英亚手机版-2020人脸识别报告:上万家企业入局,八大技术六个趋势一文看尽【附下载】| 智东西内参 - 智东西_英亚手机版|官方唯一网站
 


英亚手机版|官方唯一网站

【英亚手机版】_🌈⚽提供真人娱乐场、老虎机、棋牌、彩票、体育bc、IM电竞牛及大玩家捕鱼游戏,多达上万种的选择,绝不让您感到乏味。

       
plate-parts/stats/display', 'stats' ); ?> 


英亚手机版-2020人脸识别报告:上万家企业入局,八大技术六个趋势一文看尽【附下载】| 智东西内参 – 智东西

本文摘要:人脸识别具有8个主要的技术优势和6个发展趋势,已渗透到生活的各个方面。

英亚手机版

人脸识别具有8个主要的技术优势和6个发展趋势,已渗透到生活的各个方面。编辑|智能事物的内部参考近年来,随着人工智能,计算机视觉,大数据,云计算,芯片等技术的飞速发展,人脸识别技术取得了长足的进步,并已成功应用于多种场景和大型环境。大规模商业技术的普及为经济社会发展和人们的日常生活带来了便利。从市场发展趋势来看,尽管人脸识别应用场景已经渗透到各种行业场景中,但是市场规模的增长趋势却相去甚远。

从算法竞争到整个芯片产业链,国内市场呈现出激烈的竞争态势。在技术发展方面,边缘SOC芯片计算能力的提高使得人脸识别系统中的部分或全部算法可以在边缘设备上运行,因此云端集成已成为人脸识别产品和应用的发展趋势。解决方案。在本期智能内部参考中,我们推荐国家信息技术标准化技术委员会的研究报告《 2020年人脸识别产业研究报告》,该报告从三个方面恢复了人脸识别技术的最新发展:技术特征 ,行业发展趋势和标准化状况。

如果您想收集本文的报告,可以通过在Zhishi(公共帐户:zhidxcom)上答复关键字“ nc515”来获取。内部参考期来源:国家信息技术标准化技术委员会原标题:《 2020年人脸识别行业报告》作者:姜辉等01.什么是人脸识别? 人脸识别(Face Recognition)是一种基于人体面部特征信息的生物识别技术,用于身份识别。近年来,随着人工智能,计算机视觉,大数据,云计算,芯片等技术的飞速发展,人脸识别技术取得了长足的进步,并已成功应用于多种场景。广义的面部识别实际上包括构建面部识别系统的一系列相关技术,包括面部视图采集,面部定位,面部识别预处理,身份确认和身份搜索等; 狭义的面部识别特别是指采用“技术”和“系统”来进行面部身份确认或身份搜索。

另外,某些应用场景可能涉及算法模块,例如质量评估和实时检测。人脸识别的应用模式主要包括三种类型:(1)。

人脸验证:确定两个人脸图像是否属于同一个人。它通常用于身份验证,例如个人身份验证。(2)人脸识别:给定一个人脸图像,确定它是否在注册表中,如果存在,则返回特定的身份信息,该信息通常用于静态检索或动态部署。

(3)人脸聚类:给定一批人脸图像,将同一个人的图像分类为同一类别,并将不同的人划分为不同的类别。常见的应用程序包括智能相册和一个人。

一档,依此类推。1.发展历史关于人脸识别的研究始于1960年代,进入1990年代的主要应用阶段,主要停留在学术研究和小规模实验室环境的应用中,直到2012年后深度学习的复兴。取得了历史性的进步,真正实现了大规模的商业化和普及,其识别能力已经远远超过了人类的常规识别能力。

目前,从全球人脸识别技术领域的应用场景布局的角度来看,安全,金融,交通,建筑等领域是相对成熟的领域,零售,广告,智能设备,教育, 医疗和娱乐。许多应用场景为经济和社会发展以及人们的日常生活带来了新的机遇。2.当前政策现状随着人工智能技术的飞速发展和经济发展的稳步发展,在大数据应用的领导下,人脸识别技术已广泛应用于智慧城市,安全市场等行业。

同时,人脸识别技术应用中涉及的监管问题也面临着越来越多的挑战。面对快速发展的人脸识别技术,我国制定了一系列促进其健康发展的政策。2017年7月,国务院发布了《新一代人工智能发展计划》(国发[2017] 35号),指出了建设安全便捷的智能社会,重点是行政管理,司法管理,城市管理。

,环境保护等社会治理热点和难点问题,促进了人工智能技术的应用,促进了社会治理的现代化。同时,着眼于综合社会治理,新的刑事侦查,反恐等紧迫需求,对基于视频图像信息分析识别技术和生物识别技术的智能安防警务产品的开发要求。

并提出了建立智能监控平台的建议。全国人大于2018年修订的《中华人民共和国反恐怖主义法》第50条提到:调查涉嫌恐怖活动的公安机关可以按照有关法律法规对嫌疑犯进行讯问,检查和传唤, 可以提取或收集肖像。

,指纹,虹膜图像和其他人体生物特征信息以及血液,尿液和脱落细胞等生物样本,并保留其签名。2019年9月,中国人民银行发布的《金融科技发展计划(2019-2021年)》(以下简称《计划》)明确提出要为互联网时代的移动终端建设可信赖的环境,并充分利用 受信任的计算,安全的多方计算,密码算法,生物识别技术和其他信息技术,建立和完善兼顾安全性和便利性的多样化身份认证系统,继续丰富金融交易验证方法,确保金融交易的安全性。移动互联网环境,并改善金融服务的可用性。

满意度和安全性水平。同时,《计划》还提出要加强需求领导作用,积极适应数字经济中市场需求的快速变化,并利用大数据,物联网等技术来分析客户在金融环境下的财务需求。

在确保客户信息安全和使用机器学习的前提下,诸如生物识别和自然语言处理之类的新一代人工智能技术,提高了金融多媒体数据处理和理解的能力,并创建了“ 文字”和“理解语言”,这也为脸部识别提供了安全的应用思想。2019年9月,工业和信息化部公开征求了《关于促进网络安全产业发展的指导意见》(《征求意见稿》),表示支持基于商业密码, 指纹识别和面部识别。着重提高支持网络安全管理和应对有组织的高强度攻击的能力,并阐明生物识别技术在网络安全行业发展中的重要性。2020年11月上旬,《中华人民共和国国民经济和社会发展第十四个五年计划纲要(征求意见稿)》(以下简称《征求意见稿》)正式发布。

明确提出要加速新一代信息技术,生物技术等行业的发展。促进互联网,大数据和人工智能等各个行业的深度整合,并培育新技术,新产品 ,新的业务格式和新的模型。发展数字经济,加强数字社会和数字政府的建设,提高数字智力在公共服务和社会治理中的水平。

同时建议协调发展与安全,建设更高水平的安全中国,加强社会保障防控体系建设。该计划的颁布为面部识别技术和该行业在未来5年的发展设定了目标和方向。在信息安全方面,2016年11月全国人民代表大会通过的《网络安全法》进一步完善了个人生物特征信息的管理,并进一步明确了其范围。中国国家网络空间管理局有关负责人表示,《网络安全法》的颁布实施,不仅保护了广大群众的切身利益,也促进了高新技术的应用,从而激发了人们对网络安全的认识。

