分几个方面分别的论述一下人脸識别的技术和产业发展的相关状况

第一，人脸识别技术的价值在哪里

我们把人脸作为一个生物学特征，作为一个商业化运用只是备選的一个方案之一。

生物学当中唯一的判断的标准，其实识别从精准度的角度和不可替代的角度来讲最精准的是虹膜，但是虹膜的识別采集成本非常高识别的效率相对不是很高，需要等待的时间

所以这两个条件约束了整个的产业化运用只能局限在相对小众的，对识別要求极高的军工、国防等安全性非常高的远的投入不适合大范围的推广。

我们知道指纹的唯一性比较强指纹同时采集成本是比较低嘚，比对成本也不高

但是为什么指纹没有成为一个特别大的可供支付、刷脸可替代的方案呢？实际上主要的原因是因为指纹的可复制性是一个静态图像之间的比对，现在我们可以看到淘宝也好各种各样的大量的指纹贴，指纹膜可复制的特征，不适合支付

所以指纹現在也大致上被pass了。

第三和第四分别是人脸识别和声音识别技术

这两个在现在横向来相比，采集成本和比对的效率以及生命特征的唯┅性来讲，性价比比较高

所以现阶段来看，人脸识别浮出水面是有它的道理的，这是它的价值

商业特征的应用场景到底在哪里。

人臉识别的应用场景是非常宽泛的现在主要两块，一个是金融行业一个是安保行业。

金融行业已经从马云的蚂蚁金服演示中看到了场景，通过刷脸进行支付显然刷脸可以付钱了，为什么不可以签收快递呢下一步淘宝应该会把淘宝签收快递的功能打通。

我相信有一天我们会收到无人机送来的快递，无人机在你的面前拍一张照片进行对比，就知道这个用户就是需要的用户完成整个的支付过程。

实際上这种场景是经过多方面的讨论和认证的。

基于这样的场景是跟第三方的支付认证相关的，包括我们看到的腾讯的银行第一张远程开卡，就是通过人脸识别的技术把人证合一进行认证，这样远程开户远程开卡的功能，在我们的券商在我们的网络银行上面，应該有广泛的应用

对于安保行业来说，刷脸开门现阶段，人脸识别的应用应该说达到了一个可具备商业化的水平我们举个例子，在去姩的时候香港有一个导演叫许鞍华，他在南京地铁中丢了一个他的皮包这个案件的破获，只花了5个小时

视频监控里面获取了一张照爿截图，截到了嫌疑人的照片是极其模糊的，侧脸的照片如果肉眼比对，发现不了什么

但是有一家非上市公司，在这里不能提供他嘚公司名称他们通过一个图像还原技术，把那个照片还原出可能嫌疑人的样子清晰照，用这个照片到图库当中比对锁定嫌疑人的身份，把嫌疑人抓获只需要了5个小时的时间。

现在安防领域的监控我们可以看到各个省市以及地级市，都在上大量的视频监控人脸识別的大平台。

在整个安防的投入当中上一代的安防只是静态的记录下来数据，但是下一代的安防是对实时数据的采集、辨认，就是一個核心的技术这个技术，人脸识别在其中发挥的作用是很大的

我们再拓展一下，未来的商业用途到底有没有第二代人脸识别技术的潛在的应用的场景呢。

我们说在未来应该说原来整个确定身份的身份证，但是证和人的比对需要人工来完成

如果我们直接界定，达到叻这样的一个标准实际上每个人所对应的唯一的ID就是脸部的生物特征。

这个识别了以后所有的地方都可以用刷脸的方式，所有的地方嘟可以用刷脸去开门用刷脸去做各种各样的事情。

你刷脸的数据包括你去坐火车、坐飞机、去哪儿吃饭、购物、收快递等等，这些数據都会掌握到人脸识别中刷脸的数据将取代现在线上的点击量.

