生物识别技术市场研究报告

如需报告请登录【未来智库】。1、生物识别技术发展概况1.1.生物识别技术定义 生物识别技术（biometrics）是一种利用数理统计方法对生物特征进行分析，来对生物个体进行区分的计算机技术。生物识别技术的主要研究对象包括语音、脸部、指纹、掌纹、虹膜、视网膜、体形、个人习惯（包括敲击键盘的力度和频率、签字）等，与之相应的识别技术包括语音识别、人脸识别、指纹识别、掌纹识别、虹膜识别等。生物识别技术流程一般为，通过设备对信息进行采集，随后进行预处理，然后将生物信息中的特征进行提取，将其与档案特征进行比对，对比结束后得出识别结果。1.2.生物识别技术中人脸及指纹识别优势明显 目前市场上应用领域最为广泛的生物识别技术主要为人脸识别以及指纹识别，语音识别、虹膜识别、静脉识别以及基因识别由于技术实现较为复杂，则较少在市场中进行使用。生物识别技术的发展历程来看，指纹识别最早出现在 19 世纪，属于较早被发现并有效使用的识别技术，得到了较长时间的发展演变；人脸识别出现时间相对较晚，主要是在 20 世纪 90 年代末得到应用，但是近些年来的发展速度较快，逐渐成为产业内较为重要的分支，随着相应技术的不断成熟进步，未来预计将有更为广阔的发展空间。对比不同的生物识别技术，其各自的优缺点也较为明显。指纹识别以及人脸识别具备较高的技术易用性及便利性，在安全级别上也可以满足日常使用，相对来说设备成本适中，因此被广泛的使用；虹膜识别以及静脉识别虽然具备较高的安全等级，但是设备实现的成本较高且体积较大，不使用日常使用，因此仅应用在部分安全等级极高的场景，例如金库、档案室等。1.3.生物识别市场规模处于快速增长通道 生物识别技术广泛应用于金融、电信、信息安全、电子政务等领域，全球市场规模不断扩张。根据 IBG 以及调研机构 Transparency Marker Research 统计数据，2019 年全球生物识别行业规模已经达到了 200 亿美元，随着人工智能市场的加速发展，生物识别技术的应用领域逐步扩大，到 2020 年全球市场规模将达到 233 亿美元，年均的复合增长率为 15.7%，正处于快速增长通道。根据美国智库 Acuity Market Intelligence 统计显示，生物识别技术市场结构中指纹识别占比为 58%，排名第一，人脸识别占比为 18%，其次是新兴的虹膜识别占比 7%，此外还包括掌纹识别以及声音识别分别占比 7%及 5%。中国的生物识别市场在全球来看，占比较低，但是中国作为全球经济发展最快的国家之一，未来生物识别市场规模将会保持快速增长，预计到 2025 年行业市场规模将达到 930.5 亿元，年复合增长率为 18.5%。2.指纹识别技术成熟，应用广泛2.1.第一代光学指纹应用场景有限 光学指纹技术是出现最早的指纹识别技术，只需要通过光线照射获取手指表面纹路，将反射光作为数据通过传感器进行识别，处理后数据与数据库进行对比，就可以进行指纹识别。这种技术一般在公司门禁及打卡系统中使用，这种机器一般可以在采集区域的底部看到绿色或者红色的光源。光学指纹识别的过程是，手指放置在识别区域，通过镜面反射原理，指纹模块就会采集指纹图像，然后指纹图像就会被数字信号处理器转换成数字信号。然后通过微控制器将数字信号与指纹库里的指纹进行匹配，匹配结果将通过液晶显示器显示出来。由于光学指纹识别只能识别手指的表皮层信息，因此手指的干净程度将对识别结果影响较大，另外光学传感器容易被伪造的指纹欺骗，由于以上的原因，初代光学指纹识别主要应用于安全等级不高的领域。2.2 电容式指纹成功引领智能手机生物识别技术升级 电容式指纹识别相比于第一代光学指纹识别模块具有体积小、适用性广等优点，已经有越来越多的设备采用电容式指纹识别。电容式与光学式指纹识别差异主要是指纹信息采集的方式上，指纹信息的验证过程基本相同。从技术上看，电容式指纹识别相对于光学式指纹识别要更为复杂，主要原理是将压力感测、电容感测、热感测等传感器整合到一起，当手指表面按压芯片表面时，内部电容传感器会根据指纹波峰与波谷而产生的电荷差形成指纹图像，然后将其与手机内部的指纹库进行匹配，从而完成指纹识别。全球首个搭载指纹技术的手机出现于 1998 年，西门子手机首次将 Bromba公司的指纹识别技术应用于手机中，但是电容式指纹技术的普及则是由苹果公司来实现的，2013 年搭载正面按压式识别技术的 iPhone 5s 引领了智能手机指纹识别技术的浪潮，指纹识别技术进入了快速发展期。根据旭日大数据统计，2019 年全球指纹识别手机出货量为 12 亿台左右，渗透率达到了 80%，预计未来渗透率仍有继续增长的空间。电容式指纹技术经过长时间的发展，目前已经比较成熟，全球范围内的主要厂商包括汇顶、FPC、神盾、新思、思立微等，整体市场集中度较高，未来随着电容式指纹识别芯片的价格下降，小厂商将受制于成本逐步退出市场，电容式指纹的市场集中度将进一步提升。2.3 屏下指纹技术将是未来发展的方向 随着智能手机全面屏技术的普及，手机指纹识别功能也获得了全新的发展方向，为了实现更大的屏占比，屏下指纹识别技术应运而生。相比于最初的光学指纹，屏下指纹技术受限于智能手机的体积，抛弃了传统的外部光源而选择借用自发光的 OLED 屏幕作为光源。屏下指纹的技术原理为，由于 OLED 屏幕像素间具有一定的空隙，可以使得光线透过。当用户手指表面按压屏幕时，OLED 屏幕发出光线将手指区域照亮，照亮指纹的反射光线透过屏幕像素的间隙返回到紧贴于屏下的传感器上。最终形成的图像通过与数据库中已存的图像进行对比分析，进行识别判断。在光学屏下指纹的基础上，由于 5G 手机内部空间的紧缺，超薄屏下指纹方案的需求也越来越强烈。2019 年，汇顶科技量产了全球第一颗超薄光学屏下指纹，模组厚度约在 0.3mm，仅仅是传统光学指纹模组厚度的十分之一。小米 CC9 Pro 搭载了了全球首款超薄屏下光学指纹模组，Z 轴空间大小约0.3mm，厚度仅为传统屏幕指纹模组的 1/10 左右，大大增加了指纹模组摆放的自由度。小米 CC9 Pro 所采用的超薄屏下光学指纹直接叠放在电池和屏幕中间，让手机有更多的空间放进更大容量的电池。相较前代透镜式屏下光学指纹，指纹识别区域面积扩大了 10%，室外强光下的解锁成功率进一步提升，在低温、干手指等不良环境成功率也有大幅度提升，对指纹磨损较严重的用户也更加友好。超声波技术则是实现屏下指纹识别的另一条技术路径，超声波式屏下指纹识别技术通过传感器先向手指表面发射超声波，并接受回波。利用指纹表面皮肤和空气之间密度不同构建出一个 3D 图像，进而与已经存在于终端上的信息进行对比，以此达到识别指纹的目的。超声波式屏下指纹识别的优势在于具有较强的穿透性，抗污渍的能力较高。即使是湿手指与污手指的状况依旧能完美识别。此外，依靠超声波极好的穿透性，其还支持活体检测。由于能够得到 3D 指纹识别图像，安全性相较于其它屏下指纹识别方案更高。目前第二代超声波指纹传感器技术已经成熟，识别面积比上代的系统大了整整 17 倍，但是其厚度只有 0.15mm。另外，用户可以同时在屏幕上按下两个指纹进行解锁。在安全性方面，超声波传感器可以将血流量和心率识别为另一种身份验证级别，可以检测放在传感器上的手指是否是活人的手指。此外传感器的识别速度也是目前手机指纹识别里最快的。根据 CINNO Research 统计报告，2019 年全球屏下指纹手机出货量约为 2.0亿台，同比大幅增长 614%。除了三星、苹果之外，华为、小米、oppo、vivo 等品牌 OLED 手机屏下指纹已经成为标配，渗透率高达 90%以上。预估至 2024 年，整体屏下指纹手机出货量将达 11.8 亿台，年均复合增长率 CAGR 达 42.5%。在整个光学屏下指纹市场中，光学屏下指纹占据整体出货量的 75%，是最为主流的技术方案。主要原因是 2019 年的第二代光学方案使用透镜代替准直层，改善了图像质量的同时，将整个模组固定在中框上，无需与屏幕贴合，相对于第一代方案大大降低了模组成本。透镜方案的光学指纹凭借较低的成本推动了整个 OLED 屏下指纹渗透率在 2019 年得以快速增长。全球光学屏下指纹主要厂商包括汇顶、神盾、思立微，汇顶占据市场领导地位，市场上只有高通采用超声波指纹识别技术，占据整体屏下指纹市场的 25%。2019 年汇顶 OLED 光学屏下指纹方案出货约 1.1 亿片，占光学屏下指纹市场份额高达 75%，占整体屏下指纹市场份额的 57%，而神盾、思立微分别占据整体市场份额的 12%和 7%。从地区来看，中国大陆厂商汇顶科技及思立微占据了全球市场的 63%，美国厂商高通市场份额为 25%，中国台湾厂商市场份额为 12%。3.人脸识别技术成长迅速人脸识别技术是一种通过识别人脸部特征信息进行身份辨别的生物识别技术，主要是使用摄像头采集人脸图像或者视频，在其中自动检测和追踪人脸，然后对检测到的人脸进行识别，也被称作人像识别或者是面部识别。3.1.苹果再次引领 3D 面部识别发展 面容 ID（Face ID）是由苹果公司设计研发的一种人脸识别技术，首次应用于 iPhone X 中，在 2017 年 9 月 12 日首次发布，目的是用于取代指纹识别技术。用户可以使用 Face ID 解锁苹果设备，可以作为在苹果数字媒体商店以及 Apple Pay 支付的身份验证方式。面容 ID 会先用泛光感应组件照亮用户的脸部获取 2D 红外照片，然后再用红外摄像头识别，接下来再用点阵投影器向物体的表面投出三万多个特定编码的红外点，再通过反射回到红外摄像头接收器，利用红外照片和反射回去的红外点间的偏移，就可以物体获得脸部表面的景深信息，从而构建一个 3D 精确模型，然后就会将红外图像和 3D 精准模型发送到处理器中，并转化成一道数学表达式，比对之前已注册的面部数据后，就会得出结论。 其中的“注视解锁”的功能是通过红外摄像头捕捉眼球的画面并识别瞳孔特征来实现的，技术提供方是：SensoMotoric Instruments、提供机构光技术的 PrimeSense 公司和提供面部捕捉技术的 Face Shift 公司。目前根据使用摄像头成像原理可以将 3D 人脸识别技术分为三类：3D 结构光、TOF 镜头以及双目立体视觉。第一种是 3D 结构光技术，其通过红外光投射器，将具有一定结构特征的光线投射到被拍摄物体上，再由专门的红外摄像头进行采集反射的红外光线。利用三角形相似的原理进行计算，从而得出图像上每个点的深度信息，最终得到三维数据。基于 3D 结构光的人脸识别主要应用于智能手机当中，包括苹果自 iPhoneX 之后搭载的 10 亿张图像（IR 和深度图像）训练的 Face id，国内智能手机厂商自主研发的 3D 人脸识别，推出的机型主要有华为 Mate 20 Pro、OPPO FindX。第二种 TOF（Time of flight）被称为飞行时间测距法，主要原理是通过红外发射器发射红外线，然后通过传感器接收被反射回来的红外线，通过红外反射回来的时间来计算目标物体的距离，其主要原理与苹果的 3D 机构光是一样的。TOF 镜头可以更好的探测被拍摄物体的景深信息，使得照片的背景虚化效果更好，拥有更好的层次感。此外 TOF 镜头与 3D 结构光一样可以实现人脸解锁及支付功能，无需输入密码即可完后支付。第三种则是双目立体视觉技术，双目是基于视差原理并由多幅图像获取物体三维几何信息的方法。由双摄像机从不同角度同时获得被测物的两幅数字图像，并基于视差原理恢复出物体的三维几何信息，从而得出图像上每个点的深度信息、最终得到三维数据。由于双目立体视觉成像原理对硬件要求比较高，特别是相机的焦距、两个摄像头的平面位置，应用范围相对 3D 结构光和 TOF 更少。对比三种技术的优劣势，双目立体视觉具备较高的图像分辨率以及较大的识别距离，但是由于实现双目立体视觉需要两个摄像头，整体模组体积较大，因此一般应用于机器人、工业等领域；3D 结构光和 TOF 镜头体积较小，缺点是图像分辨率不高且识别距离较短，主要被应用在智能手机中，其中 3D 结构光由于整体成本较高且相关专利主要被苹果所拥有，所以目前市场上仅有苹果使用3D 结构光作为生物识别手段，安卓阵营手机则通过 TOF 镜头来实现 3D 面部识别。3.2.2D 面部识别安全性较低，应用于特定场景 针对 2D 人脸识别的研究时间相对较长，方法流程相对较为成熟，被广泛的应用与安防、监控、门禁、金融以及考勤等多种场景，但是由于 2D 信息天生在深度数据方便的缺失，没有办法完整记录真实人脸的数据，在实际应用中存在一定的不足，例如识别准确率不高以及活体检测准确度不高。人脸识别 2D、3D 主要的区别是图像数据的获取、人脸特征的提取方式不一样，但是 2D 人脸识别跟 3D 人脸识别步骤基本上一致。3D 人脸数据比 2D 人脸数据多了一维深度的信息，不管在识别准确度上还是活体检测准确度上 3D 人脸识别都比 2D 人脸识别有优势。