互联网的巨大潜力。全国人民代表大会于2020年7月发布的《数据安全法》草案在数据上添加了“保护盾”,澄清了数据活动的红线,并将采取“数据主权,数据运营”形式的法律规定。

,以及将来的数据交易”。,促进数据时代的快速发展。国家坚持保障数据安全和发展,鼓励数据安全保护技术的研究开发,积极促进数据资源的开发和利用,依法保障数据有序,畅通。

2020年10月21日,全国人民代表大会颁布的《个人信息保护法(草案)》规定,个人信息是与以电子或其他方式记录的已识别或可识别自然人有关的各种信息; 处理包括收集,存储,使用,处理,传输,提供和披露个人信息的要求。02.技术细节1.面部识别技术的原理当今主流的面部识别算法主要包括五个步骤:面部检测,面部预处理,特征项提取,比较识别和活体识别。

其中,脸部检测,脸部预处理和特征项提取可以统称为脸部视图分析过程,即从视频和图像中检测出脸部,并通过图像质量判断选择合适的脸部图片, 并提取人脸特征向量。用于随后的比较和识别; 比较和识别处理可以分为两类:面部验证(1:1)和面部识别(1:N)。活体识别算法用于确定人脸识别过程中的人脸图像是否是从真实人体中采集的。

在实际应用中,除上述人脸识别算法外,前端视图采集技术,人脸数据存储技术和应用软件管理技术也是人脸识别技术应用中的重要技术部分。2.面部识别研究机构将面部识别作为最受关注的生物识别技术。国内外有许多研究所,大学,企业等机构进行人脸识别相关技术的研究,开发和应用。

截至2020年10月,根据企业搜索数据的统计,全国共有10,443家公司,其名称,产品,品牌和业务范围涵盖“面部识别”。从成立之日起,过去五年中,关联公司的数量一直在急剧增长。2019年建立了1,955个,到2020年10月之前将增加1,139个。研究机构。

面部识别技术受到学术和工业研究机构的广泛关注。全球范围内,有许多知名的学术机构从事人脸识别领域的技术研究。代表性的人脸识别技术研究机构包括斯坦福大学,加利福尼亚大学,伯克利分校,马萨诸塞州大学,牛津大学,多伦多大学,香港中文大学,自动化研究所,中国科学院,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方面取得突破的研究机构之一。由中国科学家李菲菲教授领导的计算机视觉实验室通过每年基于ImageNet数据库举行的大规模视觉识别挑战赛(ILSVRC),极大地促进了人脸识别和计算机视觉技术的发展。最近,斯坦福大学的一个研究小组开发了一种面部跟踪软件Face2Face,该软件可以通过摄像头捕获用户的动作和面部表情,然后使用Face2Face软件在视频中驱动目标人物做出完全相同的动作并 表达式。

效果非常逼真。该技术使用密集的光度一致性度量来实时跟踪源视频和目标视频中的面部表情。

研究人员声称,由于源材料和对象之间的变形能够快速有效地传递,因此有可能复制面部表情。由于嘴的形状与它所说的紧密匹配,因此可以产生非常准确和可信的贴合度。(2)加州大学伯克利分校。

加州大学伯克利分校是外国人脸识别技术研究的重要发源地。早在2005年,有关人脸识别的研究就开展了理论研究。其中,马毅于2008年出版了《人脸识别中的稀疏性和鲁棒性》,在Google学术搜索中获得了6321多次引用。

在深度神经网络被广泛使用之前,它是主流的人脸识别算法。本文将稀疏表示理论应用于人脸识别场景,提出了一种通用的人脸识别分类算法。这个新框架为面部识别领域中的两个关键主题(特征项提取和遮挡鲁棒性)提供了更好的理论指导。此外,实验室最近在理论方向上取得了一定的输出,例如使用低维模型处理高维数据和进行特征选择。

它提出了一种基于最小化条件的新特征选择方法(条件协方差最小化,CCM)。使用协方差算子的迹线进行特征选择,并获得了更为显着的效果。

(3)马萨诸塞大学。美国马萨诸塞州大学还是外国人脸识别技术研究的重要发源地。它开源了著名的面部检测数据库FDDB和面部识别数据集LFWo。

FDDB是世界上最权威的面部检测评估平台之一,其中包括2845个。共有5,171张面部作为测试集。测试集的范围包括不同姿势,不同分辨率,旋转和遮挡的图像,以及灰度和彩色图像。到目前为止,FDDB发布的评估集仍然代表着世界上最高的面部检测水平。

马萨诸塞州大学还在2007年建立了人脸识别评估数据集LFW,以在不受约束的条件下评估人脸识别算法的性能。到目前为止,它是人脸识别领域中使用最广泛的评估集。该数据集包含来自世界各地的名人的超过13,000张面部图片,这些图片在Internet上具有不同的方向,表情和照明环境。

总共有5,000多人,其中1,680人拥有两张或更多人脸图片。每张脸部图片均以其唯一的名称ID和序列号来区分。LFW测试的准确性代表了人脸识别算法在不同种族,灯光,角度和遮挡条件下识别人脸的综合能力。

(4)牛津大学。牛津大学VGG(视觉几何)小组实验室于2015年开始进行人脸识别研究,包括发布有影响力的人脸数据库和研究深度人脸识别算法。BMVC实验室于2015年发布的“深脸识别”论文已获得Google学术搜索的3600多次引用,并且发布的VGG-Face已成为深脸识别领域最常用的数据库之一。

2018年,发布了大型人脸识别数据VGG — Face2。这是VGG-Face的第二个版本。它包含331万张图片和9131个ID,平均图片数量为362.6。

它涵盖了各种各样的姿势,年龄和种族。等待。

VGG-Face2已经发布了两年,并获得了800多次引用。另外,实验室最近在子方向上进行了一定数量的学术研究,例如面部识别的置信度预测和基于集合的面部识别。(5)多伦多大学。

加拿大多伦多大学是基于深度学习的面部识别技术发展的重要推动者之一。著名的“神经网络之父”杰弗里·欣顿(Geoffrey Hinton)是该学校的代表学者。

在Hinton的领导下,多伦多大学的研究人员将反向传播算法应用于神经网络和深度学习。通过应用该算法技术,人脸识别技术的识别性能有了很大的提高。最近,多伦多大学的研究人员在面部识别隐私保护技术领域取得了一些新进展,并开发了一种动态干涉算法来保护面部隐私。

该技术原理基于“对抗训练”。通过建立两个相互竞争的算法,当发现某种检测算法正在寻找面部特征时,干涉算法将自动调整这些特征以在照片中产生非常细微的干涉。通过这些干扰,阻碍了整个检测系统的检测效果。

(6)香港中文大学。香港中文大学汤小鸥教授率领的团队是多年来首创的中国第一支投资于深度学习技术研发的团队,该团队迅速取得了技术突破。2012年国际计算视觉与模式识别会议(CVPR)仅有的两篇深度学习文章来自其实验室; 从2011年到2013年,在计算机视觉领域的两次顶级会议ICCV和CVPR上发表了14篇深度学习论文,约占世界两次会议中深度学习论文总数(29)的一半。

他获得了2009年CVPR最佳论文奖,这是计算机视觉领域的两次国际顶级学术会议之一。这是CVPR历史上来自亚洲的第一篇论文奖。

(7)中国科学院自动化研究所。中国科学院自动化研究所是中国模式识别领域的领先研究机构。多年来,已经在面部识别领域进行了广泛的研究。

由自动化研究所研究员李自清领导的人脸识别研究小组提出了一种基于近红外的人脸识别技术,该技术在处理光变化的影响方面具有良好的效果,并将该技术应用于2008年北京的安全项目。奥运会。

