2018人臉識別行業(yè)產(chǎn)業(yè)鏈分析

    人臉識別產(chǎn)業(yè)鏈上游為基礎(chǔ)層，包括人工智能芯片、算法技術(shù)和數(shù)據(jù)集；中游由視頻人臉識別、圖片人臉識別和數(shù)據(jù)庫對比檢驗等技術(shù)層構(gòu)成，大體包括人臉檢測、活體檢測、人臉識別、視頻對象提取與分析等技術(shù)；下游則是具體的場景應(yīng)用，即應(yīng)用方案、消費(fèi)類終端或服務(wù)等。下游以攝像頭為主的硬件采集端和應(yīng)用端采集人臉數(shù)據(jù)，為數(shù)據(jù)集豐富數(shù)據(jù)，對于基礎(chǔ)層算法的更新迭代形成正反饋。

    攝像頭模組|人臉識別攝像頭模組|寬動態(tài)攝像頭模組

    日前，國外巨頭公司大多呈現(xiàn)全產(chǎn)業(yè)布局的特征，即上中下游均有布局。國內(nèi)人臉識別創(chuàng)業(yè)公司基本缺席上游的芯片和算法開發(fā)環(huán)節(jié)，除了少量在中游有技術(shù)突破外，大多數(shù)集中于下游場景應(yīng)用層，這很大程度上得益于國內(nèi)龐大的應(yīng)用場景支持。

    在具體的場景應(yīng)用商業(yè)化落地環(huán)節(jié)，以BAT為代表的國內(nèi)互聯(lián)網(wǎng)巨頭，由于無法將計算機(jī)視覺的某一個子模塊拿出來單獨(dú)盈利。因此在應(yīng)用落地上并沒有明顯的優(yōu)勢，而是創(chuàng)業(yè)公司突破能力更強(qiáng)。但互聯(lián)網(wǎng)巨頭擁有最大的數(shù)據(jù)源，人臉識別的后續(xù)發(fā)展動力十足。

    人臉識別產(chǎn)業(yè)鏈上游分析

    人臉識別產(chǎn)業(yè)鏈上游，即基礎(chǔ)層，影響發(fā)展的三大要素是數(shù)據(jù)量、計算力和算法模型。2000年后，數(shù)據(jù)量的上漲、計算力的提升和深度學(xué)習(xí)算法的出現(xiàn)促進(jìn)了計算機(jī)視覺行業(yè)的發(fā)展。作為計算機(jī)視覺中重要的人臉識別，以攝像頭為主的采集終端的大規(guī)模普及帶來了數(shù)據(jù)量的增長，深度學(xué)習(xí)算法的出現(xiàn)可以實現(xiàn)精準(zhǔn)的識別功能。

    此外，云計算技術(shù)、服務(wù)器和人工智能芯片等相關(guān)硬件性能的提升，對于處理數(shù)據(jù)的計算力有很強(qiáng)的助力作用，從而人臉識別應(yīng)用方案走入人們的生活成為現(xiàn)實。

    而在算法領(lǐng)域，算法領(lǐng)域，美國互聯(lián)網(wǎng)巨頭谷歌、FACEBOOK、微軟都推出了深度學(xué)習(xí)算法開源平臺，在深度學(xué)習(xí)算法方面有著明顯的技術(shù)優(yōu)勢。

    2016年以來，以谷歌、微軟為首的巨頭為了搶占市場，將自己研發(fā)的算法技術(shù)進(jìn)行開源，導(dǎo)致很多企業(yè)免去人工智能基礎(chǔ)技術(shù)研發(fā)投入，只需要采用開源算法或經(jīng)過訓(xùn)練的人工智能芯片，再結(jié)合行業(yè)數(shù)據(jù)進(jìn)行訓(xùn)練，就可開展行業(yè)應(yīng)用落地。與之對比，百度PaddlePaddle是國內(nèi)巨頭中唯一開放的深度學(xué)習(xí)算法開源平臺。

    人臉識別產(chǎn)業(yè)鏈中游分析

    中游人臉識別技術(shù)的進(jìn)步，是推動下游場景應(yīng)用拓展的關(guān)鍵所在。目前，人臉識別市場的解決方案主要包括2D識別、3D識別技術(shù)。

    市場上主流的識別方案是采用攝像頭的2D方案，但由于人的臉部并非平坦，因此2D識別在將3D人臉信息平面化投影的過程中存在特征信息損失。3D識別使用三維人臉立體建模方法，可最大程度保留有效信息，因此3D人臉識別技術(shù)的算法比2D算法更合理并擁有更高精度。

    人臉識別產(chǎn)業(yè)鏈下游分析

    人臉識別對場境要求非常強(qiáng)，產(chǎn)品能否達(dá)到實際使用要求，核心并不只在于算法本身，還在于對場景的深耕。算法水平對于識別率的有力證明，也僅僅是停留在訓(xùn)練集與測試集之間，存在于實驗室的“理論數(shù)值”。

    而現(xiàn)實生活中人臉的獲取過程有大量不可控因素，光的方向、強(qiáng)度，是否有胡須、發(fā)型的變化，是否有表情都會影響識別效果。多種因素疊加后，真實環(huán)境下測得的準(zhǔn)確率可能只有75%左右，甚至更低。

    因此，需要針對場景的不同特點(diǎn)收集大量場景數(shù)據(jù)，不斷調(diào)試參數(shù)、組合算法、方法，甚至使用外圍硬件輔助以提升效果，不斷迭代以實現(xiàn)產(chǎn)品化。除此之外，還要在工程上滿足計算量、延遲、可維護(hù)性等需求。(來源：安防行業(yè)網(wǎng))