但由于 3D 人脸数据比 2D 人脸数据多了一维深度信息，在数据处理的方法上有比较大的差异。3.3.人脸识别市场规模稳步增长 根据前瞻产业研究院统计数据，到2019年全球人脸识别市场规模在308.04亿元左右，预计到 2021 年可以达到 428.4 亿元，年均复合增长率为 17.83%，仍处于快速增长通道。从全球市场份额来看，美国占据了全球 33%的市场份额，其次是欧洲占比25%，亚太区占比 20%排名第三。我国人脸识别市场规模约占全球市场 10%左右，2019 年我国人脸识别市场规模约为 34.51 亿元，相比去年同比增长 24.99%，预计在 2020 及 2021 年仍将保持较高增速。受益于我国人脸识别广阔的市场空间，我国涌现出一大批优质的人脸识别领域独角兽企业，例如旷世科技、商汤科技、云从科技以及依图科技等，主要领域为金融、监控、医疗、安防等领域。4.配置建议4.1.汇顶科技 公司是全球领先的芯片开发设计厂商，面向智能终端、物联网以及汽车电子等领域提供行业领先的软硬件解决方案。产品及服务广泛应用于华为、小米、OPPO、vivo、三星、谷歌等国际知名厂商，是安卓阵营中应用最为广泛的生物识别解决方案提供商。2018 年公司在市场上首先推出光学屏下指纹方案，一经推出便受到智能手机厂商以及消费者的广泛好评。截至 2020 年 6 月 1 日，公司屏下光学指纹已经获得 146 款品牌机型商用。根据群智咨询统计，2020 年 Q1 公司在整体指纹市场市场份额为 38%，在屏下指纹市场份额高达 50%。2019 年公司实现营业收入 64.73 亿元，同比增长 73.95%，实现归母净利润23.17 亿元，同比增长 212.10%。公司业绩呈现出脉冲式增长，主要原因是公司每推出一款拳头产品都将带动业绩爆发式增长，在 2020 年公司在市场上率先推出超薄指纹芯片，预计领先行业内竞争对手半年到一年的时间，公司有望在2020 年再次实现业绩的快速增长。4.2.兆易创新 公司在 2019 年以 17 亿的交易价格收购了上海思立微 100%股权，该交易在2019 年 6 月 17 日完成交割。思立微创立于 2011 年 1 月，是全球第三大指纹芯片供应商，公司致力于新一代移动智能终端生物识别技术的自主创新，专注于生物识别传感器 SoC 芯片和解决方案的研发。思立微曾多次荣获工业和信息化部“最具投资价值企业”、“最佳市场表现产品”、“最具潜质产品”；中国半导体行业协会“最具潜力 IC 企业”“最具影响力企业”等荣誉奖项和称号，并于 2017年被评为“2016-2017 中国指纹识别市场年度领军企业”。思立微近年来的营收及净利润规模实现了较大幅度的增长，2019 年 6-12月共实现营业收入 2.03 亿元，2018 年及 2019 年共实现归母净利润 1.86 亿元，已完成业绩承诺的 58.04%。未来公司在光学屏下指纹芯片领域，思立微在 2020 年将进一步完善超小封装透镜式光学指纹产品、超薄光学指纹产品以及大面积 TFT 光学屏下指纹等创新产品的大规模商用；此外公司在超声波屏下指纹方向，将基于已研发成功的超声波换能器结构及工艺，搭配上边缘端的信号处理系统，进一步拓展其在人机交互、体征监测以及汽车电子等领域的应用。……（报告观点属于原作者，仅供参考。报告来源：东方财富证券）如需报告原文档请登录【未来智库】。

根据Grand View Research的最新报告，到2027年，全球生物识别技术市场规模预计将达到46.2亿美元，复合年增长率为24.5%。(美通社)来源: 同花顺金融研究中心

近年来，人工智能、大数据、云计算等技术发展迅速，生物识别技术也因此受益。作为生物识别领域最重要的技术之一的人脸识别技术已经被应用到了日常生活的很多场景当中。随着人脸识别技术在实际应用当中不断成熟，其市场的需求不断增加，人脸识别的应用场景也在不断地被挖掘。据测算，2018年我国人脸识别行业市场规模突破100亿元大关。随着人脸识别技术在各行业应用渗透的不断深入，预计2019年中国人脸识别市场规模在120亿元左右，其市场前景十分广阔。为了更好地了解人脸识别行业在我国的发展，中商产业研究院特推出《2019年中国人脸识别行业市场前景研究报告》。报告从人脸识别行业概述、生物识别行业发展现状、人脸识别行业发展现状、人脸识别行业核心企业以及人脸识别行业未来发展趋势五个方面剖析我国人脸识别市场，为人脸识别行业从业人员和爱好者提供了宝贵的信息。以下是报告详情：PART1人脸识别行业相关概述人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。人脸识别产业链上游为基础层，包括人工智能芯片、算法技术和数据集；中游由视频人脸识别、图片人脸识别和数据库对比检验等技术层构成，中游企业的主要产品为嵌入式人脸识别软件以及一站式解决方案的提供；下游则是具体的场景应用。PART2生物识别行业发展现状随着人工智能的加速发展，生物识别应用领域不断扩大。2019年，生物识别技术将进入大规模应用阶段。根据美国咨询机构TransparencyMarketResearch的统计，全球生物识别市场规模将于2020年增长至233亿美元，复合年均增速为15.7%，生物识别市场正处在快速增长中。在国内，2017年中国生物识别技术行业市场规模突破200亿元，同比2016年的146亿元增长了38.36%。据预测，2020年我国生物识别技术行业市场规模将突破300亿元。PART3人脸识别行业发展现状近年来，人工智能在国内狂飙突进，科技巨头扎堆布局，越来越多的产业资本也开始关注人脸识别，人脸识别等自动识别技术渐成趋势。人脸识别技术逐渐在智慧城市、公共安全、轨道交通、政府治理及交通等行业的应用。2015年以来，国家持续出台利好政策，推动了人脸识别在金融、安防、医疗等领域的应用，为中国人脸识别行业奠定坚实的基础。据测算，2018年我国人脸识别行业市场规模突破100亿元大关。随着人脸识别技术在各行业应用渗透的不断深入，预计2019年中国人脸识别市场规模在120亿元左右。PART4人脸识别行业核心企业分析人脸识别行业核心企业众多，市场竞争十分激烈。其中，依图科技人脸识别技术广为人知。据了解，上海依图网络科技有限公司成立于2012年，依图科技人工智能技术的应用领域包括：智能安防、依图医疗、智慧金融、智慧城市、智能硬件等。2017年7月，依图科技在由美国国家标准技术局(NIST)主办的全球人脸识别测试(FRVT)中夺得第一，成绩在千万分之一误报下达到识别准确率95.5%，是当时全球工业界在此项指标下的最好水平。根据2018年6月的官方报告，依图已将这一指标提升到了接近极限的水平，即在千万分之一误报下的识别准确率已经接近99%。PART5人脸识别行业未来发展趋势在市场规模保持快速增长，政策支持力度明显加大的背景下，我国人脸识别市场热度也不断提升。从消费电子领域，到安防、互联网支付、金融等领域逐步引入，未来，人脸识别的应用场景不断拓展。报告仅展示部分，有兴趣请下载《2019年中国人脸识别行业市场前景研究报告》http://wk.askci.com/details/194e2668c6444436becd91e2802cb4a2/

根据MarketsandMarkets的研究报告预测，从2020年到2025年之间，全球生物识别技术应用市场规模将由366亿美元剧增至686亿美元，复合年增长率会达到13.4%，由此说明生物识别技术将迎来爆发式增长。生物识别系统之所以能有如今的佳绩取决于发展过程中或大或小因素的推动，如近几年政府不断号召推出政府扶持和相关企业的响应推进、如由智慧城市带动下的安防行业、智能发展趋势的消费电子/汽车应用等跨界行业的跨界应用，如生物识别自身的智能快捷安全的优势深受人们青睐和认可...等等，生物识别呈现一片利好优势。单一生物识别系统占据市场份额巨大生物识别种类有人脸识别、虹膜识别、语音识别...等等，如今各产业应用主要是基于单一生物识别技术的智能便利、成本效益和快速响应，这种趋势在未来仍然无法改变。目前，单一生物识别系统主要应用于政府、银行、身份验证等等，其中安防和消费电子产品大部分基于人脸和指纹识别作为身份验证需求，其次语音识别既疫情影响，需求进一步得到拓展。多模态生物识别系统增长率升温由于社会变化带动用户日益多变的需求，如今很多企业尝试将单一生物识别系统解决进一步拓展为多模式生物识别产品和解决方案迎来个性化定制需求。通过多模式生物识别系统能够提供更多方式的验证和更高级别的安全性，据悉，美国，印度和英国等许多国家/地区已将多模式身份验证系统（使用基于接触式或非接触式系统的两种或三种生物识别方式结合使用）作为安全检查手段。随着成本效益降低，商用和民用市场也逐渐在流行多模态生物识别系统。生物识别软件市场增速最快水涨船高，随着生物识别技术大规模应用，管理生物识别系统的软件增长速度也飞快，在运营过程中软件的易操作性和兼容性将起到关键作用。对于生物识别设备，基于云服务的软件确保了能够对接不同应用生物识别系统，同时易于客户更新软件和后期运营操作。

在科技创新跃进推动产业智能化升级的大背景下，作为出入口首选设备，如今的门禁早已超脱传统单一功能，成为了一套集成梯控系统、视频监控系统、巡更系统、停车场等多系统搭载的智能综合性平台，尤其是在我国推动建设智慧城市、智慧社区、智慧家居的带动下，与其息息相关的门禁系统迎来了更广阔发展，使用率和普及率保持高速上升趋势。据中商产业研究院《2018-2023年中国智能家居行业市场前景及投资机会研究报告》数据统计显示，2017年我国门禁产业市场规模近170亿元，预计到2023年，门禁产业市场规模的有望达到294亿元。目前门禁系统按发展主要划分为射频识别门禁和生物识别门禁，射频识别门禁是以ID卡、IC卡（一卡通）为介质的传统门禁，日益凸显了易丢失、易损失、易复制、易忘记等等弊端，而搭载了生物识别技术门禁有了进一步突破，人脸、指纹、掌纹、虹膜等识别方式，安全性更高，也更智能化，其中以人脸识别技术为代表，也是当下最为火热的识别方式之一。人脸识别门禁以人体脸部作为识别方式，全程无需任何操作，解放双手，实现无感通行，在智能便捷体验度上对比传统有显著提升，准确性是保障用户安全使用的大前提，因此技术的成熟迭代，精准度的提高将是持续完善的过程，减少在实际生活中的误报率、错误率等等指标，不断满足用户需求推陈出新，进一步实现大范围应用。此外，其他生物识别的门禁也比较常见，例如指纹门禁，根据人体指纹确定一个人身份，在过去通关经常会遇到，还有掌纹识别，对比指纹识别系统，掌形识别系统具有污物和伤疤不影响测量，手很容易放入扫描器的正确位置等，使用者比较容易接受...由此可见，搭载生物识别的门禁在各产业有广泛应用。据Grand View Research分析报告预测，到2027年，全球生物识别技术市场规模将达到46.2亿美元，复合年增长率为24.5%，广阔的市场空间自然吸引不少资本踊跃参与。而我国对比其他欧美发达国家，市场渗透率对产业来说较低，但低就意味着有显著的提升空间，相信未来在其他新兴技术的加速发展和创新下，将为生活带来更多便利。

五个发展历程后，中国安防事业进入智慧化监控阶段中国安防事业兴起于1980年前后，当时的摄像设备只能从日本进口，且应用场景少。发展至今，中国安防事业经历了五个发展阶段和五次技术变革，分别为模拟监控阶段、数字监控阶段、高清化/网络化监控阶段、智能化监控阶段和智慧化监控阶段。制图：36氪研究院随着AI技术逐步发展成熟且被应用于安防行业后，新型智慧化监控系统逐步发展起来。在生物识别技术、语音语义分析技术、视频监控系统、大数据和云计算等推动下，“AI+安防”概念兴起。AI推动传统安防转型升级，“AI+安防”发展空间较大随着我国城市化进程明显加快，城市人口规模不断扩大，城市运行系统日益复杂，安全风险不断增大，政府、企业及民众对安全管控提出了新需求。此外，中国安防应用涉及到公安、交通、家庭、金融、教育、楼宇等极其丰富的场景，影响范围较为广泛。 制图：36氪研究院在新需求的驱动下，传统安防行业转型升级迫在眉睫。而AI技术在安防领域的率先应用，为安防领域发展带来新的机遇，“AI+安防”行业逐步兴起。该产业链条由上游的模组、芯片等厂商，中游的AI技术提供商、Saas服务商、安防产品硬件厂商和下游专门的渠道运营服务商等组成。“AI+安防”能通过主动预警的方式，帮助政府在公共安全领域实现可视化、网络化、智能化管理，提前化解潜在风险。随着AI技术在安防领域的深入应用，安防行业市场规模将被进一步打开。根据相关数据统计，截至2022年底，中国安防行业市场规模将达到近万亿元。市场需求、AI发展和政策支持均推动“AI+安防”行业高速发展社会安全新需求的不断提升，推动安防行业创新发展。从个人信息安全，到家庭、小区、社会、国家安全等都对“AI+安防”产品提出迫切需求。“AI+安防”在满足政府需求的基础之上，逐渐走向民用服务领域。“AI+安防”技术提供商链接产业上下游，形成一体化服务的生态闭环。头部安防企业通过自身的技术和硬件设备采集、获取场景化数据，利用个性化解决服务方案切实解决行业痛点，形成纵向生态链，进而完成场景闭环，创造更多商业价值。同时，“十三五”规划、十九大报告等均指出要加强安防视频监控建设，加大以5G、人工智能、工业互联网等为代表的新基础设施搭建。多项政策的叠加支持为“AI+安防”发展和应用落地等提供了充足资金支持，也为其后续发展指明了方向。本篇报告重点研究以下内容：1、“AI+安防”的概念及行业发展历程2、“AI+安防”行业的发展驱动力及发展瓶颈3、“AI+安防”产业上下游重点企业盘点4、AI安防企业商业化分析5、“AI+安防”的场景分析6、“AI+安防”行业未来发展趋势分析以下为《AI助力安防行业向智能化转型》36氪研究院-《2020年中国“AI+安防”行业研究报告》全文。点击报告下载全文，提取码：6n2o关于36氪研究院36氪研究院根据行业发展、资本热度、政策导向等定期输出高质量研究报告，研究方向覆盖人工智能、5G、区块链、医疗、金融、物流、文娱、消费、汽车、教育等多个领域，帮助政府、企业、投资机构等快速了解行业动态，把握发展机遇和明确发展方向。同时，研究院致力于为全国各级政府、企业、VC/PE机构、政府引导基金、孵化器/产业园区等提供专业定制化咨询服务，服务内容包括行业研究、产业规划、用户研究、股权投资研究、指数研究、投资配置、基金/企业尽调、战略规划、园区规划等。分析师：李晓晓 lixiaoxiao@36kr.com Wechat:15011504594 ；关注泛人工智能、文娱消费领域