自动化研究所的研究员孙振安团队提出了一种基于对抗网络的高保真姿态不变模型(HF-PIM),以克服人脸识别任务中最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视觉效果和定量性能指标优于当前基于对抗生成网络的最佳方法。另外,在原始方法的基础上,HF-PIM支持的生成图像的分辨率加倍。(8)清华大学。

清华大学是中国最早的人脸识别技术研究机构之一。自1980年代以来,清华大学的苏光达教授一直致力于人脸识别技术的研究。

苏教授提出了1:1图像采样理论和邻域图像并行处理机器理论,并在2005年通过使用多计算机并行处理技术显着提高了人脸识别处理的性能。该技术类似于多伦多大学Hinton小组于2012年提出的并行计算的使用,以提高反向传播算法的计算效率。同时,苏教授的团队提出了一系列面部识别理论和方法,例如最佳的二维面部,不同类别的多个特征描述以及MMP-PCA。

科技公司。在面部识别技术研究领域,许多技术公司也发挥了至关重要的作用。微软亚洲研究院(Microsoft Research Asia)较早开始研究人脸识别技术,并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;已经对面部识别技术进行了深入研究。自2017年以来,面部解锁功能已在其iphoneX手机上引入; NEC Corporation也是全球人脸识别技术的先驱之一,并且在人脸领域,从学术研究到工业实践,都已经提出了很早的建议,例如上唐,Megvii,Yitu和Yuncong等公司都已广为人知。

作为“人工智能的四小龙”,正在做基于面部识别技术的公共安全解决方案。在复杂场景,大规模处理等领域中的大量工作继续取得新成果;国内传统技术公司百度,阿里,腾讯,平安科技,海康,大华等,也在开发多种人脸识别技术。

深入的研究,结合其原始的业务领域方案,已取得了卓越的技术研究成果。3.面部识别技术的优势和局限性。在不同的生物特征识别方法中,人脸识别技术具有其自身的特殊优势,因此在生物特征识别中具有重要的地位。

(1)非侵入性的。人脸识别可以在不干扰人们正常行为的情况下实现更好的识别。只要您在镜头前停留片刻,就可以正确识别用户的身份。

(2)方便,人脸识别采集设备使用简单,快捷。一般而言,可以使用普通相机来收集面部图像,而无需特别复杂的专用设备。图像采集可以在几秒钟内完成。(3)友善。

通过面部识别身份的方法符合人类习惯,并且人和机器都可以使用面部图片进行识别。(4)非接触式,人脸图像采集,用户不需要直接接触设备。

另外,可以在相对长的距离处收集面部图像。配备光学变焦镜头相机,焦距可以增加到10倍以上,从而将景深范围扩展到50米远,以实现清晰的远景图片,并有效地收集远方人脸 图像。(5)可扩展性。

人脸识别后,通过下一步的处理和识别结果数据的应用,可以扩展许多实际的应用方案,例如在出入口控制中的应用,人脸图片搜索,通勤和刷卡,识别非法等各个领域。人。(6)。

隐藏力强。安全领域对隐藏系统有强烈要求。在这方面,人脸识别比指纹和其他方法具有更多优势。

(7)强大的后跟踪能力。系统记录的人脸信息是非常重要且易于使用的线索,更有利于后期跟踪应用。(8)精度高。

与人体,步态等特征相比,人脸特征具有较强的辨别力和较低的误报率,并且可以应用的基础库的规模要大得多。目前,它非常大。规模的人脸检索(十亿级)已经很实际了。

技术限制。由于相似的面孔,年龄,算法偏见,面临的场景多样化以及易于公开获取面孔图像,因此面孔识别技术也面临某些限制。(1)难以解决相似的面孔。外观非常相似的双胞胎或面孔容易出现识别错误,并且目前还没有新技术可以完全解决此问题。

NIST分析报告指出,在大多数情况下,双胞胎仍然可以区分高分和低分,但它们通常都超过阈值,并且在开放环境中的应用效果不佳。(2)算法偏差问题。

由于当前的面部识别算法在很大程度上依赖于数据样本,因此不同人群的面部数据样本存在差异,这导致算法识别不同地区和不同年龄的人的能力也有所不同。美国国家技术标准研究院(NIST)的检查显示,不同地区,种族,性别和年龄的人脸识别软件存在很大差异。例如,儿童,老人和其他很少见的种族或肤色的人脸识别率相对较低,因此这个问题亟待解决。

(3)人脸识别率容易受到许多因素的影响。现有的人脸识别系统可以在用户合作和理想的采集条件下达到满意的效果。但是,如果用户不配合,采集条件不理想,将会影响现有系统的识别率。例如,根据NIST测试报告,戴着口罩时,大多数算法的错误率将增加一个数量级以上,并且诸如年龄和广角之类的因素也会导致不同程度的下降。

(4)年龄变化的影响。随着年龄的变化,脸部的外观也会发生变化,尤其是对于青少年来说,这种变化更为明显。对于不同年龄段,人脸识别算法的识别率也不同。(5)安全问题。

人脸识别系统的信息存储也将面临黑客攻击。因此,数据加密非常重要。随着技术的不断进步,人脸识别技术需要在安全性方面得到加强。

同时,面部暴露程度相对较高,并且比其他生物特征数据更容易实现被动采集。这也意味着面部信息数据更有可能被盗,这不仅会侵犯个人隐私,还会造成财产损失。大规模数据库泄漏还可能给族裔群体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,它也在不断促进技术本身的不断发展。

基础算法研究,人脸重建技术,戴口罩的人脸识别技术,3D人脸识别技术,新人脸收集技术,人脸聚类技术和低质量人脸识别技术是工业界和学术界的热点。人脸识别技术。

基本的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。模型结构设计目前有两个主要思想:手动设计和网络结构搜索(NAS)。ICCV 2019轻量级人脸识别竞赛的结果表明,尽管大型模型场景中结构的改进相对有限,但轻量级场景中网络结构的改进对于识别率的提高更为明显。损失函数设计的核心是学习足够具有区分性和鲁棒性的功能。

近年来,基于度量的学习和基于余量的各种方法已逐渐成为主流。在特征提取加速方面,主要方法包括轻量级网络,模型汽蒸,稀疏量化等。在特征比较加速中,主要思想包括量化和各种近似最近邻检索技术。

低质量的人脸识别技术。在实际的动态应用场景中,由于场景的不可控因素,所采集的图像质量和人脸识别技术的训练图像的质量存在很大差异,例如人脸偏斜,侧面较大等。运动模糊和离焦模糊; 障碍物(例如口罩,太阳镜); 低光强度和对比度; 由于由于编码和解码处理等引起的面部信息的丢失,导致视频传输,这些因素导致准确性的极大降低。

针对这些特定问题,研究人员提出了各种图像增强技术和图像生成技术的综合使用,以提高人脸识别算法的准确性,例如使用对抗性生成网络来传递相机的样式以及 使用基于深度学习的方法。基于注意力机制的小尺寸模糊人脸超分辨率重建和人脸图像去模糊。