现在信用卡、银行卡消费的数据，其实有助于知道用户消费习惯和消费数據做大数据的营销和征信，但是刷脸时代来临之后这个的价值更大了。

有很多张卡但是只有一张脸，这是唯一的

刷脸数据是2.0时代當中，我们重点看到的

为什么在这个时间段，人脸识别的技术会大范围的爆发出来大范围的应用起来，成熟度到底怎么样呢我们首先要界定一下人脸识别技术要达到产品化的应用，是两阶段的过程

第一阶段，需要获取大量的样本数据这些数据是用于训练的，训练嘚是学习算法这个是深度学习算法，把这些数据和相互人之间的关系提取出来进行一个特别的比对。

耦合度高超过一定的水平之后，我们会认定这两个人是一个人但是这个模型是需要投入大量的成本，这个成本包括优化的成本包括数据训练的成本，包括运算的成夲我们当时人脸识别的一个业内的公司，这家公司的创始人曾经说，人脸识别的技术意味着什么呢太上老君的炼丹炉，有了这个炉の后大数据是炉子炼的原料，解决计算能力资源的稀缺

因此这些合在一起，形成了现在人脸识别大爆发的时代就是我们说的技术上嘚突破。

但是在产业上面的应用来看目前我们可以看到，美国和以色列的人脸识别特别是动态识别的水平是国际领先的。

全网的实时監控当中FBI在去年推出了他们的下一代的电子识别系统，总的投入是超过10亿美金的

在美国将来无论是在什么地方犯了事，监控锁定犯罪嫌疑人进行全网追捕。

国内是什么水平呢顶尖的学术水平，就代表着国内产业发展的阶段

目前主要是三种力量，一个是清华大学的蘇光大教授他是中国的人脸识别之父。

第二个是中科院的自动化所的李教授他早年在微软的亚洲研究院当中获得了非常高的成就，后來到了中科院的自动化所专攻人脸识别。

在奥运会当中以及后来很多的人脸识别的应用当中，提供了比较好的技术

第三支就是香港Φ文大学的汤晓鸥教授的团队，每年会进行学术界的比赛他是高记录的保持者。

目前的识别率是超过了人类的脸部识别的总体水平汤敎授帮助讯飞在语音识别领域之后，在人脸识别的领域当中建立了自己的行业地位。

所以国内基本上目前是这样的发展阶段我们去推導下面的阶段，我们怎么去甄别人脸识别的技术到底哪一家靠谱，哪一家不靠谱我们可以提出一些关键的甄别的关键点。

第一我们偠区分的，动态和静态配合式的识别还是非配合式的识别

配合式的就是像蚂蚁金服那样的，需要数据的比对方进行配合可以很好的去采集正脸的二维的数据。

另外就是非配合式的，非配合式的没有办法对排除方的配合是需要随机采集的图片进行比对，这个识别的效果会差一些但是识别的时效性会很高。

这两种模式当中我们关注三点。

第一点你的人脸建模当中到底提取了多少个特征点进行比对，这个跟我们人脸上面的一些特征是关键节点每个人的差异很大，而你选取的特征点的数据越多比对的准确率就会越高。

我们也采访叻一些专家他们目前能够做到的特征点的比对，应该是在700个点以上

目前大部分做刷脸的门禁这样系统产品的公司，特征点的选取大概昰在50个左右

所以我们去做调研和交流，可以问一下整个公司人脸识别建模当中特征点的数量

第二点，人脸识别数据库的数据样本和大尛这是一个非常重要的指标。

样本及大小是我们可供的数据集，这些必须要对人脸比如说一个人有500张照片，拍的都是他的脸不同嘚角度和位置、光线，把这些数据进行合理的清洗供机器去训练包括比对和识别之后，可以告诉你是识别对了还是识别错了这样的样夲数非常重要，有助于训练提高模型的准确率。

因此可标签的数据样本集的大小这个大小目前至少是百万以上的级别，才会使得现在識别率能够提升到世界领先的水平这个也是可以甄别的关键点之一。

第三点是不是你的商业模式能够对你的整个的数据的获取，我们說人脸数据的比对形成一个正循环的模式。

实际上数据来源人脸的样本来源，是来源于两个非常重要的渠道美图秀秀和美颜照相机，这是一个商业的互换这个数据，因为考虑到做一个脱敏的处理剩下的只有几百个关键的特征点的数据，其他的都被略去用脱敏的技术之后，形成了从获取数据到训练模型再到优化模型，持续的反馈结果获取新的数据，这样的一个正循环的过程

有了这个以后，伱的模型的数据就会获取的很好了这是商业模式上非常重要的一个指标。

如果有了这三个指标之后应当说同时具备了这三个，可能是茬人脸识别领域当中有非常大的领先优势或者是未来发展潜力的东西。

同时我们在直观的性能方面去分析直观的到底识别的表现上有兩个非常重要的指标，一个是识别的准确率我们界定了刚才说的学术界当中，每年一比的人脸识别大赛现在基本上测试水平都在95%以上，但是是人和图片之间相互比对说明是这个人，这算一个再比对一个，又对了算第二个。

所有的人和照片都是匹配好的最后正确率在99.2%左右，这是我们说的目前的正常的比对方法

还有一个非常重要的方法，我们看到商业银行和淘宝在内的一些人脸识别的技术会提絀一个错误率的问题，这个数据目前来看可以做到十万分之一的错误率，别人拿着我的身份证去比对如果机器能够区分出来，是不通過这是对的。

如果机器把我的身份证给别人的时候也通过了这可能就是一个错误的，错误率要在十万分之一左右才可以目前能达到這样错误率的公司是屈指可数的，这是一个识别准确率的问题.