近年来， 随着人工智能、计算机视觉、大数据、云计算、芯片等技术的迅速发展，人脸识别技术取得了长足的进步并且在众多场景中得以成功应用并大规模商业化普及，为经济社会的发展以及人们日常生活带来便捷 。就市场发展趋势而言， 人脸识别应用场景虽然渗透各个行业场景， 但市场规模增长趋势出现分化， 国内市场呈现从算法竞争到芯片全产业链激烈竞争的状态； 就技术发展层面， 边缘端 SOC 芯片算力的提升使得人脸识别系统中的部分甚至全部算法可以运行在边缘设备上， 从而使云边结合已成为人脸识别产品和应用方案的发展趋势。本期的智能内参，我们推荐全国信息技术标准化技术委员会的研究报告《2020 年人脸识别行业研究报告》，从技术特点、行业发展趋势和标准化现状三方面还原人脸识别技术的最新发展状况。本期内参来源：全国信息技术标准化技术委员会原标题：《2020 年人脸识别行业研究报告》作者：蒋慧 等一、什么是人脸识别？人脸识别 ( Face Recognition) 是一种基于人的面部特征信息进行身份识别的生物特征识别技术 。 近年来 ， 随着人工智能 、 计算机视觉 、 大数据 、 云计算 、 芯片等技术的迅速发展 ， 人脸识别技术取得了长足的进步并且在众多场景中得以成功应用 。广义的人脸识别实际包括构建人脸识别系统的一系列相关技术 ， 包括人脸视图采集 、 人脸定位 、 人脸识别预处理 、 身份确认以及身份查找等 ； 而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术和系统 。 此外 ， 部分应用场景下还可能涉及质量评价 、 活体检测等算法模块。人脸识别的应用模式主要包括三种：（1）、人脸验证 (Face Verification) : 判定两张人脸图像是否属于同一个人 ，常用于身份认证如人证核验 。（2）、人脸辨识 ( Face Identification) : 给定一张人脸图像 ， 判断是否在注册库中 ， 若在则返回具体的身份信息 ， 常用于静态检索或动态布控 。（3）、人脸聚类 ( Face Clustering) : 给定一批人脸图像 ， 将相同人的图像归类到同一个类 ， 不同人的划分为不同的类 ， 常见的应用有智能相册 、 一人一档等 。1、发展历程人脸识别的研究开始于 20 世纪 60 年代 ， 到 90 年代进入了初级应用阶段 ，主要停留在学术研究和小范围的实验室环境应用 ， 直到 2012 年后的深度学习的复兴 ， 人脸识别技术取得历史性的进步 ， 真正实现大规模商业化普及 ， 且识别能力已经远远超过了人类的常规辨识度 。目前 ， 从全球人脸识别技术领域的应用场景布局来看 ， 安防 、 金融 、 交通 、 楼宇等是相对较为成熟的领域 ， 而在零售 、 广告 、 智能设备 、 教育 、 医疗 、 娱乐等领域也均有较多应用场景 ， 为经济社会的发展以及人们日常生活的便捷带来了新机遇 。2、政策现状随着人工智能技术水平的迅速发展与经济发展水平的稳步踏进 ， 在大数据应用的带领下 ， 人脸识别技术在智慧城市 、 安防市场等行业得到了广阔的应用 ，与此同时人脸识别技术应用过程所涉及的监管问题也面临着越来越高的挑战 。面对目前正飞速发展的人脸识别技术 ， 我国制定了一系列政策来促进其更健康的发展。2017 年 7 月 ， 国务院发布 《 新一代人工智能发展规划 》 （ 国发 〔 2017 〕 35 号 ）指出建设安全便捷的智能社会 ， 围绕行政管理 、 司法管理 、 城市管理 、环境保护等社会治理的热点难点问题 ， 促进人工智能技术应用 ， 推动社会治理现代化 。同时 ， 围绕社会综合治理 、 新型犯罪侦查 、 反恐等迫切需求 ， 提出研发视频图像信息分析识别技术 、 生物特征识别技术的智能安防与警用产品 ， 建立智能化监测平台的要求。全国人大在 2018 年修正的 《 中华人民共和国反恐怖主义法 》 第五十条提到 ：公安机关调查恐怖活动嫌疑 ， 可以依照有关法律规定对嫌疑人员进行盘问 、 检查 、 传唤 ， 可以提取或者采集肖像 、 指纹 、 虹膜图像等人体生物识别信息和血液 、 尿液 、 脱落细胞等生物样本 ， 并留存其签名 。2019 年 9 月 ， 中国人民银行印发的 《 金融科技 （ FinTech ） 发展规划 （ 2019-2021 年 ） 》 （ 以下简称规划 ） ， 明确提出构建适应互联网时代的移动终端可信环境 ， 充分利用可信计算 、 安全多方计算 、 密码算法 、 生物识别等信息技术，建立健全兼顾安全与便捷的多元化身份认证体系 ， 不断丰富金融交易验证手段，保障移动互联环境下金融交易安全 ， 提升金融服务的可得性 、 满意度与安全水平 。同时 ， 《 规划 》 也提出强化需求引领作用 ， 主动适应数字经济环境下市场需求的快速变化 ， 在保障客户信息安全的前提下 ， 利用大数据 、 物联网等技术分析客户金融需求 ， 借助机器学习 、 生物识别 、 自然语言处理等新一代人工智能技术 ， 提升金融多媒体数据处理与理解能力 ， 打造 “ 看憧文字 ” 、 “ 听懂语言 ” 的智能金融产品与服务 ， 这也为人脸识别的安全应用提供了思路 。2019 年 9 月 ， 工业和信息化部公开征求对 《 关于促进网络安全产业发展的指导意见 》 （ 征求意见稿 ） ， 表示支持构建基于商用密码 、 指纹识别 、 人脸识别等技术的网络身份认证体系 ， 着力提升支撑网络安全管理 、 应对有组织高强度攻击的能力 ， 明确了生物特征识别技术在网络安全产业发展中的重要意义 。2020 年 11 月初 《 中华人民共和国国民经济和社会发展第十四个五年规划纲要 （ 建议稿 ） 》 （ 以下简称 《 建议稿 》 ） 全文发布 ， 其中明确提出加快壮大新一代信息技术 、 生物技术等产业 ， 推动互联网 、 大数据 、 人工智能等同各产业深度融合 ， 培育新技术 、 新产品 、 新业态 、 新模式 。发展数字经济 ， 加强数字社会 、 数字政府建设 ， 提升公共服务 ， 社会治理等数字化智能水平 。 同时提出 ， 统筹发展和安全 ， 建设更高水平的平安中国 ， 加强社会治安防控体系建设 。该规划的出台为人脸识别技术和行业未来 5 年的发展规定了目标和方向 。信息安全层面 ， 2016 年 11 月全国人大通过的 《 网络安全法 》 中将个人生物识别信息的管理进一步细化 ， 范围进一步明确 。 国家网信办有关负责人表示,《 网络安全法 》 的公布和施行不仅保障广大群众的切身利益 ， 还有利于高新技术的应用 ， 进而激发互联网的巨大潜力 。2020 年 7 月由全国人大公布的 《 数据安全法 》 草案为数据加上 “ 防护罩 ” ， 明确数据活动的红线 ， 将来在 “ 数据主权 、 数据经营 、 数据交易 ” 等方面 ， 通过法律条文的形式 ， 推动数据时代的快速发展 。 国家坚持保障数据安全与发展并重 ， 鼓励研发数据安全保护技术 ，积极推进数据资源开发利用 ， 保障数据依法有序自由流动 。2020 年 10 月 21日全国人大公布的 《 个人信息保护法 （ 草案 ） 》 规定了个人信息是以电子或者其他方式记录的与已识别或者可识别的自然人有关的各种信息 ； 规定了个人信息的处理包括个人信息的收集 、 存储 、 使用 、 加工 、 传输 、 提供 、 公开等活动的要求 。二、技术细节1、 人脸识别技术原理当今主流的人脸识别算法 ， 主要包括人脸检测 、 人脸预处理 、 特征项提取 、比对识别 、 活体鉴别五大步骤 。 其中人脸检测 、 人脸预处理 、 特征项提取可统称为人脸视图解析过程 ， 即从视频和图像中检测出人脸 ， 通过图像质量判断 ，选取合适的人脸图片 ， 提取人脸特征向量 ， 用于后续比对识别 ； 比对识别处理可以分为人脸验证 （ 1 ：1 ） 和人脸辨识 （ 1 ：N ） 两类 ； 活体鉴别算法用以判断人脸识别处理中的人脸图像 ， 是否采集自真实人体 。在实际应用中 ， 除了上述人脸识别算法 ， 前端视图采集技术 、 人脸数据存储技术 、 应用软件管理技术也是人脸识别技术应用中重要的技术部分 。2、 人脸识别的研究机构介绍人脸识别作为最受关注的生物特征识别技术 ， 国内外有众多科研院所 、 高等院校 、 企业等机构开展人脸识别相关技术的研究 、 开发和应用 。 截止 2020年 10 月 ， 据企查查数据统计 ， 全国共有 10443 家企业的名称 、 产品 、 品牌 、经营范围涵盖 “ 人脸识别 ” ， 从成立时间来看 ， 近 5 年相关企业数量不断剧增 ，2019 年成立了 1955 家, 2020 年仅 10 月前就新增 1139 家 。科研机构。人脸识别技术广受学术和产业研究机构关注 。 全球范围内 ， 有众多知名学术机构在从事人脸识别领域的技术研究 ， 比较有代表性的人脸识别技术研究机构包括斯坦福大学 、 加州大学伯克利分校 、 美国马萨诸塞大学 、 牛津大学 、 多伦多大学 、 香港中文大学 、 中科院自动化所 、 清华大学等 。（1）、斯坦福大学。斯坦福大学是最早在人脸识别技术上取得突破的研究机构之一 。 由华人科学家李飞飞教授领街的计算机视觉实验室 ， 通过每年度基于 ImageNet 数据库举办的大规模视觉识别挑战赛 ( ILSVRC) , 极大的促进了人脸识别和计算机视觉技术的发展 。近期 ， 斯坦福大学的研究团队研发出一款人脸跟踪软件 Face2Face, 它可以通过摄像头捕捉用户的动作和面部表情 ， 然后使用 Face2Face 软件驱动视频中的目标人物做出一模一样的动作和表情 ， 效果极其逼真 。 这项技术使用一种密集光度一致性方法 (dense photometric consistency measure) 来实时跟踪源和目标视频中的面部表情 。研究人员们称 ，由于源素材与被拍摄者之间快速而有效的变形传递 ， 从而使复制面部表情成为可能 。 由于嘴形与其所说的内容高度匹配 ， 因此可以产生非常准确 、 可信的契合 。（2）、加州大学伯克利分校。加州大学伯克利分校是国外人脸识别技术研究的重要发源地 ， 早在 2005年就有关于人脸识别相关研究的理论工作 。 其中马毅 2008 年发表的 Sparsity and Robustness in Face Recognition, 在谷歌学术已获得 6321 余次的引用 ， 在深度神经网络被大家广泛应用之前 ， 是主流的人脸识别算法 。 在这篇文章中作者把稀疏表示理论应用到人脸识别这个场景中 ， 提出了一个通用分类算法用于人脸识别 。这个新的框架为人脸识别领域的两个关键课题(特征项提取和对遮挡的鲁棒性)上提供了更好的理论指导。此外，该实验室近期在用低维模型处理高维数据、 特征选择等理论方向上有一定的产出， 提出了一种新型特征选择方法 (Conditional Covariance Minimization, CCM) , 该方法基于最小化条件协方差算子的迹来进行特征选择， 取得了较为突出的效果 。（3）、美国马萨诸塞大学。美国马萨诸塞大学也是国外人脸识别技术研究的重要发源地 ， 开源了知名的人脸检测数据库 FDDB 和人脸识别数据集 LFWo FDDB 是全世界最具权威的人脸检测评测平台之一 ， 其中包含 2845 张图片 ， 共有 5171 个人脸作为测试集 。