此外,3D人脸识别技术还可以有效解决复杂场景中人脸单峰鲁棒性不足的问题,例如由于效果降低而导致的大角度和遮挡。常用的融合策略包括相似度融合,特征融合和决策融合Wait。带面罩的人脸识别技术。

在今年的新冠状病毒流行期间,戴着口罩的面部识别受到了越来越多的关注。常用的解决方案包括数据增强,遮挡恢复,多组件模型融合等,可应用于人脸控制,陌生人检测和无意义流量。无需脱下口罩。在30万人的规模下,戴口罩。

面罩的面部识别精度可以大于90%。人脸聚类在个人收藏的管理和智慧城市治理领域中都有广泛的应用。在早期,它主要基于传统的聚类方法,例如k-means,但效果不佳。

近年来,出现了基于GCN的人脸聚类方法。在实际业务中,时空信息的挖掘也是研究的热点。特定的组识别技术。对于儿童/老年人和不同肤色的人群的面部识别,标记的数据较少,而未标记的数据较多。

研究人员提出,可以使用半监督/无监督学习方法来进一步提高性能。同时,对抗和领域适应等方法也是研究人员更加关注的方法。

在特定的群体识别中,应考虑如何促进老年人使用面部识别系统。为了防止诸如照片,视频和头部模型之类的假肢攻击人脸识别系统,攻击检测算法的提出也是一个热门的研究主题。主要的检测原理包括:a)离散图像检测方法,使用一个或多个图像进行判断; B)连续图像检测方法,使用连续图像序列进行判断,例如检测显示边缘,边框,屏幕反射,像素点,边缘分析等; c)用户积极配合检测方法,即要求用户通过说明完成相应的操作,例如点头,抬头,左右旋转,张开嘴巴,眨眼以及继续操作。屏幕提示作出判断; d)根据辅助硬件设备的检测方法,即使用辅助硬件设备获得更多的判断依据来辅助判断,例如使用深度相机收集人脸的深度信息或使用特定波长的光源来进行判断。

投影并检测在皮肤或非皮肤材料上产生的发射率差异; e)用户被动配合检测方法,例如:使用静脉血管,肌肉,骨骼和静脉血脱氧血红蛋白吸收红外线以确定其是否来自活体;通过特定的指导来指导用户的眼睛运动,并跟踪眼睛的运动以确定它是否是真实的生物。多模式融合识别技术。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的问题。例如,大角度,遮挡,低像素效果或要求高安全性和可靠性的应用场景,多模式可以提高识别的可信度。

多模式识别有两个发展方向。一种方向是在面部图像特征识别的基础上增加对头,肩膀和身体的识别。

该技术的优点是不需要额外的采集单元。另一个方向是,结合静脉纹理,声纹信息等其他生物特征识别方法,该技术不仅可以提高算法的鲁棒性,而且可以提高体内验证的可信度,并且在体内得到了广泛的关注。

行业。03.产业发展1.产业发展概况随着云计算,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,人脸识别技术日益成熟。在智能安全,智能城市,智能家居,移动支付和其他领域中使用的照明技术继续蓬勃发展,并且不断发现一些用于面部识别的新应用场景。

全球人脸识别行业的规模仍在以非常高的速度增长。根据MarketsandMarkets发布的有关全球人脸识别市场的报告,估计全球人脸识别市场将从2019年的32亿美元增长到2024年的79亿美元,并将在预测期内增长16.6%(2019年)。

-2024)的复合年增长率。在国内,中国的人脸识别技术投资在2017-2018年达到顶峰。

根据IHSMarkit的数据,2018年,中国在全球人脸识别市场中的业务占近一半的市场。从2019年到2020年,人脸识别技术的发展趋于平稳并进入合理时期。根据IT Orange的数据统计,到目前为止,中国人脸识别技术的总投资已达406亿元人民币。

前瞻产业研究院预测,人脸识别市场规模在未来五年内将保持23%的平均复合增长率,到2024年市场规模将超过100亿元。2.行业现状人脸识别产业链使用人脸识别算法作为中间层,其上游是设备,通用硬件和基本软件。

上游为人脸识别算法提供输入,培训,开发和操作环境; 下游是设备和产品,最终体现为解决方案,下游是人脸识别算法的产品形式。从产业链的上游,国内制造商(以华为和寒武纪为代表)在芯片设计方面具有强大的实力。在芯片制造方面,不包括手机和其他需要高精度芯片的设备,国内制造商具有制造能力。

芯片的功能。但是,高端芯片的制造工艺和基本部件被国外垄断,这已成为制约上游厂商发展的瓶颈。从面部识别算法的角度来看,国内制造商具有优势,但是数据隐私问题和种族/区域引起的算法性能公平性问题是国内制造商迫切需要解决的问题。

在产业链的下游,人脸识别应用程序变得越来越广泛,甚至发生过度滥用和用户隐私被盗的事件。黑客攻击和非生命攻击也对面部识别系统的安全性提出了挑战。用户隐私保护和安全性已成为制约因素,迫切需要相关的政策法规来规范市场。

基本设备:通用处理器。目前,通用处理器主要包括x86,ARM和RISC-V三个系列。x86处理器仍然是服务器端首选的主处理器。为了稳定起见,英特尔的至强系列产品在市场上占主导地位,而AMD的应用很少。

相反,由于局部替代和其他原因,国产海光和兆鑫x86处理器所占份额很小。ARM处理器是诸如手机之类的智能终端的首选。

随着性能的提高和软件生态系统的改进,ARM处理器已逐渐扩展到服务器。ARM还推出了一系列高性能内核和Server Reday认证,以支持该计划。用于智能终端的ARM芯片的代表包括HiSilicon的Kirin系列,高通的Snapdragon系列,联发科的MTK和Rockchip的RK等。服务器中使用的ARM芯片的代表包括HiSilicon的Lipeng芯片和Feiteng Tengyun S系列等。

RISC V是一种开源处理器体系结构。随着美国对中国高科技领域的压制,这种体系结构也已成为本地化的重要选择。

平头公司发布的Hyuntie 910芯片使用RISC-V架构,中天微电子和小米松果电子也在进行RISC-V相关工作。中国主流的通用处理器还包括采用MISP架构的Loongson和采用Alpha架构的神威。一般而言,在通用处理器领域中有相对丰富的选择。

以海思为代表的国内芯片设计公司已与成熟的国外芯片设计公司处于同等地位。主要问题是先进制造过程中芯片代工厂制造的风险。AI加速了SOC。

与使用GPU的通用并行计算不同,AI加速SOC是专用芯片,它通过专门为AI算法设计的内置加速单元实现了AI的高计算效率。它是一种专用芯片,随着人工智能的发展而迅速崛起。NVIDIA率先为GPU通用并行计算建立CUDA生态环境,使其成为AI登陆的最大计算能力提供商。

在AI的进一步发展阶段,适时推出了用于张量计算的TensorCore和用于深度学习的NVDLA加速单元。进一步巩固了其在AI加速领域的地位。谷歌依靠其软件优势,推出了与Tensorflow紧密集成的TPU,但是除了谷歌的大规模使用之外,它还没有在市场上得到广泛使用。

