 ，在科技金融 、 智慧安防 、 智慧交通 、 民生政務 、 教育考試 、 智能家居等多個領域得到了廣泛應用。但是，近一年人臉識別技術也出現了很多不良影響，“售樓處暗藏人臉識別”、人臉信息泄露等問題屢見不鮮。隨著技術門檻的逐步降低，加強安全技術的研發和應用，完善相關的法律法規變得尤為重要。

原文標題：2020人臉識別報告：上萬家企業入局，八大技術六個趨勢一文看盡

文章出處：【微信公眾號：傳感器技術】歡迎添加關注！文章轉載請注明出處。

責任編輯：haq