测试集范围包括不同姿势 、 不同分辨率 、 旋转和遮挡等图片 ， 同时包括灰度图和彩色图 ， 截止到目前 FDDB 所公布的评测集仍然代表了目前人脸检测的世界最高水平 。马萨诸塞大学还在 2007 年建立了人脸识别评测数据集 LFW, 用于评测非约束条件下的人脸识别算法性能 ， 截至到目前是人脸识别领域使用最广泛的评测集合 。 该数据集由 13000 多张全世界知名人士互联网自然场景不同朝向 、 表情和光照环境人脸图片组成 ， 共 5000 多人 ， 其中 1680 人有 2 张或 2张以上人脸图片 。 每张人脸图片都有其唯一的姓名 ID 和序号加以区分 。 LFW测试正确率 ， 代表了人脸识别算法在处理不同种族 、 光线 、 角度 、 遮挡等情况下识别人脸的综合能力。（4）、牛津大学。牛津大学 VGG (视觉几何)组实验室从 2015 年开始人脸识别相关研究 ，包括具有影响力的人脸数据库的发布以及深度人脸识别算法的研究 。 该实验室 2015 年在 BMVC 发表的 a Deep Face Recognition” 论文在谷歌学术已获得3600 余次的引用 ， 其中发布的 VGG-Face 已成为深度人脸识别领域最常用的数据库之 一 。2018 年发布了大规模人脸识别数据 VGG — Face2, 是 VGG-Face的第二个版本 ， 包含 331 万图片 ， 9131 个 ID, 平均图片数为 362.6, 且覆盖了大范围的姿态 、 年龄和种族等 。 VGG-Face2 发布两年 ， 已经获得了 800 余次引用 。 此外 ， 该实验室近期在人脸识别置信度预测 、 基于集合的人脸识别等子方向上 ， 每年产出一定量的学术工作 。（5）、多伦多大学。加拿大多伦多大学是基于深度学习的人脸识别技术发展的重要推手之一 。著名 “ 神经网络之父 ” Geoffrey Hinton 是该校的代表性学者 ， 在 Hinton 的带领下 ，多伦多大学的研究者将反向传播 (Back Propagation) 算法应用到神经网络与深度学习 ， 通过应用这项算法技术 ， 人脸识别技术的识别性能得到极大提高 。近期 ， 多伦多大学的研究人员在人脸识别隐私保护技术领域取到了一些新的进展 ， 开发了一种动态干扰算法来进行人脸隐私保护 。 这种技术原理基于 “ 对抗性训练 ” ， 通过建立起两种相互对抗的算法 ， 当发现某种检测算法正在寻找脸部特征 ， 干扰算法会自动调整这些特征 ， 在照片中产生非常细微的干扰 ， 通过这些干扰来阻碍整个检测系统的检测效果 。（6）、香港中文大学。作为最早投入深度学习技术研发的华人团队 ， 在多年布局的关键技术基础之上 ， 香港中文大学教授汤晓鸥率领的团队迅速取得技术突破 。 2012 年国际计算视觉与模式识别会议 ( CVPR ) 上仅有的两篇深度学习文章均出自其实验室 ；2011-2013 年间在计算机视觉领域两大顶级会议 ICCV 和 CVPR 上发表了 14 篇深度学习论文 ， 占据全世界在这两个会议上深度学习论文总数 ( 29 篇)的近一半 。 他在 2009 年获得计算机视觉领域两大最顶尖的国际学术会议之一 CVPR最佳论文奖 ， 这是 CVPR 历史上来自亚洲的论文首次获奖 。（7）、中科院自动化所。中科院自动化所是国内领先的模式识别领域研究机构 。 多年来 ， 在人脸识别领域开展了广泛的研究 。 自动化所李子青研究员领导的人脸识别研究团队 ，提出了基于近红外的人脸识别技术 ， 对光照变化影响的处理有较好的效果 ，并将该技术应用于 2008 年北京奥运会安保项目 。自动化所孙哲南研究员团队 ， 在生成对抗网络基础上提出高保真度的姿态不变模型 (High Fidelity Pose Invariant Model, HF — PIM) 来克服人脸识别任务中最为经典的姿态不一致问题 。实验结果表明 ， 该方法在基准数据集上的表现的视觉效果和定量性能指标都优于目前最好的基于对抗生成网络的方法 。 此外 ， HF-PIM 所支持的生成图像分辨率也在原有方法的基础上提升了一倍 。（8）、清华大学。清华大学是国内最早从事人脸识别技术研究的研究机构之一 。 清华大学苏光大教授 ， 自 1980 年代就开始了人脸识别技术研究工作 。 苏教授提出了 1 ：1 图像采样理论和邻域图像并行处理机理论 ， 并在 2005 年通过多计算机并行处理技术 ， 显著提高了人脸识别处理的性能 。这项技术与 2012 年由多伦多大学 Hinton 团队提出的利用并行计算来提高反向传播算法的运算效能有异曲同工之妙 。 同时 ， 苏教授团队提出了最佳二维人脸 、 不同类别的多特征描述以及MMP — PCA 等一系列人脸识别的理论和方法 。科技类企业。在人脸识别技术研究领域 ， 众多科技类企业也起到了至关重要的作用 。 微软亚洲研究院较早就开始了人脸识别技术研究 ， 发表了大量优秀的学术论文 ，2018 年 ， 微软亚洲研究院提出的深度学习残差网络 RESNET, 在研究领域得到了广泛认可 ； 苹果公司在人脸识别技术上进行了深入研究 ， 自 2017 年开始 ，就在其 iphoneX 手机上引入了刷脸解锁功能 ；日本电气 (NEC) 公司也是国际上人脸识别技术的先 行者之 一 ， 很早就提出了基于人脸识别技术的公共安全解决方案 ；国内有 “ 人工智能四小龙 ” 之称商汤 、 旷视、 依图 、 云从等企业 ， 在人脸领域 ， 从学术研究到产业实践 ， 都做了大量的工作 ， 在复杂场景 ， 大规模处理等领域 ， 不断取得新的成果 ； 国内传统科技企业百度 、 阿里 、 腾讯 、 平安科技 、 海康 、 大华等 ， 也在人脸识别技术领域开展广泛深入的研究 ， 并结合其原有的业务领域的场景 ， 取得显著的技术研究成果 。3、人脸识别技术优势及局限性技术优势。在不同的生物特征识别方法中 ， 人脸识别技术有其自身特殊的优势 ， 因而在生物识别中有着重要的地位 。（1）、 非侵扰性 ， 人脸识别无需干扰人们的正常行为就能较好地达到识别效果 ， 只要在摄像机前自然地停留片刻 ， 用户的身份就会被正确识别 。（2）、便捷性 ， 人脸识别采集设备简单 ， 使用快捷 。 一般来说 ， 常见的摄像头就可以用来进行人脸图像的采集 ， 不需特别复杂的专用设备 。 图像采集在数秒内即可完成 。（3）、友好性 ， 通过人脸识别身份的方法与人类的习惯一致 ， 人和机器都可以使用人脸图片进行识别 。（4）、非接触性 ， 人脸图像采集 ， 用户不需要与设备直接接触 。 另外 ， 可以在比较远的距离进行人脸图像的采集 。 装配了光学变焦镜头的摄像头 ， 焦距可以提高到 10 倍以上 ， 使景深范围扩展到 50 米以外 ， 实现对远景清晰拍照 ，有效采集远处的人脸图像 。（5）、可扩展性 ， 在人脸识别后 ， 通过对识别结果数据进行下一步处理和应用 ， 可以扩展出众多实际应用方案 ， 如应用在出入门禁控制 、 人脸图片搜索 、上下班刷卡 、 非法人员识别等各个领域 。（6）、隐蔽性强 ， 安全领域对于系统隐蔽性有较强要求 ， 人脸识别在这方面比指纹等方式更具优势 。（7）、强大的事后追踪能力 ， 系统记录的人脸信息是非常重要且易于利用的线索 ， 更加有利于进行事后追踪应用 。（8）、准确度高 ， 相比于人体 、 步态等其特征 ， 人脸特征具备更强的鉴别性与更低的误报率 ， 所能应用的底库规模上高出许多 ， 目前超大规模 （ 十亿级别 ） 的人脸检索已经可以实用 。技术局限。人脸识别技术由于相似脸 、 年龄 、 算法偏见 、 面临的场景多样化以及人脸图像更易公开获取等原因 ， 技术本身也面临着一定的局限性 。（1）、相似脸较难解决 。 双胞胎或者长相很相近的人脸容易识别错误 ， 而该问题在目前暂时没有新技术能完全解决 。 NIST 分析报告指出 ， 大部分情况下双胞胎仍能区分分数高低 ， 但是往往都在阈值之上 ， 在开放环境下应用效果较差 。（2）、算法偏见问题 。 由于当前人脸识别算法很大程度依赖于数据样本 ，但是不同人群的人脸数据样本存在差别 ， 这导致了算法对不同地域 、 不同年龄人群的识别能力有差别 。美国国家技术标准研究院 NIST 的检查表明 ， 人脸识别软件在不同地域 、 种族 、 性别 、 年龄上存在较大差异 。 比如 ， 小孩子 ， 老年人以及其他很少出现的人种或者肤色的人脸识别率相对较低 ， 该问题亟需解决 。（3）、人脸识别率易受多种因素影响 。 现有的人脸识别系统在用户配合 、采集条件比较理想的情况下可以取得令人满意的结果 。 但是 ， 在用户不配合 、采集条件不理想的情况下 ， 会影响现有系统的识别率 。 例如根据 NIST 的测试报告 ， 戴口罩情况下大部分算法的错误率会提高 1 个数量级以上 ， 跨年龄 、 大角度等因素也会造成不同程度的下降 。（4）、年龄变化的影响 。 随着年龄的变化 ， 面部外观也会变化 ， 特别是对于青少年 ， 这种变化更加明显 。 对于不同的年龄段 ， 人脸识别算法的识别率也不同。（5）、安全性问题 。 人脸识别系统信息存储同样会面临黑客的攻击 。 所以对数据加密很重要 。 随着技术的不断提升 ， 人脸识别技术在安全性上需要加强 。同时 ， 人脸暴露度较高 ， 相比对其它生物特征数据更容易实现被动采集 。 这也同时意味着人脸信息的数据更容易被窃取 ， 不仅可能侵犯个人隐私 ， 还会带来财产损失 。 大规模的数据库泄露还会对一个族群或国家带来安全风险 。4、 人脸识别技术的发展趋势随着人脸识别技术的广泛应用 ， 也在不断促进技术本身持续发展 。 基础算法研究 、 人脸重建技术 、 戴口罩人脸识别 、 3D 人脸识别技术 、 新型人脸采集技术 、人脸聚类技术 、 和低质量人脸识别技术 ， 是产业界和学术界关注的热点课题 ，也预示了人脸识别技术的发展趋势 。基础算法技术热点包括模型结构设计 、 损失函数设计 、 无监督 / 半监督学习算法和分布式自学习算法等 。 模型结构设计目前主要有手工设计与网络结构搜索 (NAS) 两种思路 。 ICCV 2019 轻量级人脸识别 (Lightweight Face Recognition) 竞赛结果显示 ， 虽然对大模型场景下结构改进带来的提升则较为有限 ， 但是轻量级场景下网络结构改进对于识别率提升较为明显 。损失函数设计的核心在于学习具备鉴别性且足够鲁棒的特征 。 近年来基于度量学习与各类 margin — based 方法逐渐成为主流。 在特征提取加速方面 ， 主要的方法有轻量级网络 、 模型蒸惚 、 稀疏量化等 ； 在特征比对加速方面 ， 主要的思路有量化以及各类近似最近邻检索技术 。低质量人脸识别技术。在实际的动态应用场景下 ， 人脸识别技术由于场景的不可控因素 ， 采集到的图片质量与训练图片的质量有很大差异 ， 如人脸偏转 ， 大幅度侧脸 ； 运动模糊和失焦模糊 ； 遮挡物(例如口罩 ， 墨镜) ； 低的光照强度和对比度 ； 视频传输由于编解码过程产生的人脸信息丢失等 ， 这些因素导致准确率极度下降 。针对这些具体问题 ， 研究人员提出综合利用各种图像增强技术和图像生成技术对人脸识别算法准确率进行提升的方法 ， 如采用对抗式生成网络对摄像头的风格进行迁移 ， 采用基于深度学习的方法对小尺寸模糊人脸进行超分辨率重建和基于注意力机制对人脸图片进行去模糊处理等 。此外 ， 3D 人脸识别技术也可以有效解决复杂场景下人脸单模态鲁棒性不足问题 ， 如大角度 、 遮挡引起的效果下降问题 ， 常用的融合策略有相似度融合 、 特征融合 、 决策融合等 。戴口罩人脸识别技术。今年新型冠状病毒疫情期间戴口罩人脸识别受到较大关注 。 常用的解决方法有数据增强 、 遮挡恢复 、 多部件模型融合等 ， 可应用在人脸布控 、 陌生人检测 、 无感通行中 ， 均不需要摘下口罩 ， 在 30 万人像库的规模下 ， 戴口罩人脸识别准确率可大于 90% 。人脸聚类无论是在个人领域的相集管理还是在智慧城市治理领域都有较为广泛的应用 。 早期主要基于传统的聚类方法如 k-means 等 ， 但效果不佳 。 近年来 ， 基于 GCN 的人脸聚类方法崭露头角 。 实际业务中 ， 时空信息的挖掘也是研究的热点 。特定群体识别技术。针对儿童/老人 、 不同肤色群体的人脸识别 ， 有标签的数据较少 ， 而无标签的数据更多些 。 研究人员提出可以利用半监督/无监督学习方法带来性能的进一步提升 。 同时 ， 对抗 、 域适应等方法也是研究人员较为关注的方法 。 在特定群体识别中 ， 应考虑如何方便老年人使用人脸识别系统 。