海思在人工智能加速领域也取得了巨大成就,先后推出了hisi 35xx系列芯片和圣腾系列芯片。定位端的hisi 35xx系列Al加速芯片倡导在一个SOC中设计图像+ AI,可提供0.5TOPS至4TOPS的计算能力,并在安全城市,交通,电力,人脸访问控制中广受青睐 ,汽车和其他市场; 定位边缘侧和云中心的Ascend系列AI加速芯片可以提供从16TOPS到512TOPS的计算能力,并具有高计算能力和低功耗的特点。

数据中心还使用了Bao Peng + Ascend专用服务器。以中国科学院为背景的寒武纪,凭借其在芯片领域的深厚积淀,成为第一家被列入科技创新版的AI芯片公司。

其MLU220和MLU270芯片可分别提供8TOPS和128TOPS的计算能力,并且也已在业界获得应用。除寒武纪外,还有许多初创公司进入了AI加速的SOC轨道,例如地平线之旅,初升的太阳筹码和Yitu的搜索筹码。

与通用处理器类似,许多国内制造商都可以设计顶级的AI加速SOC。主要风险在于先进工艺芯片的铸造制造。CMOS传感器。

视频图像的采集质量与人脸识别系统的准确性直接相关,而视频图像的采集与CMOS传感器密不可分。当前主流的CMOS传感器供应商包括索尼(SONY),三星(SANSUNG),Ominivison和安森美半导体等。

其中,SONY凭借其长期的技术积累(无论是消费电子产品还是安全性等专业应用程序)都占据了较高的市场份额。三星主要用于移动电话等消费类电子产品,而豪科技和安森美半导体则专注于安全性和汽车电子产品。家用CMOS的选择包括中星微电子,格科威等。

但是,它仍主要用于某些消费领域,例如USB相机,并且尚未进入专业市场。随着流行病的发展,对温度测量的需求迅速增长。热成像传感器是一种特殊的成像传感器。

由于具有双重用途的特点,国内传统供应商包括AutoNavi红外和Dali技术。海康威视通过创新的业务方法继续增加对热成像传感的投资。今年4月,它从福建安信半导体购买了光刻机,用于生产热成像传感器芯片。大华股份有限公司于2018年与FLIR建立了合作关系,以涉足这一业务。

内存芯片。存储芯片在智能终端中占据了很大一部分成本,包括RAM芯片和FLASH芯片,其中FLASH芯片可以进一步分为NOR FLASH和NAND FLASH。

通用服务器RAM芯片的供应商主要包括三星(SANSUNG),海力士(Hynix)等。由于规模效应,韩国供应商的地位很难动摇。嵌入式设备的选择更多,合肥长鑫和紫光半导体等国内制造商也在积极投资并进入生产阶段。

与广泛用于SSD的NAND FLASH相比,NOR FLASH相对来说较为小众,主要用于嵌入式设备。我国的昭仪创新是该领域的主流供应商之一,占据世界第四位。

与RAM相似,NAND FLASH具有多种功能,在半导体行业中必不可少。除了三星和海力士,东芝,美光,西部数据等也在该领域竞争。

国内的长江存储公司推出了性能与主流产品相媲美的64层3D NAND,并已应用于华为mate系列高端手机中。其他设备。

人脸识别行业中使用的其他设备与通用电子行业类似,主要包括功率芯片,电阻器,电容器,电感器和PCB铜板。一般而言,国内供应基本上是可控的,但就高精度要求而言,仍然需要外国供应商。

在当今高度发达的全球产业链中,各个领域都有着深厚的耕global者,而在全球采购最佳组件仍然是该学位的最佳选择。通用硬件:通用服务器。

人脸识别系统中通用服务器的主要功能是业务系统和管理节点。从软件生态的完整性的角度来看,通用服务器基于X86架构,但是出现了ARM,RISC-V等架构服务器。x86服务器的供应商主要包括戴尔,联想,Sugon,浪潮等,而华为的台山服务器是ARM体系结构的典型代表。

计算服务器。AI服务器是异构服务器。由于生态友好和总计算能力高这两个因素,当前的主流解决方案仍然是Intel x86CPU + Nvidia GPU,最新的8卡T4 GPU服务器,它可以提供1040T(单卡130T)的计算能力。

随着专门为AI计算设计的SOC的成熟,将SOC用作加速卡也已成为性价比和功耗的更好选择。在Al SOC的选择方面,中国已经处于行业的最前沿,例如华为的升腾310芯片,单计算能力为16T,四块半高计算卡,总计算能力为64T,但是 消耗仅为GPU其他L / 7o,例如寒武纪MLU220和MLU270,以及Bitmain的Fortune芯片,也已应用。存储服务器。存储服务器是面部识别系统的重要组成部分,并且是针对存储任务进行了优化的专用设备。

就硬件形式而言,其主要特征是有许多硬盘驱动器,通常为8到48个硬盘驱动器。为了确保效率,硬盘驱动器通常是SAS硬盘驱动器或SSD。SAS硬盘驱动器的主要供应商是希捷和Western Digital,而SSD供应商则更为丰富。

Intek,三星和国内存储制造商也积极参与SSD竞争。存储服务器软件的优化主要是通过使用分布式多机RAID来提高存储数据的安全性,相关技术相对成熟。

智能终端。包括智能电话和智能屏幕在内的通用智能终端是面部识别应用程序的重要领域。从操作系统级别来看,智能终端分为两类。一个是拥有自己的iOS系统的iPhone,它牢牢占据着市场份额的第一位,另一个是使用更广泛的Android系统设备,而华为则位居Android列表的首位,而我国的小米OPPO, 而vivo也取得了很多成就。

值得注意的是,华为和苹果是唯一可以优化从芯片到操作系统再到软件生态系统的整个过程的两家供应商,这在一定程度上解释了这两家公司的竞争优势。基本软件:培训框架。目前,大多数人脸识别算法都是基于深度学习技术的。Tensorflowx Pytorch,Mxnet和Caffe是最常用的培训框架。

由于人脸识别具有类别大,损失多的特点,因此,在上述深度学习框架的基础上,有必要进一步优化和扩展人脸识别本身的特征。其中,代表性的开源框架是Insightface。

在行业中,每个企业通常都有自己的培训平台,以实现数据的协调,培训,部署和其他链接。一些优秀的内部框架正在逐渐开源。然而,由于培训框架的转换和学习成本高昂,总体生态建设仍需加强。

推理引擎。推理引擎对应于训练框架,主要用于设备侧模型的高效(前向)操作。

一些训练框架将与相应的推理引擎相匹配,而一些推理引擎软件则独立于训练框架。此外,深度学习芯片还将提供自己的推理引擎软件来实现加速。

由于推理引擎通常针对特定的结构或硬件进行了深度优化,因此某些新网络结构的可伸缩性差或优化效率低,很容易导致某些新算法无法快速着陆。其他链接。

除了深度学习神经网络之外,人脸识别的完整过程还包括诸如图像预处理和特征后处理之类的过程。当前,缺乏有效和通用的实现方法,特别是在芯片方面,缺少诸如图像处理和比较等数学运算的功能,这增加了开发成本的性能损失。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展。世界各地有许多相关的研究团队,其中以中国,美国,俄罗斯,日本和欧洲为首。

根据2020年10月的NISTFR测试结果,全球排名前10位的算法中有一半以上来自中国。尽管各个国家/地区的人脸识别算法在性能上存在差异,但差距并不大。以FR Ding VISA测试集为例,排名前30位的制造商已超过或接近百分之一百万误报率的99%。