另外还是在多大样本中可以实现这样的准确率这个是至关重要的。

一个公司里面也就是两三百个人在这些人当中，挑选出来通过没有什么难度。

但是在公安部的大平台当中省级的平台当中，都是上亿人的身份证照片中要准确的挑出来十个或者是一百个候选人，这个范围缩小到这个概率当中你的准确率能有多大，这是一个很重要的指标

第二点，识别的速度问题

同样还是刚才我们说到的样本集的大小决定了识别的速度。

本身你在可供比对的样本中没有很大的数据，仳如说是成千上万的识别的数大家都是差不多，都是在1秒之内作出反映但是如果在一个上亿的大的样本当中，去把照片准确的识别出來这样对时间的要求，对效率反映的要求就提高了

所以识别速度是一个很重要的指标。

以上我们说了五个指标我们说这个确实是可鉯对公司的具体能力和技术进行综合判断的。

基于以上我们说的这些关注的公司是有识别技术的公司，这个识别技术是人脸识别的技术

我们前面讲了，本身国内发言的几支学术界的力量大家非常清楚来源于哪一支，背靠着哪一支强大的学术团队研究团队的力量，使嘚这家公司是一个很好的位置

比如说我们前面讲到的科大讯飞，在汤晓鸥教授的支持下他们的团队是学术界第一的力量在支持他们，這是一个资源性的优势

比如说川大智胜，这个和李教授他们有密切的合作同时他们自己在图象识别领域当中，也有自己独特的技术承担着国家大量的科研基金的项目，同时我们也特别强调一个就是川大智胜的人脸识别技术是目前我们看到的人机交互，因为这个和二維的平面识别有很大的区别优势非常明显，因为采集到了五官之间立体曲面之间的结合所以采集到的数据量更丰富。

可供比对的特征吔是更多的我们之前在视频当中找到拍到的侧脸，不清晰的照片很难去识别出来犯罪嫌疑人到底是谁，是因为我们二代身份证库当中本身就是只有正脸的可供比对的数据。

三代或者是四代身份证采集数据的过程当中生物特征肯定要被提取出来首先是指纹，三维的人臉识别会更快三代四代可能就会被提取。

一旦需要被提取到三维的人脸的数据那么这个时候川大智胜作为国内目前唯一一家有产品和技术的公司，面临的是广阔的市场

但是我们同时也要看到，三维人脸识别虽然有非常惊人的优势同时劣势也是非常明显的，特征点的選取包括侧脸的选取，是有难度的

同时表情的因素，其实对于数据处理的影响没有在立体表情的因素那么好，提取的时候效率是偏低的消耗的数据也非常大。

所以现在来看我们能够看到的应用场景目前还是小范围的，包括像美国对犯罪的有案底的犯人我们国内目前在监狱当中也逐步的推广，将来全民都要采集这肯定是一个非常巨大的市场。

同时这家公司在人脸识别公司当中技术特点和现在歭续的对三维人脸识别加码，有一个项目是1.8个亿要投入到研发当中，国家自然科学基金也已经持续的支持他们三维人脸识别的学术研究嘚项目已经支持了很多年。

所以在这个领域应该是到了开花结果的地步。

所以这一点我们特别提示大家要关注这个公司，在技术上確实是有稀缺性的

科大讯飞，就是典型的我们刚才讲的商业模式可以实现人脸识别数据正循环的公司，是拥有互联网端的入口的

之湔在语音的领域当中，讯飞语音云走的就是这样的模式我获取的是你语音的数据，用你的数据持续的训练我后台的算法使得他们提升囷保持和其他竞争对手的领先优势。

这样的话数据端的循环，从语音的这个领域当中复制到图像识别，就是人脸识别当中

大家如果關注讯飞，大家可以看到在上个星期的时候，推出了双重生物特征的识别的因素双重是什么呢？两重加密以后确实就是这个人，把絀错的概率降到非常低的水平

同时识别，双重加密之后这个身份验证的过程可以做到数量级上面的提升。

有了这样一种开放云的平台の后讯飞的数据正规化的过程也在逐步的建立，他下一步会和非常多的第三方的应用方合作包括可以刷脸开锁的智能硬件方面，包括囷电话银行电话客服，还有邮箱去实现他的数据入口的正循环的过程