为了防范照片 、 视频 、 头模等假体对人脸识别系统的攻击 ， 呈现攻击检测算法也是研究的热点 ， 主要检测原理包括 ：a ） 离散图像检测方式 ， 即利用一幅或多幅图像进行判断 ；b ） 连续图像检测方式 ， 即采用连续图像序列进行判断，如检测显示器边缘 、 边框 、 屏幕反光 、 像素点 、 条纹分析等进行判断 ；c ） 用户主动配合检测方式 ， 即通过指令要求用户完成相应动作如点头 、 抬头 、左右转头 、 张嘴 、 眨眼 、 跟读屏显提示信息等进行判断 ；d ） 基于辅助硬件设备的检测方式 ， 即利用辅助硬件设备获取更多判断依据辅助进行判断 ， 如利用深度摄像头采集人脸深度信息或利用特定波长光源投射并检测在皮肤或非皮肤材质上产生的发射率差异等 ；e ） 用户被动配合检测方式 ， 如 ： 利用静脉血管 、 肌肉 、骨骼 、 静脉血液中脱氧血色素对红外线的吸收特性 ， 判断其是否来自活体 ； 通过特定指令引导用户眼球运动 ， 并通过跟踪眼球运动以判断是否为真实活体 。多模态融合识别技术。多模态融合识别技术可以有效解决复杂场景下人脸单模态鲁棒性不足问题 。 如大角度 、 遮挡 、 像素过低引起的效果下降问题或应用场景对于安全性可靠性要求很高的场景 ， 多模态可以增强识别的可信度 。多模态识别有两个发展方向 ， 一个方向是在脸部图像特征识别的基础上 ， 增加头肩和形体的识别 ， 这种技术的好处是可以不必增加额外的采集单元 ； 另外一个方向是 ， 融合其他生物识别模态 ， 如静脉纹理 ， 声纹信息等 ， 这种技术除了能够提高算法的鲁棒性之外 ， 还可以提高活体验证的可信度 ， 在行业里受到了较为广泛的关注 。三、人脸识别行业1、行业发展概述随着云计算 、 大数据 、 物联网 、 人工智能等计算机科学技术的飞速发展以及人脸识别技术在实际应用中的不断成熟 ， 人脸识别技术在智慧安防 、 智慧城市 、 智能家居 、 移动支付等领域继续大放异彩 ， 并且人脸识别的一些新应用场景也不断地被挖掘出来 。全球人脸识别行业规模依然在以非常高的速度进行增长 。 根据MarketsandMarkets 发布的全球人脸识别市场相关报告 ， 预计全球人脸识别市场规模将从 2019 的 32 亿美元增长到 2024 年的 79 亿美元 ， 在预测期内（ 201 9-2024 年 ） 将以 16.6% 的复合年增长率进行增长 。国内方面 ， 中国人脸识别技术投入在 2017-2018 年达到巅峰 ， 根据 IHSMarkit 的数据 ， 2018 年 ， 中国在全球人脸识别市场的业务占据了将近一半的份额 。 2019 至 2020 年 ， 人脸识别技术发展趋于平缓 ， 进入理智期 。 依据 IT 桔子数据统计 ， 截至目前 ， 中国人脸识别技术总投资额达到 406 亿元 。 前瞻产业研究院预计 ， 未来五年人脸识别市场规模将保持 23% 的平均复合增长速度 ，到 2024 年市场规模将突破 100 亿元 。2、 行业发展现状人脸识别产业链以人脸识别算法作为中间层 ， 其上游为器件 、 通用硬件 、基础软件 ， 上游提供了人脸识别算法的输入 、 训练 、 开发和运行环境 ； 下游为设备和产品 ， 最终体现为解决方案 ， 下游是人脸识别算法的产品形态 。从产业链上游来看 ， 国内厂商 （ 以华为 、 寒武纪为代表 ） 在芯片设计方面有较强实力 ， 在芯片制造方面 ， 除去手机等对芯片精密程度要求较高的设备 ，国内厂商具备制造芯片的能力 。 但高端芯片的制造工艺以及基本元器件都被国外垄断 ， 成为制约上游厂商发展的瓶颈 。从人脸识别算法层面来看 ， 国内厂商具备优势 ， 但数据隐私问题 、 人种 /地域带来的算法性能公平性问题 ， 是国内厂商急需解决的问题 。产业链下游 ， 人脸识别应用越来越广泛 ， 甚至出现过度滥用盗取用户隐私的事件 。 黑客攻击 、 非活体攻击对人脸识别系统安全性也提出了挑战 ， 用户隐私保护和安全性成为掣肘 ， 急需相关政策法规来规范市场 。基础器件：通用处理器。目前 ， 通用处理器主要包括 x86 、 ARM 、 RISC — V 三大系列 。 x86 处理器仍是服务器端主处理器的首选 。 出于稳定性考虑 ， Intel 的 xeon 系列占据了市场的主导地位 ， AMD 鲜有应用 ， 反而国内的海光 、 兆芯的 x86 处理器因国产化替代等原因得到了少量的份额 。 ARM 处理器是手机等智能终端的首选 ， 随着性能提升和软件生态的完善 ， ARM 处理器也逐渐向服务器扩张 ， ARM 公司也推出了一系列高性能核心和 Server Reday 认证支持这一举措 。应用于智能终端的 ARM 芯片的代表包括海思的麒麟系列 、 高通的骁龙系列 、 联发科的 MTK 和瑞芯微的 RK 等 ； 应用于服务端的 ARM 芯片的代表包括海思的鲤鹏芯片和飞腾的腾云 S 系列等 。 RISC V 是开源的处理器架构 ， 随着美国对中国高科技领域的打压 ， 该架构也成为国产化的重要选择 。平头哥推出的铉铁 910 芯片就是采用RISC — V 架构 ， 中天微和小米松果电子也在做 RISC-V 的相关工作 。 国内主流的通用处理器还包括采用 MISP 架构的龙芯和采用 Alpha 架构的申威 。 总体来说,在通用处理器领域的选择相对丰富 ， 以海思为代表的国内芯片设计公司已经走到与国外老牌芯片设计公司对等的位置 ， 主要问题在于先进制程的芯片代工制造的风险 。AI 加速 SOC。与采用 GPU 的通用并行计算不同 ， AI 加速 SOC 是通过内置专门针对 AI 算法设计的加速单元 ， 实现针对 AI 的高运算效率 ， 随着人工智能落地快速崛起的专用芯片 。 NVIDIA 最早针对 GPU 通用并行计算建立了 CUDA 生态环境 ， 使其成为 AI 落地最大的算力提供商 ， 也在 AI 进一步发展阶段 ， 适时推出了面向张量运算的 TensorCore 和面向深度学习的 NVDLA 加速单元 ， 进一步巩固了其在 AI 加速领域的地位 。 Google 依赖其软件优势 ， 推出了与 Tensorflow 紧密结合的 TPU, 但是除了 Google 大规模使用外 ， 并没有得到市场的广泛应用。海思在 AI 加速领域也是颇有建树 ， 先后推出了 hisi 35xx 系列芯片和昇腾系列芯片 。 定位端侧的 hisi 35xx 系列 Al 加速芯片主张图像 +AI 合一 SOC 设计,能提供 0.5TOPS 4TOPS 不等的算力 ， 在平安城市 、 交通 、 电力 、 人脸门禁 、车载等市场广受青睐 ； 定位边缘侧和云中心的昇腾系列 AI 加速芯片能够提供16TOPS-512TOPS 不等的算力 ， 具有算力高功耗低的特点 ， 鲍鹏+昇腾的专用服务器也在数据中心取得应用 。中科院背景的寒武纪 ， 依托在芯片领域的深厚积累 ， 成为科创版第一个上市的 AI 芯片公司 ， 其推出的 MLU220 和 MLU270 芯片分别能够提供 8TOPS 和128TOPS 的算力 ， 也已经在多个行业取得应用 。 除寒武纪以外 ， 还有众多创业公司切入 AI 加速 SOC 的赛道 ， 如地平线的征程 、 旭日芯片 ， 依图的求索芯片等 。与通用处理器类似 ， 国内不乏能够设计顶级 AI 加速 SOC 的厂商 ， 主要风险在于先进制程芯片的代工制造 。CMOS 传感器。视频图像的采集质量 ， 直接关系到人脸识别系统的准确率 ， 而视频图像的采集 ， 则离不开 CMOS 传感器 。 目前主流的 CMOS 传感器的供应商包括索尼 (SONY) 、 三星 ( SANSUNG ) 、 豪威科技 (Ominivison) 和安森美 (ON Semiconctor ） 等 。其中 SONY 以其长期的技术积累 ， 无论是消费电子还是安防等专业应用领域 ， 都占据了较高的市场份额 。 三星主要应用于手机等消费电子 ， 豪威科技和安森美则集中在安防 、 汽车电子专业领域发力 。 国产 CMOS的选择有中星微 、 格科微等 ， 不过目前主要仍然应用在 USB 摄像头等一些消费领域 ， 尚未进入专业市场 。随着疫情的发展 ， 测温需求快速爆发 。 热成像传感器是一种特殊的成像传感器 ， 因其属于军民两用的特性 ， 国内传统供应商包括高德红外 、 大立科技等 。 海康威视以创新业务的方式持续加大在热成像传感方面的投入 ， 今年 4 月更是从福建安芯半导体采购光刻机用于热成像传感芯片的生产 。 大华股份则于2018 年与FLIR建立合作 ， 切入此项业务 。存储芯片。存储芯片在智能终端中占据了较大一部分成本 ， 具体包括 RAM 芯片和 FLASH 芯片 ， 其中 FLASH 芯片又可以进一步分为 NOR FLASH 和 NAND FLASH 。面向通用服务器的 RAM 芯片的供应商主要包括三星 （ SANSUNG ） 、 海力士 （ Hynix ） 等 ， 因规模效应 ， 韩系供应商的地位难以撼动 。 面向嵌入式设备的选择更加丰富 ， 合肥长鑫和紫光半导体等国内厂家也在积极投入 ， 已经进入到投产阶段 。与 NAND FLASH 广泛应用于 SSD 相比 ， NOR FLASH 则相对小众 ， 主要应用于嵌入式设备 。 我国的兆易创新是该领域的主流供应商之一 ， 占据全球第四的市场排名 。 NAND FLASH 与 RAM 类似 ， 具有通用性 ， 是半导体行业的必争之地 ， 除三星和海力士之外 ， 东芝 、 镁光 、 西部数据等也都是这一领域的角逐者 。 国内的长江存储推出了与主流产品性能相当的 64 层 3D NAND, 并在华为mate 系列高端手机中取得了应用。其他器件。其他的应用于人脸识别行业的器件则与通用的电子行业类似 ， 主要包括电源芯片 、 电阻 、 电容 、 电感 、 PCB 敷铜板等 。 总体来说 ， 国内的供应基本可控，但在高精度要求方面 ， 仍需要借助国外供应商 。 在全球化产业链高度发展的今天 ， 各个领域都有深度耕耘者 ， 全球化采购最优器件 ， 仍然度的最佳选择 。通用硬件：通用服务器。通用服务器在人脸识别系统中的主要作用是业务系统和管理节点 ， 从软件生态的完备性角度 ， 通用服务器以 X86 架构为主 ， 但 ARM 、 RISC-V 等其他架构的服务器已经崭露头角 。 x86 服务器的供应商主要包括 Dell 、 联想 、 曙光 、浪潮等 ， 华为的泰山服务器则是 ARM 架构的典型代表 。计算服务器。AI 服务器是采用异构形式的服务器 ， 出于生态友好和总算力高两方面因素，目前的主流方案仍是 Intel x86CPU+Nvidia GPU, 最新的 8 卡 T4 GPU 服务器 ，能够提供 1040T （ 单卡 130T ） 的算力 。 随着专门为 AI 计算设计的 SOC 的成熟，采用 SOC 作为加速卡也成为性价比和功耗比更优的选择 。 在 Al SOC 的选择面上 ， 国内已然走在行业前列 ， 如华为的昇腾 310 芯片 ， 单颗算力 16T, 四颗组成半高的计算卡总算力 64T, 但相同算力下功耗只有 GPU 的 l/7o 其他的如寒武纪的 MLU220 和 MLU270 、 比特大陆的算丰芯片等 ， 也都已经取得了应用 。存储服务器。存储服务器是人脸识别系统中的重要构成 ， 是专门针对存储任务进行优化的专用设备 。 在硬件形态上 ， 其主要特点是硬盘多 ， 通常包含 8 至 48 块硬盘 。为了保证效率 ， 硬盘通常以 SAS 硬盘或者 SSD 为主 。 SAS 硬盘的主要供应商以希捷和西部数据为主 ， SSD 的供应商则更为丰富 ， Intek 三星以及国内的存储厂商也积极参与 SSD 的竞争 。 存储服务器针对软件的优化主要是采用 RAIDs多机分布式等增加存储数据的安全性 ， 相关技术相对成熟 。智能终端。包括智能手机 、 智慧屏在内的通用智能终端 ， 是人脸识别应用的重要领域 。从操作系统层面将智能终端分为两大类 ， 一类是采用自有 iOS 系统的 iPhone,牢牢占据了市场占有率的榜首 ， 另一类则是应用更加广泛的 Android 系统的设备,又以华为占据 Android 榜单的榜首 ， 我国的小米 、 OPPO 、 vivo 也是建树颇丰 。值得注意的是 ， 华为和苹果是仅有的两家能够从芯片到操作系统再到软件生态全流程优化的供应商 ， 在一定程度上解释了这两家企业的竞争优势 。基础软件：训练框架。目前人脸识别算法大多基于深度学习技术 ， Tensorflowx Pytorch 、Mxnet 、 Caffe 是最常用的训练框架 。 由于人脸识别存在类别大 、 loss 多样等特点 ， 在上述深度学习框架基础上需要结合人脸识别本身的特点进一步的优化扩展 ， 其中代表性的开源框架为 lnsightface。在工业界 ， 各企业内部往往也有各自的训练平台 ， 以实现数据 、 训练 、 部署等环节的协同 ， 一些优秀的内部框架也在逐步开源 。 但由于训练框架切换学习成本高 ， 整体的生态建设仍待加强 。推理引擎。推理引擎与训练框架相对应 ， 主要用于模型在设备端的高效 （ 前向 ） 运行 。