人脸识别的技术发展已经从关注算法精度的提高转移到了提高实际应用效果,并且出现了以下应用趋势。从简单的场景到复杂的场景。在简单场景中人脸识别的准确性趋于饱和的业内共识已成为共识。

业界已经将注意力转移到复杂场景中的人脸识别问题上,并在特定的应用场景中得到体现。从高分辨率,小姿态和适度照明的高质量人脸卡口场景到低分辨率,大姿态,低照度,模糊等低质量的开放场景的转变,提出了一种新的适应性。面部识别算法挑战也是行业努力改进的方向。

3D人脸已成为协调应用程序的重要方向。随着2017年iPhone X首次将Face ID引入手机,3D人脸识别技术逐渐成为手机制造商旗舰机型的标准配置。

与2D脸部相比,3D脸部包含更多的脸部信息,并且具有更好的抗旋转,遮挡,光照和照片攻击的抗干扰能力。3D face已逐渐成为以访问控制,出勤和财务支付为代表的近距离协作应用程序中的常见技术解决方案。多种生物学特性的融合已成为一种新趋势。

多种生物学特征的融合可以弥补单个生物体的独特缺陷,获得互补优势,提高系统准确性,并改善应用体验。在近距离匹配应用中,使用人脸识别和虹膜识别技术融合可以解决双胞胎和其他人脸识别难以解决的问题,并增强双胞胎金融支付应用程序的安全性; 在安全场景中,存在摄像机角度,分辨率和其他问题。在人脸质量差且无法获得人脸的情况下,步态识别和行人重新识别等技术的集成可以进一步扩展整个身份识别系统的算法范围。

人脸识别的公平性亟待解决。由于安全和隐私问题,经济和技术水平落后以及贸易壁垒,面部识别技术在全球范围内的普及程度仍然很低,并且存在不均衡的发展现象。根据NIST的分析报告,欧洲,美洲和亚洲是面部识别技术的主要供应商。

各个国家/地区的算法优化主要取决于国情。跨种族,跨区域,跨场景等仍然会对面部识别算法产生一定的影响。除了不断优化准确性外,还迫切需要解决全球范围内的诸如安全性,隐私性和公平性等问题。

设备和产品:人脸捕捉机:人脸捕捉机具有内置的AI芯片和深度学习算法,可适应拥挤的通道,出入口等各种场景的需求,并实现对人脸的准确捕捉。人群。面部捕捉机目前广泛部署在人们复杂场景的关键监视区域,例如汽车站,火车站,机场,港口,娱乐场所,街道和社区。

对场景的适应性是其性能的重要指标。在复杂的情况下(例如大姿势,遮挡和异常照明)的面部捕捉成功率以及自然监视环境下的错误捕捉率都是设备性能的体现,也是用户选择的基础。随着智能安全监控的发展,捕获更详细,更全面的结构化信息已成为一种趋势。

目前,主要制造商已经推出了用于视频结构化应用程序的捕获机,可以捕获人脸,人体,车辆,车牌和其他多维信息。多个AI算法的集成以及对多个实时捕获的需求要求前端设备制造商进一步压缩算法模型。并提高了芯片处理速度。

此外,前端设备与后端服务器是分离的,其功能从简单的捕获信息到捕获,分析和决策都得到了发展。这也与智能前进运动的发展趋势相一致,该趋势旨在增强边缘节点的能力并允许边缘感知信息。门禁设备:门禁设备是以面部识别技术为核心的身份识别终端产品。它集成了多种功能,例如视频捕获,面部识别,文档识别,红外检测和网络传输。

当前市场上的访问控制产品相对成熟并且具有严重的同质性,但是它们也显示出一些新的趋势。随着门禁设备的普及和民用,安全问题越来越受到重视,防伪功能已经成为标准。由于攻击方式的多样性,即使具有防伪功能的设备仍然存在技术不足或适应性差的问题,安全性能有待不断提高和提高。今年,由于需要流行病控制,具有集成温度测量功能的访问控制设备已逐渐普及。

未来,满足个人需求的安全性和差异性将成为访问控制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)的主要功能是接收IPC(网络摄像机)设备通过网络传输的数字视频流,并对其进行存储和管理。

NVR设备内置的人脸检测和人脸识别功能可以提高存储数据的有效性和关键数据的检索效率,已成为NVR设备的主要卖点。移动终端:随着人脸识别功能的普及,手机逐渐成为人脸识别的重要终端之一。

面部识别登录和支付可以通过手机完成。与传统的密码解锁和支付方式相比,人脸刷卡具有更高的便利性和安全性。未来,人脸识别在智能手机中的渗透率将进一步提高,越来越多的手机应用将使用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主导的通用体系结构芯片是用于深度学习计算的最常用计算资源。

然而,在许多应用场景中,GPU服务器的大尺寸和高能耗已成为制约人工智能发展的瓶颈。基于专用ASIC芯片的人脸识别分析一体机或服务器在性能,成本,功耗,可靠性和适用范围方面具有明显优势。在许多实际应用场景中,专用的分析机或服务器消耗较少的能量,占用较小的体积,并产生较少的热量,同时提供相同的计算能力。

例如,配备“搜索”芯片的1U Yitu原子服务器不需要Intel CPU。与8卡NVIDIA P4服务器相比,在相同数量的分析通道下,每个通道的功耗不到后者的10%。人脸比较服务器:对于智能城市,一个人,一个文件等大的人脸数据应用,提出了对人脸特征比较所支持的存储容量,并发性和响应速度的新要求,而专用的比较服务器则是 创建。

由于其生态友好和高计算能力,GPU卡比较服务器在各个行业的应用程序中占很大比例。与分析服务器类似,与服务器相比,GPU具有体积大,功耗高的缺点。FPGA芯片更适合面部特征比较操作,具有存储容量大,并发性高的特点。

基于FPGA的面部比较服务器在性能,层成本,功耗等方面具有明显的优势,并且这种类型的产品已经出现。此外,随着CPU芯片计算能力和指令集的不断优化,芯片制造商和服务器制造商也正在共同尝试基于CPU的面部比较服务器产品,基于CPU的产品解决方案也值得关注。

解决方案:人脸识别系统的业务功能主要包括人脸验证,人脸部署控制,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。根据应用场景和数据规模,可以将解决方案归纳为人脸考勤计划,人脸部署控制计划和人脸大数据应用计划。人脸考勤解决方案:人脸考勤解决方案可以由一个访问控制设备或人脸捕捉机+ NVR或人脸服务器组成,包括人脸注册,人脸捕捉,人脸建模和人脸比较功能,并配有管理系统, 具有考勤权限,数据存储和删除,参数设置和隐私保护功能。

人脸部署控制解决方案:人脸部署控制解决方案通常由人脸捕获机器+人脸分析服务器组成。如果单人脸分析服务器不足以提供所需的性能,则可以使用多集群方法。

当系统需要访问传统IPC视频流时,还可以在分析服务器上实现人脸捕获。人脸大数据应用解决方案:省级和国家级静态数据库检索,市/县人脸聚类是常见的人脸大数据应用程序。

解决方案通常是人脸捕捉机+人脸分析服务器+人员。人脸比较服务器由分布式系统组成,图像处理单元和特征比较单元根据应用程序所需的并发处理次数进行部署。

这种类型的系统通常与其他智能分析系统(例如人体分析,步态分析)连接,并使用大数据分析技术进一步提高系统的可用性和整体性能。不同制造商的面部产品的形式不同,但其面部产品的核心功能相似。