我们核心的问题就是以上的这样的一些判断的标准来去甄别的。

峩认为讯飞实际上是非常有希望的人脸识别的公司

我们在报告当中，也提到了讯飞是一个生态级的公司不光是在人脸识别的这个领域當中有比较强的资源优势和技术优势，以及商业模式的优势

同时在我们整个的人工智能领域当中，讯飞超脑可以不断的用它孵化基于學习的模式，从语音迁移到现在的图像下一步迁移到语义当中，不断的做技术的衍生这样的生态链一旦形成的话，在人工智能产业的哋位是不可动摇的

所以人工智能整个的产业，我们想推的是科大讯飞

人脸识别的领域当中，讯飞的优势也是非常明显的同时我们也昰看好川大智胜拥有的三维人脸识别的技术。

其他的品牌公司我们可以看到欧比特收购的公司，在安防领域的人脸识别当中在监狱当Φ是超过50%的，在产品化方面也做的非常好

其他的两家，刚刚推出了自己的识别技术现在了解的信息当中，还没有办法很好的甄别他们現在是否拥有满足我们以上的五个标准

在以后的调研和跟踪当中，我们会对他们的标准进行梳理和进一步的分解

这是对识别类公司的汾析.

下一个阶段，我们觉得还有比较好的投资机会除了第一类识别类的，第二类应该是数据资源类的数据资源目前来看就是视频资源，有比较好的视频资源的公司可以通过视频资源进行持续的深度学习的算法和优化，也许他自己没有这个技术和能力但是可以通过技術合作的方式，找到研发团队或者是公司进行合作共同开发优势。

目前在视频资源当中的这些公司进行梳理的话我觉得东方网力在这個当中步子迈的最前。

目前产品端还是没有关于人脸识别成型的产品推出来但是他的应用是在于多年的视频数据的积累。

这个是和后期囿密不可分的关系

先收购了广州的安防领域的视频监控的智能化的公司，这个步子一迈出去布局的意图非常的明显。

摄象头公司会往視频的公司侵占后面的公司将来可能会往存储的环节去挤压，有可能将来会把分析和存储在一个环节当中就完成了这个时候面临的压仂是比较大的，所以转型的动力也是最迫切的意愿也是最强烈的。

所以总体总结下来现在人脸识别技术大爆发，并不是偶然的应该說很好的满足了我们讲的人工智能的三大条件。

深度学习的算法大数据和云计算，这三个条件成熟了以后在拐点到来的时候，大规模嘚商业化应用是水到渠成的

下一个阶段，基于计算机视觉的应用在视频监控领域当中，对人的行为模式的识别、跟踪和分析这些都會成为一个非常大的市场，成熟度还有待于进一步的检验

但是这个市场我们已经都看得到了，所以现在我跟大家探讨人脸识别的产业的發展机会我觉得其实大家需要关注的不仅仅在于人脸识别技术本身的发展，也不仅仅在于哪几家上市公司拥有哪几项技术而是看到背後代表的是整个计算机视觉的兴起。

人工智能报告当中也提到过计算机视觉的1.0版本，是对静态图像的识别2.0版本，肯定是动态视频内容嘚理解和学习包括像谷歌的无人驾驶汽车，包括报告里面提到过的以色列的那个公司也是纳斯达克上市的，他们用计算机视觉的技术實现了汽车的辅助的无人驾驶

在这个领域当中，实际上计算机视觉可供开发的应用非常丰富的

现在还有一个法律的问题，就是允许不尣许无人驾驶的汽车上路合法不合法的问题，大家不用担心这个问题

因为这个公司IPO的时候，这个公司的CEO说过一句话他说现在还在担惢无人驾驶的汽车上路合法不合法，但是我可以肯定的告诉你十年以后，人开车上路是不合法的这肯定是一个大的方向和趋势。

这就昰我从人工智能的领域延伸出来的人脸识别只是一个点，更多的还有待于大家去一点一点的发掘

为什么监控摄像头白天的效果还鈳以,到了晚上效果就很差了!会有许多雪花,人都不怎么看的清楚!