一些训练框架会配套对应的推理引擎 ， 也有一些独立于训练框架的推理引擎软件 。 此外 ， 深度学习芯片也会提供各自的推理引擎软件实现加速 。 由于推理引擎往往针对特定结构或者硬件深度优化 ， 对于一些新型的网络结构扩展性较差或者优化效率不高 ， 容易导致一些新算法无法快速落地 。其他环节。人脸识别完整流程除深度学习神经网络外还包括图像预处理 、 特征后处理等流程 。 目前缺乏效果且通用的实现方式 ， 尤其是在芯片端 ，征比对之类图像处理和数学运算类的功能缺失 ， 增加开发成本性能损失 。算法技术：近年来随着深度学习的发展 ， 人脸识别技术取得了突破性进步 ， 全球范围内相关研究团队众多 ， 以中美俄日欧等国家和地区较为领先 。 根据 NISTFR 町2020 年 10 月的测试结果 ， 全球排名前 10 的算法半数以上来自中国 。虽然各国的人脸识别算法有性能上的差异 ， 但差距并不大 。 以 FR 町 VISA测试集为例 ， 百万分之一误报对应正确率前 30 厂家性能都已超过或者接近99% 。 人脸识别的技术发展已由注重算法精度提升向以改善实际应用效果的方向转变 ， 并出现了以下应用趋势 。由简单场景向复杂场景转变。简单场景人脸识别精度趋于饱和已经成为业界的共识 ， 业界将注意力转移到复杂场景人脸识别问题并表现在具体应用场景上 。 从高分辨率 、 小姿态 、 光照适中的优质人脸卡口场景转变到低分辨率 、 大姿态 、 低照度 、 模糊等低画质开放式场景 ， 这对人脸识别算法适应能力提出了新的挑战 ， 也是业界努力提升的方向 。3D 人脸成为配合式应用的重要方向，随着 2017 年 iPhone X 首次将 Face ID 引入手机端 ， 3D 人脸识别技术逐渐成为手机厂商旗舰机型的标准配置 。 相比于 2D 人脸 ， 3D 人脸包含更为丰富的人脸信息 ， 对旋转 、 遮挡 、 光照 、 照片攻击等具有更好的抗干扰能力 。 在以门禁考勤 、 金融支付为代表近距离配合式应用中 3D 人脸逐渐成为常用的技术解决手段 。多生物特征融合成为新的趋势。多生物特征融合能弥补单生物特在的不足 ， 实现优势互补 ， 提升系统精度，改善应用体验 。 在近距离配合式应用中 ， 采用人脸识别与虹膜识别技术融合可解决双胞胎等人脸识别难以解决的问题 ， 增强双胞胎金融支付应用的安全 ； 在安防场景 ， 相机角度 、 分辨率等问题存在人脸质量较差以及获取不到人脸等情况 ， 步态识别 、 行人重识别等技术的融入能进一步扩大整个身份识别系统的算法边界 。人脸识别公平性问题亟待解决。由于安全隐私顾虑 、 经济科技水平落后和贸易壁垒等因素 ， 人脸识别技术在全球的整体普及程度仍然偏低且存在发展不平衡现象 。 根据 NIST 的分析报告 ， 欧美 、 亚洲为人脸识别技术主要供应商 ， 各国算法优化主要依赖本国环境,跨人种 、 跨地域 、 跨场景等仍会给人脸识别算法带来一定影响 。 除了准确率的持续优化 ， 全球范围内安全隐私 、 公平性等问题亟待解决。设备及产品：人脸抓拍机：人脸抓拍机内置 AI 芯片和深度学习算法 ， 适应于人流密集的通道 、 出入口等多种场景需求 ， 实现对人群中人脸的精准捕捉 。 人脸抓拍机目前已普遍部署在汽车站 、 火车站 、 机场 、 港口 、 娱乐场所 、 街道 、 社区等人员复杂场景的重点监控区域 ， 对场景的适应性是其性能的重要指标 。 在大姿态 、 遮挡 、 光照异常等复杂情况下的人脸抓拍成功率 ， 在自然监控环境中误抓率都是设备性能体现 ， 也是用户的选择依据 。随着安防监控智能化的发展 ， 捕捉更精细更全面的结构化信息成为趋势 。目前各大厂商都推出了抓拍人脸 、 人体 、 车辆 、 车牌等多维信息的面向视频结构化应用的抓拍机 ， 多 AI 算法的集成以及多路实时抓拍的需求 ， 要求前端设备厂商进一步压缩算法模型和提升芯片处理速度 。 另外 ， 前端设备脱离于后端服务器 ， 功能从单纯捕捉信息到捕捉 、 分析 、 决策方向发展 ， 这也符合智能前移为边缘节点赋能 ， 让边缘感知信息的发展趋势。门禁设备：门禁设备是以人脸识别技术为核心的身份识别终端产品 ， 它集成了视频采集 、 人脸识别 、 证件识别 、 红外侦测及网络传输等多种功能 。 目前市场上的门禁产品发展比较成熟 ， 同质化严重 ， 但也展露一些新趋势 。随着门禁设备的普及化和民用化 ， 安全问题越来越受到重视 ， 防伪功能成为标配 。 由于攻击方式多样性 ， 即使配备防伪功能的设备也存在技术缺失或适应性差的问题 ， 安全性能有待持续提升并完善 。 今年由于疫情管控的需要 ， 集成测温功能的门禁设备逐渐普及 。 未来安全性和差异化满足个性化需求将成为门禁类产品的重要发展方向 。网络硬盘录像机设备：网络硬盘录像机 (Network Video Recorder, NVR) 最主要的功能是通过网络接收 IPC (网络摄像机)设备传输的数字视频码流 ， 并进行存储与管理 。NVR 设备内置人脸检测 、 人脸识别功能可提升存储数据的有效性以及关键数据的检索效率 ， 目前已成为 NVR 设备的主要卖点 。移动终端：随着刷脸功能的普及 ， 手机逐步成为人脸识别的重要终端之一 ， 通过手机即可完成刷脸登录和刷脸支付 。 相对于传统的密码解锁和支付 ， 刷脸具有更高的便捷性和安全性 。 未来人脸识别在智能手机的普及率会进一步提升 ， 也将有越来越多的手机应用借助人脸识别进行身份验证 。人脸分析服务器：基于深度学习的人脸识别算法在实际应用中需要消耗大量的计算资源 ， 长期以来 GPU 为首的通用架构芯片是进行深度学习计算最常用的计算资源 。 然而 ， GPU 服务器体积大 、 能耗高 ， 在很多应用场景中已成为限制人工智能发展的瓶颈 。基于人脸识别专用 ASIC 芯片的解析一体机或服务器 ， 在性能 、 成本 、功耗 、 可靠性及适用范围等方面都具有明显的优势 。 在很多实际应用场景中 ，专用解析一体机或服务器在提供同等算力的情况下 ， 消耗更少的能量 ， 占用更小的体积 ， 发热量也更小 。 例如搭载 “ 求索 ” 芯片的 1 台 1U 依图原子服务器无需英特尔 CPU, 与 8 卡英伟达 P4 服务器对比 ， 解析路数相同情况下单路功耗不到后者的 1 0%。人脸比对服务器：随着智慧城市 、 一人一档等人脸大数据应用 ， 对人脸特征比对支持的库容规模 、 并发量 、 响应速度提出新的要求 ， 随之产生专用的比对服务器 。 GPU由于生态友好且算力高 ， GPU 卡的比对服务器在各行业应用中有较大占比 。与分析服务器类似 ， GPU 比对服务器存在体积大 、 功耗高的缺点 。FPGA 芯片更合适人脸特征比对运算 ， 具有大库容高并发的特点 ， 基于 FPGA 的人脸比对服务器在性能 、 层本 、 功耗等方面皆具备明显优势 ， 该类产品已崭露头角 。 此外，随着 CPU 芯片计算能力和指令集的不断优化 ， 芯片厂家和服务器厂家也在联合尝试基于 CPU 的人脸比对服务器产品 ， 基于 CPU 的产品方案也值得关注 。解决方案：人脸识别系统业务功能主要包括人脸核验 、 人脸布控 、 人脸检索 、人脸聚类等 ， 可以通过上述不同的设备构建不同的解决方案 。 按照应用场景和数据规模 ， 解决方案可以归纳为人脸考勤方案 、 人脸布控方案和人脸大数据应用方案 。人脸考勤解决方案：人脸考勤解决方案可以由单个门禁设备构成 ， 亦可由人脸抓拍机 +NVR 或人脸服务器的方式构成 ， 包含人脸注册 、 人脸抓拍 、 人脸建模和人脸比对功能，并配备管理系统 ， 具备考勤权限 、 数据存删 、 参数设置和隐私保护等功能 。人脸布控解决方案：人脸布控解决方案 ， 通常由人脸抓拍机+人脸分析服务器构成 。 当单台人脸分析服务器不足以提供所需性能时 ， 可以采用多集群方式 ； 当系统需要接入传统 IPC 视频码流时 ， 亦可在分析服务器实现人脸抓拍 。人脸大数据应用解决方案：省级 、 全国级静态库检索 ， 市 / 县级人脸聚类是常见的人脸大数据应用 ，其解决方案通常由人脸抓拍机+人脸分析服务器+人脸比对服务器构成 ， 其系统通常为分布式系统 ， 图像处理单元和特征比对单元按照应用所需的处理并发数进行部署 。 该类系统通常与其他智能分析系统(如人体分析 、 步态分析)进行打通 ， 并利用大数据分析技术进一步提升系统的可用性和整体性能。不同厂家人脸产品形态有所差异 ， 但其人脸产品的核心功能大同小异 ， 因此由人脸产品组成的人脸识别系统功能和流程相对固定 ， 上述解决方案具有极高的通用性 。 产业链中基础层 、 算法和设备的发展主要在于提升人脸识别的效果和效率 ， 不会影响整体功能和流程 ， 解决方案是相对稳定的环节 。3、典型应用领域科技金融。人脸识别在金融领域的应用已经相当普遍 ， 如远程银行开户 、 身份核验 、保险理赔和刷脸支付等 。 人脸识别技术的接入 ， 能有效提高资金交易安全的保障 ， 也提高了金融业务中的便捷性。2013 年芬兰公司 Uniqul 成为首批吃螃蟹的公司 ， 面向全球首次推出人脸识别支付这一创新支付技术 。 2015 年在德国汉诺威 CeBIT 展会上马云第一次向德国总理默克尔展示了支付宝的人脸识别支付技术 。 同年 ， 招商银行在一些支行柜面和ATM业务也开始应用人脸识别 ， 随后包括建设银行 、 农业银行等四大行在内的数十家银行都纷纷将人脸识别产品引入ATM 、 STM 、 柜面 、 网点 、手机银行等各个业务环节 ， 并逐渐全客户覆盖 。时至今日 ， 人脸识别技术在国内金融领域已经得到了非常广泛的部署和应用 ， 消费者在各个渠道中都可以利用人脸识别技术使用金融服务 ，中国在人脸识别技术的应用上已经大幅度领先国外市场。智慧安防。安防是人脸识别市场最早渗透 、 应用最广泛的领域 。 根据亿欧研究 ， 2018年 ， 安防行业在中国人脸识别市场占比 61.2% 。 当前人脸识别技术主要为视频结构化 、 人脸检索 、 人脸布控 、 人群统计等软硬件一体形态产品提供基础支撑,重点应用于犯罪人员的识别追踪 、 失踪儿童寻找 、 反恐行动助力等场景 。视频监控系统通过庞大的监控网络进行图像采集 、 自动分析 、 人脸比对 ， 基于视频帧的 1 ： 1 及 1 ： N 人脸比对 ， 可分析人员轨迹 、 出行规律等 ， 实现重点人员的识别及跟踪 ， 在公安应用场景中达到事前预警 、 事中跟踪 、 事后快速处置的目的 。 在雪亮工程 、 天网工程 、 智慧社区 、 反恐及重大活动安保等公安项目发挥了重要的作用 。此外 ， 在企业楼宇 、 社区住宅的人员管理和安全防范需求场景下 ， 人脸识别技术应用非常广泛 ， 通过人脸的黑白名单录入 ， 可有效管控区域人员出入 ，机器识别的高效率也大幅节省了人力资源。智慧交通。国外的公共交通领域对人脸识别技术的应用主要集中在机场安检以及入境管理等特别强调安全的场景 。 加拿大渥太华国际机场 、 澳大利亚当地移民及边境保护局与美国海关与边境保护局皆已尝试部署人脸识别出入境系统。国内交通领域的人脸识别应用主要包括 1 ： 1 人脸验证和 1 : N 人脸辨识 。目前利用人脸核验证技术的刷脸安检已进入普遍应用阶段 ， 在高铁站 、 普通火车站和机场皆已大面积推广 。 而应用 1 ： N 人脸比对技术的刷脸支付主要落地在地铁公交等市内交通 ， 这种技术能够极大提高通勤人员的出行效率 ， 释放大量的人力资源 ， 提升出行体验 。 同时 ， 人脸识别可以对交通站点进行人流监测 ，根据人员出行规律预测交通人流高峰 ， 提前做好疏导预案 。除此之外 ， 在交通违规管控方面 ， 人脸识别技术可以帮助执法人员更快速高效地找到违规人员身份信息 ， 并结合车辆识别等技术进行跟踪拦截。民生政务。政务互联网平台、 公积金 、 社保 、 税务 、 网证 、 交通管理 、 行人闯红灯 、缴交交通罚款 、 住建等民生政务系统 ， 已经使用或正在使用人脸识别系统 。 政务服务领域的业务点主要有私有云平台搭建 、 政务服务自助终端 、 便民服务平台 。 人脸识别在政务系统的落地 ， 提升了民众的办事效率 ， 公民可以不用窗口排队 ， 实现自助办事 ， 节省了因人工效率低下产生的耗时 。 部分政务还可以通过在线人脸识别认证 ， 在移动端线上办理 ， 减轻了 “ 办事来回跑 、 办事地点远 、办事点分散 ” 的困扰 。教育考试。智慧教育在高速发展的同时 ， 不断深入采用物联网 、 云计算 、 大数据等先进信息技术手段 ， 实现各种教育管理与教学过程数据的全面采集 、 存储与分析，并通过可视化技术进行直观的呈现 。在这个过程中 ， 相关科技企业基于自身在人工智能 、 视频可视化技术 、 出入口门禁管理 、 大数据 、 云计算等领域积累的技术产品经验 ， 致力于推动智慧教育的行业发展 ， 打造升级智慧校园 、 智慧教室 、 智慧宿舍 、 智慧图书馆 、 智慧食堂 、 智慧超市等教育相关的安全管控 、 课堂考勤 、 刷脸消费和智能化体验 。