因此,由面部产品组成的面部识别系统的功能和过程是相对固定的,上述解决方案具有很高的通用性。产业链中基础层,算法和设备的发展主要是为了提高人脸识别的效果和效率,不会影响整体功能和过程。该解决方案是一个相对稳定的链接。

3.典型应用领域技术和金融。人脸识别在金融领域的应用非常普遍,例如远程银行帐户开立,身份验证,保险索赔和人脸支付。人脸识别技术的使用可以有效提高资金交易的安全性,也可以提高金融服务的便利性。

2013年,芬兰的Uniqul公司成为第一家吃螃蟹的公司,并在世界范围内首次推出了面部识别支付的创新支付技术。2015年,在德国汉诺威举行的CeBIT展览上,马云首次向德国总理默克尔展示了支付宝的面部识别支付技术。同年,招商银行也开始在部分支行的柜台和自动柜员机业务中应用人脸识别。

之后,包括中国建设银行和农业银行的四大银行在内的数十家银行向ATM,STM和柜台推出了面部识别产品。各种业务链接,例如人脸,网点和移动银行,并逐步全面覆盖客户。

如今,面部识别技术已在国内金融领域得到广泛部署和应用。消费者可以使用面部识别技术在各种渠道中使用金融服务。中国在人脸识别技术的应用方面已经取得了长足的进步。

该范围领先于国外市场。智能安全。安全性是面部识别市场上最早的渗透且应用最广泛的领域。根据You Research的数据,2018年,安全行业占中国面部识别市场的61.2%。

当前的面部识别技术主要为视频结构,面部检索,面部控制和人群统计等软件和硬件产品的集成提供基本支持。它主要用于识别和追踪罪犯,寻找失踪儿童以及协助反恐行动。视频监控系统通过庞大的监控网络进行图像采集,自动分析和面部比较。

基于视频帧的1:1和1:N人脸比较,可以分析人员的轨迹和出行规则,实现关键人员的识别。并进行跟踪,在公共安全应用场景中达到预警的目的,在事件进行过程中进行跟踪,并在事件发生后迅速进行处理。

它在雪亮项目,天网项目,智能社区,反恐和重大事件安全等公共安全项目中发挥了重要作用。另外,人脸识别技术被广泛用于公司建筑物和社区住宅的人员管理和安全保护场景中。人脸黑白名单的输入可以有效地控制该区域人员的出入,而机器识别的高效率也极大地节省了人力资源。智能交通。

人脸识别技术在国外公共交通领域的应用主要集中在特别强调安全性的场景中,例如机场安全性和移民管理。加拿大的渥太华国际机场,澳大利亚的本地移民和边境保护局以及美国海关和边境保护局都试图部署面部识别出入境系统。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人脸识别。

目前,使用面部验证技术的面部扫描安全检查已进入广泛应用的阶段,并已在高速火车站,普通火车站和机场中得到广泛推广。和应用1:N脸比对技术主要用于地铁和公共汽车等城市交通中。这项技术可以大大提高通勤者的出行效率,释放大量的人力资源,并改善出行体验。同时,人脸识别可以监视交通站点的人员流量,根据人员的出行方式预测交通高峰,并提前制定改道计划。

此外,在交通违章管理和控制方面,面部识别技术可以帮助执法人员更快,更有效地查找违法者的身份信息,并将车辆识别与其他技术结合起来进行跟踪和拦截。民生与政府事务。

政府事务互联网平台,公积金,社会保障,税收,网络证书,交通管理,行人闯红灯,交纳交通罚款,住房建设和其他民政系统,已经使用或正在使用人脸识别系统。政府服务领域的业务重点主要包括私有云平台,政府服务自助终端和便捷服务平台的建设。在政府系统中实施人脸识别已提高了人们的工作效率。

市民可以在不排队的情况下进行自助服务,并且由于手动效率低而节省了时间。还可以通过在线面部识别认证在移动终端上在线处理一些政府事务,从而减轻了“来回奔跑,偏远地点和零星地点”的麻烦。教育考试。

随着智能教育的飞速发展,物联网,云计算,大数据等先进的信息技术被不断采用,以实现对各种教育管理和教学过程数据的综合收集,存储和分析,并通过可视化的方式对其进行可视化。可视化技术。在此过程中,相关技术公司将基于其在人工智能,视频可视化技术,出入口访问控制管理,大数据,云计算等领域积累的技术产品经验,致力于促进智能教育产业的发展。

,以构建和升级智能园区。教室,智能宿舍,智能图书馆,智能食堂,智能超市和其他与教育相关的安全控制,教室出勤,面部消费和智能体验。同时,人脸识别技术也用于识别候选人。

智能家居。人脸识别主要用于智能家居中的安全解锁和个性化家居服务这两种场景。

在安全性方面,人脸识别可以提供相对安全便捷的门到门解锁技术,并且可以逐步取代传统的密码或指纹门锁。智能门铃可以通过面部识别来识别访客的身份。此外,可以实时监视家庭中的监视摄像机。

如果发现一个陌生人的脸,居民将立即收到警报并惊慌。在个性化家庭服务方面,智能电视可以使用面部信息录入创建账户,机器可以通过面部识别认证以有针对性的方式推送内容,从而实现个性化定制。智能冰箱可以使用面部识别技术来针对不同的用户爱好,面部状态,推送食谱和营养建议。

人脸识别技术在智能家居行业中的应用为市民带来了更加便捷和舒适的生活方式。4.行业发展趋势应用场景已渗透到各个行业,市场规模增长趋势有所不同。

随着技术的发展和安全要求的提高,人脸识别技术已经在工业应用中发生了巨大的变化,从安全性和可靠性要求较低的行业到金融和社会保险,证券,银行和互联网等安全性和可靠性要求较高的行业。金融。高产业。

我国的人脸识别技术目前主要用于公共安全,访问控制和考勤以及财务支付这三个主要领域。从不同的应用领域的角度来看,趋势正在逐渐发散。从2019年开始,作为人脸识别的最早应用领域之一,安全性将占据约30%的市场份额。

随着雪亮项目的逐步完成和智慧城市的建设,安全领域的人脸识别已逐渐从增量市场转变为股票市场。人脸识别在门禁和考勤领域的应用最为成熟,约占行业市场的42%。

随着智能建筑,智能社区和智能家居的进一步发展,面部识别,访问控制和出勤的市场也将增长。金融作为未来人脸识别的重要应用领域之一,目前约占该行业的20%,市场规模正在逐步扩大。

随着全球公共卫生环境的变化,面部识别迎来了新的应用需求。新的冠状肺炎流行病的爆发已遍及世界各地,威胁着人类生命的安全与健康,并引发了全球性的公共卫生危机。

与诸如指纹和刷卡之类的接触式识别模式相比,诸如面部识别之类的非接触式识别模式更适合当前受新冠状病毒影响的全球公共卫生环境,从而通过与感染者的接触减少病毒。一方面,人脸识别技术与红外体温监测技术相结合,可以获取人员健康信息,可以提供及时的反馈信息,控制疫情。