同时 ， 人脸识别技术也应用在考生身份确认 。智能家居。人脸识别在智能家居中主要应用在安全解锁和个性化家居服务两个场景 。在安全防范方面 ， 人脸识别可以提供相对安全和便捷的入户解锁技术 ， 将可能逐步替代传统密码或指纹门锁 。 智能门铃可以通过人脸识别对访客身份进行识别 。 另外家中的监控摄像头可以实时监测 ， 如发现陌生人脸立即提醒住户并报警 。在个性化家居服务方面 ， 智能电视可以采用人脸信息录入的方式创建账号 ，机器通过人脸识别认证 ， 有针对性的进行内容推送 ， 实现个性化定制 ； 智能冰箱可通过人脸识别技术 ， 针对不同的用户爱好 、 人脸状态 ， 推送菜谱及营养建议 。 人脸识别技术在智能家居行业的应用 ， 为市民带来了更便捷 、 舒适的生活方式 。4、 行业发展趋势应用场景向各行业渗透 ， 市场规模增长趋势出现分化。随着技术发展和安全性要求的提高 ， 人脸识别技术在行业应用中发生巨大变化 ， 从安全性可靠性要求较低的行业上升到金融社保 、 证券 、 银行 、 互联网金融等安全可靠性要求较高的行业 。 我国人脸识别技术目前主要运用在公共安防 、 门禁考勤 、 金融支付三大领域。区分不同的应用领域来看 ， 其趋势逐渐出现分化 。 从 2019 年看 ， 安防作为人脸识别最早应用的领域之一 ， 其市场份额占比在 30% 左右 。 随着雪亮工程 、 智慧城市建设的逐步完成 ， 人脸识别在安防领域逐渐从增量市场转变为存量市场 。 人脸识别在门禁考勤领域的应用最为成熟 ， 约占行业市场的 42% 左右 ， 随着智慧楼宇 、 智慧社区 、 智慧家居的进一步发展 ， 人脸识别门禁考勤市场也将随之增长 。 金融作为人脸识别未来重要的应用领域之一 ， 目前约占行业的 20%, 并且市场规模在逐步扩大 。全球公共卫生环境变化 ， 人脸识别迎来应用新需求。新冠肺炎疫情的爆发并在全世界流行 ， 威胁人类生命安全与健康 ， 引发了一场全球公共卫生危机 。 相对于指纹 、 刷卡等接触式身份识别模式 ， 人脸识别等非接触式识别模式更适用于当前受新冠病毒影响的全球公共卫生环境 ， 减少病毒通过接触感染人群 。一方面 ， 人脸识别技术结合红外体温监测技术 ， 获取人员身体健康状况信息 ， 能及时反馈并控制疫情源头 ； 另一方面 ， 监控系统的全面布控 ， 可检测获取重点人员流动信息 ， 帮助政府防控管制措施做到有的放矢。目前全球公共卫生环境形式依旧严峻 ， 根据智源发布的 《 人脸识别与公共卫生调研报告 》 显示 ， 受访者普遍赞同加强人脸识别技术的能力 ， 81.9% 的人同意增强对戴有口罩的人的面部识别 。 为完善疫情防控体系 ， 进一步阻断传播源 ， 戴口罩人脸识别技术的新需求浮出水面 。计算芯片技术发展 ， 支撑人脸识别大规模应用。人脸识别算法的工业应用和算法性能除了自身模型性能外 ， 依赖于算法运行的硬件芯片环境 。 以英伟达的 GPU 和英特尔的 CPU 为代表的通用架构芯片作为人脸识别算法训练和推理最常用的计算资源 。同时 ， 为了满足人脸识别应用场景的不断拓展和数据量的急剧增长对算力的强烈需求 ， 基于领域专用架构 ( Domain Specific Architectures, DSA) 理念的行业专用定制芯片凭借着对特定领域的算法优化 ， 可以充分发挥计算资源和算法模型的效能 ， 已经被部分厂商应用于人脸识别算法的训练和推理应用 ， 如海思 、 依图 、 寒武纪等企业推出的云端计算芯片 ， 可以逐渐替代 GPU 成为其人脸识别技术应用的主流计算资源。近年来 ， 信息量的爆炸式增长给数据传输存储及中心计算带来了巨大的压力 ， 边缘计算应运而生 。 随着 AI 芯片技术的飞速发展 ， 边缘计算设备的算力不断提高 ， 越来越多的计算由边缘侧承担 。 一方面 ， 边缘计算能有效缓解带宽承载 ， 提高计算传输效率 ， 满足实时响应需求 ， 增强数据安全性 ； 另一方面 ，模型压缩及加速技术以及适合人脸识别算法运算的专用 AI 芯片不断完善 ， 边缘设备的人脸识别算法精度持续提升 ， 目前基于 AI 芯片的边缘设备应用基本覆盖社区 、 学校 、 医院 、 园区 、 交通等场景 ， 支撑人脸识别的大规模应用 。云边端协同部署 ， 人脸识别应用迎来新场景新模式。云边端的协同部署模式将人脸识别应用模块分摊到各部分 ， 通过前端边缘计算实现布控报警 ， 边端对人脸特征做聚类分析 ， 云端汇聚有效信息 ， 进行大数据对比分析 ， 开展调度工作 。云边端协同部署方式缓解了云端压力 ， 支持业务分级响应 ， 云边结合人脸识别系统通过对云端和边缘端资源的统一配置 、 管理 、 调度 ， 融合了边缘计算敏捷性和云端大数据全局性的优势 ， 使人脸识别系统在带宽 、 并发数 、 响应速度等维度性能全面提升。在未来 ， 边缘端设备的视频编码能力和视频特征抽取能力将进一步加强 ，AI 应用也会将越来越多的计算承载分摊到前端 。 云端则由人像系统 、 视频结构化系统 、 人脸人体聚类分析等服务组成 ， 通过分析 、 聚类 、 归档形成各种主题库 ， 跟各种业务应用打通 ， 满足更多复杂场景下的智能化应用需要。算法技术国际领先 ， 国内市场竞争激烈。从全球竞争格局上看 ， 中国公司在人脸识别算法上具备相当大国际竞争力 。从最新 NIST 主办的人脸识别算法测试 FR 町来看 ， 参加评测的供应商有 207 家，其中中国大陆供应商有 31 家 。 在其公布的几个主要测试集上 ， 共有 7 家中国人脸识别算法供应商取得过前三 ， 5 家取得过第一 ， 且在近一年内保持这一优势 。 总体来说 ， 中国的人脸识别算法在国际上已处于领先地位 。国内市场竞争激烈一方面体现在竞争厂商多 ， 包括传统安防企业 、 AI 初创企业和平台生态企业 。 传统安防企业从安防市场出发 ， 对安防视频行业的痛点和客户需求理解较深 ， 拥有产品+集成的优势 ， 已构建起很强的规模效应壁垒 。AI 初创企业主要是一些新兴的专注于做算法的计算机视觉 （ CV ） 初创企业 ，以 AI 算法为核心优势 ， 同时兼顾 “ 硬件落地 ” 及 “ 产品化 ”。 平台生态企业 ，依托其强大的云平台以及云计算能力 ， 以云平台为核心横向切入 ， 整合合作伙伴的应用方案 ， 构建统一的生态体系 ， 并形成差异化竞争。国内市场竞争激烈另一方面体现在全产业链竞争 ， 从算法竞争延伸到芯片和平台竞争 。 主要市场参与者都已经加入 AI 芯片竞争中 ， 安防企业注重边缘侧和端侧的推理芯片 ， 初创公司更注重边缘侧推理芯片 ， 而平台生态企业则注重端 / 云一体 ， 构建从训练到推理的全栈 AI 生态 。 下游的竞争主要是应用层的竞争 ， 是生态的竞争 ， 是深耕行业的竞争 。四、人脸识别标准化1、 标准化组织情况国际标准化方面 ， 人脸识别标准化工作主要属于生物特征识别标准化分技术委员会 (ISO/IEC JTC1/SC37 ) 工作范畴 ， 其重点关注人脸识别基础标准 ， 如图示图标符号 、 样本质量等 ， 以及数据交换格式及符合性测试方法等。其它关注人脸识别的国外先进组织包括电气与电子工程师协会 ( Institute of Electrical and Electronics Engineers, IEEE) 、 美国消费技术协会 (Consumer Technology Association, CTA) 等,其关注的方向在于生物特征识别呈现攻击检测 、 人脸生物特征识别信息的性能评估等 。 ITU 与生物特征识别标准相关的主要是 ITU-T SG1 7 安全标准工作组下设的 Q9 和 Q10 。 Q9 主要关注在通信应用环境中应用生物特征识别及其标准化工作 。随着生物特征识别技术在电子商务 、 电子健康和移动支付领域中的广泛应用 ， 该工作组同样关注生物特征数据的隐私保护 、 可靠性和安全性等方面的各种挑战 。 Q10 关注身份管理架构和机制 ， 部分标准项目与基于生物特征识别身份认证相关 。 进几年 ， ITU-TSG16 媒体工作组基于视频监控 、 机器视觉等应用场景 、 功能需求 、 业务需求 、 性能需求以及安全需求 ， 在 Q12 、 Q21 等课题组先后开展人脸识别标准的研究和制定工作 。国内组织方面 ， 主要是全国信息技术标准化技术委员会生物特征识别分技术委员会 ( SACOC28/SC37 ) 和全国安全防范报警系统标准化技术委员会人体生物特征识别应用分技术委员会(简称 SAC/TC100/SC2 ) 负责生物特征识别标准的制定 。 其中 SACATC28/SC37 成立了人脸识别 、移动设备生物特征识别等多个工作组 ， 发布了人脸样本质量 、 人脸图像数据交换格式 、 移动设备人脸识别等标准 。 SA5C100/SC2 发布了视频监控 、 出入口控制等公共安全领域的多项人脸识别标准 。此外 ， 国内组织方面 ， 全国防伪标准化技术委员会 ( SAC/TC218 ) 发布了国家标准 《 生物特征识别防伪技术要求第 1 部分 ： 人脸识别 》 。 全国金融标准化技术委员会 ( SAC/TC 180 ) 发布了国家标准 《 金融服务生物特征识别安全框架 》 ， 并且正在制定 《 人脸识别技术线下支付安全应用规范 》 等生物特征识别行业标准 。公安部社会公共安全应用基础标准化技术委员会发布了行业标准 《 视频图像分析仪第 4 部分 ： 人脸分析技术要求 》 。 全国信息安全标准化技术委员会 ( SAC/TC260 )发布了国家标准 《 信息安全技术远程人脸识别系统技术要求 》 等。2、标准制修订情况国际标准化组织和其他国外先进标准组织人脸识别相关的标准统计情况见下表。▲ISO 国际标准统计表我国人脸识别相关的标准情况见下表。▲我国人脸识别相关的标准情况见表智东西认为，当前 ， 我国的人脸识别技术与应用在国际上处于领先地位 ，在科技金融 、 智慧安防 、 智慧交通 、 民生政务 、 教育考试 、 智能家居等多个领域得到了广泛应用。但是，近一年人脸识别技术也出现了很多不良影响，“售楼处暗藏人脸识别”、人脸信息泄露等问题屡见不鲜。随着技术门槛的逐步降低，加强安全技术的研发和应用，完善相关的法律法规变得尤为重要。

《2018年监管科技发展研究报告》阐述了中国监管科技发展现状，分析了监管科技五大应用场景的必要性、技术及应用案例，最后展望了监管科技的发展趋势。 文/薄纯敏 亿欧智库分析师监管科技的英文为RegTech，由监管（Regulatory）和科技（Technology）组成。据CB Insights数据显示，截至2017年10月初，17%的企业应用监管科技解决方案，2017年金融业预计在监管科技方面支出达1000亿美元。相较于国外已有的探索和实践，中国的监管科技仍处于萌芽状态，对监管科技的认识研究多以学术研究为主，实际应用监管科技的企业寥寥无几。亿欧智库基于大量桌面研究，通过分析调研国内外监管科技企业的产品及服务，撰写了《2018年监管科技发展研究报告》，以期为金融机构及业内相关人士提供思路借鉴。本报告主要分为三部分：第一部分，对监管科技进行了概述；第二部分，从必要性、技术及应用案例三个角度分析了监管科技五大应用场景——交易行为监控、合规数据报送、法律法规跟踪、客户身份识别、金融压力测试；第三部分展望了监管科技的发展趋势。监管科技概述监管科技生态主要有三大参与者：监管机构、金融机构及监管科技公司。其中，监管机构与金融机构是监管科技的需求方，监管机构利用监管科技提升监管效率，金融机构利用监管科技更有效、更高效地满足监管需求监管需求；监管科技公司是监管科技的供给方，通过挖掘监管机构与金融机构需求，建设算法等技术能力以及通用技术平台，为监管机构及金融机构提供满足监管合规的技术服务。2008年金融危机以后，世界各国的金融监管趋严。面对不断上升的合规成本，以英国、美国为代表的许多金融大国开始借助监管科技手段以降低合规成本。目前全球已有6000多家企业提供风险管理，合规控制等服务。据2018年联邦金融分析公司预测，全球对监管、合规等的金融科技需求还将继续扩大。近年来，中国互联网金融发展迅速，也暴露了越来越多的风险问题。金融业要实现稳定繁荣发展，必然需要使用更快捷、更合理的监管手段。目前只有部分金融科技公司和金融机构开始涉足监管科技领域，大多数的金融机构仍采用传统合规的方式应对不断修改完善的金融监管条例。总而言之，中国目前的监管科技仍处于萌芽状态，对于监管科技的认识研究多以学术研究为主，实际应用监管科技的企业寥寥无几，是一片仍待开发的蓝海市场。监管科技五大应用场景亿欧智库根据德勤2017年报告《The Regtech Universe On The Rise》中监管科技五大服务领域：在金融机构与客户的交易活动方面，监管科技可以应用于KYC场景和交易行为监控场景；而作为银行等相关金融机构经常使用的模拟技术，金融压力测试（Stress Test）也是监管科技落地的一大场景；在金融机构与监管机构的合规方面，金融法律法规的跟踪和合规数据报送也是监管科技的两大应用场景。交易行为监控：面对纷繁复杂的互联网数字金融时代，为维护消费者利益和维持金融体系稳定，需要在交易过程中进行反洗钱、内部交易等可疑交易行为的监控。监管机构和金融机构可以借助大数据，云计算等技术进行实时监控，完整覆盖交易前中后全过程，最后以可视化的呈现方式提供指导意见。合规数据报送：金融机构由于监管法律法规的合规性要求，导致金融数据统计的维度和口径不一致，合规数据的标准化和数字化成本较高。监管科技可以应用在合规数据的标准化流程中，利用多种新技术帮助金融机构清洗加工数据，自动生成合规报告。法律法规跟踪：随着监管法规条文增加，监管形势趋严，传统应用专业合规人员的成本上升。通过人工智能和大数据技术对海量的法律法规实现自然语言处理，帮助金融机构进行法律法规跟踪，改变传统的人工合规方式，降低合规成本，提高合规效率。客户身份识别：客户身份识别是金融监管中识别风险、防控风险工作中重要的环节。传统的客户身份识别主要靠人工，借助机器学习、自然语言处理、生物识别技术等技术，可以提高客户识别效率，预警一切可疑客户与可疑交易行为。金融压力测试：跨界金融增加了金融风险，为了及时发现潜在风险并采用相应的应对措施，金融机构可以借助人工智能、大数据等手段，更加精准地模拟真实情境下的金融状况，对金融机构进行极端条件情况下的压力测试，在多元化的模拟环境中进行金融新模式、新产品的创新实验。监管科技发展趋势亿欧智库认为，监管科技潜力巨大，虽然目前仍处于起步阶段，但是其发展后将给整个监管合规领域带来颠覆性的变化。抓住目前热度居高不下的区块链风口，未来智能化的监管科技将会是广受青睐的蓝海。同时，随着监管合规对于数据的依赖程度逐渐上升，监管科技智能化是必然趋势。监管科技ABC架构的顶层以AI服务呈现。云计算技术基于低成本的复制、可扩展的弹性、众人参与的开源等特性，是解决大数据问题的最实用的办法。同时，大数据和云计算又驱动了人工智能的发展。未来基于海量多源异构数据，随着机器学习技术的成熟，无论是监管端还是合规端，在数据处理与数据分析方面都将得到极大的提升。而且，通过AI和区块链结合，区块链智能合约还能够推动金融机构智能化调整并符合监管规范，降低了监管当局的政策法规成本，在智能化过程中促进动态合规，让监管科技和监管政策能够智能化应变、协同化调整。更多报告详情见亿欧智库：https://www.iyiou.com/intelligence/

中国人工智能行业于2000年以后增长迅速，预计到2025年，市场规模可以达到4000亿元，同时，在金融、安防、娱乐、医疗等多个领域都有落地，并整体呈现出综合化、和复杂化的趋势。未来，脑机交互技术将会显著提高交互带宽，推动人工智能在多个行业的应用。(《艾媒咨询|2020年中国人工智能商业化应用专题研究报告》完整高清PDF版共50页，可点击文章底部报告下载按钮进行报告下载)核心观点发展前景：中国人工智能市场规模预计2025年达到4000亿元中国人工智能起步于上世纪70年代末，在2000年以后开始迅速增长，2016年以后，人工智能成为国家战略，产业发展前景广阔。预计到2025年，市场规模可以达到4000亿元。应用场景：金融和安防领域率先突破，娱乐、医疗等行业有望成熟中国人工智能率先在金融和安防这两个有大量数据沉淀的行业展开应用，同时也成为智能家居的重要支撑技术。未来，随着算法的进步和算力的增加，人工智能的商业化落地会越来越多，有望在娱乐、医疗等多个场景的应用加速。技术前沿：脑机交互有望提升人机交互带宽人机交互方式从最初的按键、触摸屏发展到如今的语音助手、手势识别，其带宽在不断增加。脑机交互通过脑机接口捕捉脑电波从而实现对物体的控制或内容的输入，能有效提高交互带宽和反应灵敏度。同时，脑机交互由于技术原理的不同，可以给人工智能在诸多领域的应用增加新的内容和形式。应用趋势：综合化和复杂化是人工智能的应用趋势随着人工智能在智能家居、智慧物流等领域的商业化加速，人工智能的应用呈现出复杂化、综合化的特点，而不是早期的单一场景、单一技术的零散运用。综合化和智能化提高了人工智能的价值，使得人工智能与实体产业实现深度融合。利好因素：数字经济的发展催生出对人工智能的需求，也为其应用提供基础数据、算法和算力是人工智能的三大基础，由于互联网的发展，流量和数据量的大规模增加，以及政策对5G、IDC等行业的支持，数字经济成为当下的热点。企业的数字化进程必定催生出更多的人工智能需求，同时，也为其发展与应用提供了基础。以下为报告节选内容中国人工智能发展历程人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。这一概念在1956年被提出，整体上历经三次繁荣期，两次低谷期。中国人工智能起步较晚，萌芽于上世纪70年代末，随着互联网的蓬勃发展及技术的创新和应用，近年来中国人工智能逐渐落地，进入快速发展时期，已发展成为国家战略。中国人工智能技术商业化演进：智能语音人工智能最核心的技术包括智能语音、机器学习和计算机视觉。中国智能语音技术的商业化开始于2011年百度、科大讯飞等智能语音应用的推出，随着技术的成熟，中国智能语音市场应用领域不断拓宽。从2017年起，随着语音识别性能的提升和市场教育的完成，基于语音交互的垂直场景应用蓬勃发展，未来 1-3 年将迎来高速发展阶段。中国人工智能技术商业化演进：机器学习中国人工智能在机器学习方面随着算法精确度的提高，应用领域和商业化规模不断扩大，并在互联网巨头的带动下加速商业化进程。中国人工智能商业化发展经济环境分析传感器、AI芯片等工业是人工智能的上游产业，且人工智能应用需要集成工业产品，如机器视觉的应用需要工业相机、图像采集卡、光源、镜头，机器视觉集成商还需要机械设备。同时，工业也是人工智能的应用领域之一。中国的工业增加值当月同比在今年三月份以后逐步恢复到正常区间，说明人工智能商业化发展的经济环境已经处于良好状态。中国人工智能商业化发展政策环境分析2015年以来，国家开始重视人工智能的重要作用，一些利好人工智能的国家和地方重要政策和文件开始发布，人工智能上升为国家战略。中国人工智能商业化发展社会环境分析数据显示，随着人口结构的变化和社会的发展，企业的用工成本越来越高，促使企业寻求数字化转型，通过应用人工智能减少用工成本，提高效率，为人工智能商业化发展提供了有利的社会环境。中国人工智能产业链图谱中国人工智能产业规模爆发式增长，发展潜力大数据显示，2019年中国人工智能核心产业规模超过510亿元，预计在2020年超过1500亿元，未来呈现爆发式发展趋势。中国人工智能产业在政策、经济、社会、技术等方面共同推动下市场发展潜力巨大。中国人工智能投融资规模增长迅速数据显示，2014年以来中国人工智能产业融资规模不断扩大，并于2018年达到高峰，融资规模达到1311亿元，2019年中国人工智能产业融资规模为898亿元。人工智能技术的发展吸引了大批资本，资本持续看好中国人工智能产业发展。中国人工智能商业化热点分析：AI抗疫与复工2020年，在新冠疫情的影响下，中国人工智能加速落地，助力抗疫与复工复产，AI病毒基因检测、AI测温、AI医疗影像分析、智能机器人等在各地各领域推广普及。中国人工智能商业化热点分析:脑机接口脑机接口作为国内外前沿的技术，因其能使人类与人工智能深度融合而受到关注。近年来脑机接口技术在硬件、算法、范式等方面均取得了阶段性的研究进展，对推动脑机接口领域的发展和技术理论的完善起到了重要作用。2020年8月底埃隆·马斯克在Neuralink年度发布会上展示的最新侵入式脑机接口技术引发广泛关注和争议，也标志着脑机接口技术取得新进展，推动脑机接口在未来的落地应用。中国人工智能商业化地域分布数据显示，截止到2019年年底，中国人工智能企业共有797家，占世界总数的14.8%，从数目上来看仅次于美国。从地域分布上来看，主要分布于京津冀、长三角和珠三角地区，具体主要分布于北京、广东、上海和浙江。中国人工智能商业化驱动力分析中国人工智能商业化挑战分析：技术中国人工智能商业化主要面临技术、场景、安全和社会规范三个方面的挑战。从技术层面上来说，人工智能商业化面临的挑战主要是算法高度依赖数据标注以及深度学习算法的局限性。中国人工智能商业化挑战分析：场景从场景落地层面上来说，目前人工智能仅在安防、金融等部分具有数字化和标准化基础的行业领域落地，在其他领域的商业化落地效果并不理想，因此在人工智能商业化过程中，数字化改造是重要前提，在一些领域的智能化业务的标准还有待建立。中国人工智能技术商业化应用：智能语音智能语音市场分消费级和专业级。消费级主要包括智能家居、智能可穿戴设备、智能车载以及智能手机，专业级主要应用于医疗、教育、呼叫中心等。这些市场处于高速发展期，智能语音在其中起到了重要的推动作用。中国人工智能技术商业化应用：机器学习机器学习在国内主要以平台的形式提供服务，服务的客户主要包括金融、工业、教育等领域。云平台可以为用户提供数据统计分析、数据挖掘、大量的算法模型、评估模块等，这些云平台促进了人工智能的应用，提高了用户的效率。机器学习未来的主要应用场景包括金融、自动驾驶、医疗健康、零售业和制造业等。中国人工智能技术商业化应用：计算机视觉数据显示，计算机视觉的主要应用领域是安防，市场占比达68%。其次是广告营销、泛金融领域(如身份认证、云服务等)。随着技术的成熟，计算机视觉在医疗影像、工业制造等创新领域的应用正逐渐扩大。中国人工智能行业商业化应用目前，人工智能应用较为成熟的行业是金融和安防领域，这些行业本身有大量的数据积累，而随着人工智能技术的进步和社会环境的发展，人工智能应用领域逐渐向智慧医疗、智能家居、娱乐等领域拓宽。中国人工智能行业商业化应用：金融业传统的金融行业沉淀了大量的数据，因此中国人工智能在金融业的应用较早，应用范围比较广泛。典型的应用主要为贷款公司的风险控制和资金回收、面向个人投资者的智能投顾、面向二级市场的智能投研等，另外，金融机构(如银行等)网点的引导机器人也受到市场关注。中国人工智能行业商业化应用：安防安防是中国人工智能商业化落地最快、最成熟的行业，人工智能在安防行业主要应用的是计算机视觉技术和知识图谱技术，商业化应用场景多样化，主要分为公共安全及民用安防两类。中国人工智能行业商业化应用：智能家居人工智能、物联网和云计算是智能家居的三大关键技术。智能家居与人交互依赖语音识别、计算机视觉(如生物识别)等人工智能技术来支撑，另外，人工智能算法的进步也提升其智能程度。例如，把智能家居被动地接收指令转为主动感知、调整，智能程度上升的同时，用户体验也进一步提升。目前中国智能家居落地多样化趋势明显，行业发展推动家居全屋智能化。中国人工智能行业商业化应用：娱乐VR和AR作为智能娱乐的主要技术，在国内娱乐领域应用越来越广泛。目前，视频游戏和视频娱乐是VR和AR最大的应用场景。AR核心技术之一就是SLAM算法，这种算法可以实现对每一帧画面实现定位和构图，目前有前沿研究把深度学习引入到SLAM算法之中，使得AR能够理解更多信息。中国人工智能行业商业化应用案例：脑陆科技现阶段非侵入式脑机交互主要分为EEG和FRMI两种技术手段，其中，脑陆科技是国内EEG中的头部企业。脑陆科技成立于2018年，专注于脑科学、脑电算法、脑电数据开放平台、类脑决策计算等脑科学前沿科技应用。其核心优势是算法、硬件和数据三位一体的生态闭环，具备独立的硬件设计和边缘计算研发能力，使其面对终端用户时有较强的适应能力。脑陆科技的产品可以为人工智能娱乐、金融、安防、医疗多个场景的应用带来新的内容。例如，在金融和养老社区，可以提供与传统体检不同的脑与精神健康筛查，深入社区、家庭，筛查内容多，适用范围广，结果快速、精准。脑机交互或将使人机交互带宽显著提高人机交互最初是通过鼠标和键盘，触控技术发展以后触摸屏成为新的交互方式。人工智能的发展使得智能语音、动作识别等更新的交互方式得以广泛应用，此外，柔性显示、3D电视机等技术也在同步发展。未来，脑机交互技术有望成为人机交互的主流方式之一，并显著提高交互带宽和反应速度。同时，5G的发展也为交互带宽的增长提供条件。人工智能应用趋向综合化和复杂化当前的人工智能应用主要是智能语音、人脸识别等单一场景。随着智能家居、智慧物流等新的应用场景的成熟，人工智能的应用将会呈现出复杂化和综合化的特点，使得人工智能的价值也得以提高。人工智能开源化促进其与实体经济融合当前，越来越多的企业选择将自己的人工智能技术开源。平台、硬件和底层技术的开源可以使实体经济内的中小企业更快地学习基础算法及思路、缩短开发周期，从而使得人工智能的应用得到量的增加，同时，企业的个性化开发也促进人工智能的商业化进程。本文部分数据及图片内容节选自艾媒研究院发布的《2020年中国人工智能商业化应用专题研究报告》。