另一方面,监控系统的全面部署和控制可以发现并获取关键人员流动信息,以帮助政府预防和控制控制措施。当前的全球公共卫生环境仍然严峻。

根据致远发布的《人脸识别与公共卫生研究报告》,受访者普遍同意加强人脸识别技术的功能。人脸识别。为了改善流行病预防和控制系统并进一步阻止传播源,对戴着口罩的面部识别技术提出了新的要求。计算芯片技术的发展支持人脸识别的大规模应用。

除了其自身模型的性能外,人脸识别算法的工业应用和性能还取决于算法在其中运行的硬件芯片环境。以Nvidia的GPU和Intel的CPU为代表的通用体系结构芯片是用于面部识别算法训练和推理的最常用计算资源。同时,由于人脸识别应用场景的不断扩展和数据量的快速增长,为了满足对计算能力的强大需求,基于领域特定架构(DSA)概念的行业特定的定制芯片依赖 关于特定领域算法的优化。,可以充分发挥计算资源和算法模型的效率,并且已被一些制造商用于人脸识别算法的培训和推理应用中,例如HiSilicon,Yitu和Cambrian等公司推出的云计算芯片 ,可以逐渐取代GPU,成为其面部识别技术应用程序的主流计算资源。

近年来,信息量的爆炸性增长给数据传输,存储和中央计算带来了巨大的压力,而边缘计算也应运而生。随着AI芯片技术的飞速发展,边缘计算设备的计算能力不断提高,边缘端进行了越来越多的计算。一方面,边缘计算可以有效缓解带宽负载,提高计算传输效率,满足实时响应要求,增强数据安全性。

另一方面,模型压缩和加速技术以及适用于面部识别算法计算的特殊AI芯片也在不断改进。设备的面部识别算法的准确性不断提高。目前,基于AI芯片的边缘设备的应用基本上覆盖了社区,学校,医院,公园和交通场景,支持了人脸识别的大规模应用。

在云端的协同部署中,人脸识别应用程序引入了新的场景和新的模型。云端协同部署模式将人脸识别应用模块分布到各个部分,通过前端边缘计算实现控制报警的部署,端对人脸特征进行聚类分析,在云中收集有效信息, 进行大数据比较分析,并进行调度工作。云端协作部署方法可缓解云上的压力并支持业务层次响应。

云端人脸识别系统通过云和边缘资源的统一配置,管理和调度,融合了边缘计算的敏捷性和云大数据的全局性。人脸识别系统的优势全面提高了人脸识别的性能 系统在带宽,并发性和响应速度方面。

未来,边缘设备的视频编码能力和视频特征提取能力将得到进一步增强,人工智能应用也将为前端分配越来越多的计算负荷。云由人像系统,视频结构系统,人脸和人体聚类分析等服务组成,并通过分析,聚类和归档形成各种主题库,可与各种业务应用程序连接以实现更复杂的智能化 场景应用需求。算法技术处于国际领先地位,国内市场竞争激烈。

从全球竞争的角度来看,中国公司在人脸识别算法方面具有相当的国际竞争力。从NIST赞助的最新人脸识别算法测试FR Cho来看,共有207家供应商参与了评估,其中31家来自中国大陆。在其发布的主要测试集中,共有7家中国人脸识别算法供应商获得了前三名,其中有5家获得了第一名,并在过去的一年中保持了这一优势。总体而言,中国的人脸识别算法已经处于世界领先地位。

国内市场的激烈竞争反映在以下事实:许多竞争的制造商,包括传统的安全公司,人工智能初创公司和平台生态系统公司。从安全市场开始,传统的安全公司对安全视频行业的痛点和客户需求有深刻的了解。它们具有产品+集成的优势,并为扩展规模建立了强大的障碍。人工智能初创企业主要是新兴的计算机视觉(CV)初创企业,专注于算法。

他们将AI算法作为其核心优势,同时考虑了“硬件着陆”和“产品化”。平台生态企业依靠强大的云平台和云计算能力,以云平台为核心,横向切入,整合合作伙伴的应用解决方案,构建统一的生态系统,形成差异化竞争。

另一方面,国内市场的激烈竞争反映在从算法竞争到芯片和平台竞争的整个产业链上的竞争。主要的市场参与者已经加入了AI芯片竞赛。安全公司专注于边缘侧和终端推理芯片,初创公司更加关注边缘侧推理芯片,平台生态系统公司专注于端/云集成以构建从培训到推理的平台。

全栈AI生态。下游竞争主要是应用层竞争,生态竞争和深耕产业竞争。04.人脸识别标准化1.从国际标准化组织的角度来看,人脸识别的标准化主要属于生物识别标准化小组委员会(ISO / IEC JTC1 / SC37)的工作范围,该小组的工作重点是人脸的基本标准。

识别,例如图形图标和符号,样品质量等,以及数据交换格式和一致性测试方法。其他关注面部识别的先进外国组织包括电气和电子工程师协会(IEEE),消费者技术协会(CTA)等,它们的重点是通过生物识别技术检测攻击。,面部生物识别信息的性能评估等 ITU-T SG17安全标准工作组下的ITU和生物识别标准主要与Q9和Q10有关。Q9主要关注生物识别技术在通信应用环境中的应用及其标准化。

随着生物识别技术在电子商务,电子医疗和移动支付领域的广泛应用,工作组还关注生物识别数据的隐私保护,可靠性和安全性方面的各种挑战。Q10专注于身份管理体系结构和机制。

一些标准项与基于生物识别的身份认证有关。在接下来的几年中,ITU-TSG16媒体工作组根据应用场景,功能要求,业务要求,性能要求以及视频监控和机器等安全要求,在Q12和Q21进行了面部识别标准的研究和制定。想象。

在国内组织方面,主要是国家信息技术标准化技术委员会生物识别识别子技术委员会(SACOC28 / SC37)和国家安全警报系统标准化技术委员会人类生物识别应用子技术委员会(SAC / TC100 / SC2)。负责生物学制定特征识别标准。其中,SACATC28 / SC37建立了面部识别和移动设备生物识别等多个工作组,并发布了面部样本质量,面部图像数据交换格式和移动设备面部识别的标准。SA5C100 / SC2已在公共安全领域发布了许多面部识别标准,例如视频监视和出入口控制。

此外,就国内组织而言,国防标准化技术委员会(SAC / TC218)发布了国家标准“生物识别防伪技术要求第1部分:面部识别”。国家金融标准化技术委员会(SAC / TC 180)发布了国家标准“金融服务生物识别安全框架”,并正在制定生物识别行业标准,例如“人脸识别技术离线支付安全应用规范”。公安部社会公安应用基础技术标准化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”。

国家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.标准制定和修订的状态下表显示了国际标准化组织和其他先进的国外标准组织与面部识别相关的标准的统计数据。

▲ISO国际标准统计表下表列出了我国有关人脸识别的相关标准。▲请参阅我国有关人脸识别的相关标准。Zhidongzhi认为,目前,我国的人脸识别技术和应用在技术和金融,智能安全,智能交通,民生和政府事务,教育和考试以及智能家居方面处于世界领先地位。它已被广泛应用于许多领域。

但是,在过去的一年中,面部识别技术也产生了许多不利影响。“隐藏在销售办公室的人脸识别”和人脸信息泄漏等问题并不少见。随着技术门槛的逐步降低,加强安全技术的研发和应用以及完善相关法律法规变得尤为重要。

本文关键词:英亚手机版

本文来源:英亚手机版-www.b6239.cn


 
网站地图xml地图