深度: 刷脸时代到来！你的脸就是最强密码

人脸识别，类属视觉模式的一个细分领域，成为继智能语音后的又一块技术热点。不限于好莱坞科技电影中炫酷的“天眼”扫描场景，人脸识别技术已经渗透到多类日常。去年，马云刷自己的脸在淘宝上买下汉诺威展邮票，“刷脸场景”火遍大江南北。实际上，除了金融支付，当单位门禁、课堂考勤识别从指纹换成人脸时，人脸识别类应用已经被频繁应用。

一、摄像头代替“人眼”

所谓“计算机视觉”，即让计算机模仿人的双眼，完成相关任务和指令。如获得物体信息，识别有意义的概念、与此前知识体系匹配，进行判断和解读。这一系列看似简单的任务，对机器来说却并不那么容易实现。

要完成人脸识别的工作，首先需要进行准确的“人脸检测”，即计算机在图像或视频中找到人脸的位置，只需要判断目标图像是不是人脸。例如当前大部分照相机，及手机摄像头都有人脸检测功能，可以自动获得人脸位置，从而对图片作一些自动调焦和优化。

随后，计算机会针对图像的具体信息进行提取，包括人脸部件点定位，人脸图像的对齐和归一化，人脸图像质量选取，特征提取，特征比对等。此时，可以对人脸进行一些身份信息判读，包括性别、年龄，甚至颜值。

值得强调的是，在金融支付与身份验证场景中，多将人脸检测作为辅助性手段，使用者往往需要提前出示自己的身份。这是一种“1：1”的身份验证，计算机对当前人脸和库存人脸进行比对，是对其他验证方式的一种辅助，从而提高身份验证的可靠性。

但在一些侦查类戏剧作品中，警察通过联机查保存了所有通缉犯数据的人脸库，将所获取的通缉犯信息放到通缉犯数据库中去逐个比对，以获取匹配度最高的嫌疑犯。每次人脸识别计算机要作n次人脸比对，这就是“1：n”的人脸查找。

如果要求计算机只凭人脸识别出一个人的身份，就是最常见的“1：n”模式，其目标人脸库由n个人脸组成，随着n的增大，准确识别的难度也会增大，一次识别所需要的计算时间也会增加。一个普通的人能对数十量级上进行判断人脸的准确识别，随着n的增加，计算机识别的优势得到凸显。

人脸识别技术的比较维度很多，除了常见1：1，1：n比对级，还包括n：n，其衡量的标准不同。单从精确度上看，国内外视觉识别技术公司的识别正确率差异多体现在小数点上，比较意义不大。商业适用性则成为更加最关键的强化方向，以及实际使用场景中的准确率和可靠性。

二、初创和巨头的不同玩法

目前国内人工智能方向的创业公司约200家左右，其中一半获得了投资，超过70%的公司主攻图像或语音识别两个分类，其中部分人脸识别水平可比肩甚至超过美国。诸如Face++、Sensetime等初创公司，正在不遗余力地引进尖端人才方面。包括汉王、大恒、奥普光电等上市公司已经在B端市场的安防、工业制造领域占据领先份额。

计算机视觉已成为人工智能板块最受投资青睐的领域。 据数据网站显示，国内计算机视觉领域公司约30家，其中完成融资的公司接近80%。换个说法，凡是公司的业务与技术以计算机视觉应用为主，那么被投资的概率就是80%。这样的资本青睐程度放到整个互联网圈都是十分可怕的。

另一方面，相比于小规模创业者的做法，拥有海量数据与庞大业务规模的互联网巨头们开始了从内向外的创新和布局。腾讯在内部组建了人脸识别团队优图实验室。百度人脸识别也依靠庞大的数据资源得到指数级积累，阿里巴巴控股某人脸识别企业，将结合自家平台人脸数据优势，推动人脸识别2C的发展。

但此类公司对机器视觉产业的开发主要还是集中在工具化方面，例如腾讯的鉴黄服务、百度的识图功能等，主要应用在自有的产品体系中。

视觉尝试盈利模式、换取利润的同时，也积累了大量的底层影像和图片数据。图片数据支持着相关技术算法的优化，在机器视觉技术越来越先进的同时，也将会渗透到更多的场景当中去，例如电商的图片检索、机器人模块植入等。

巨头和初创们在起跑线摆出了火拼的架势，商业大战前的硝烟味在弥漫。

三、渗透进不同场景

目前，人脸识别技术重点应用的领域是安防和金融。前不久，科大讯飞在年度会议上推出的“晓曼机器人”，可替代银行柜台人员完成交易，称明年三月产品将落地。

据统计，国内至少已有多家银行开始试水人脸识别技术，不用带卡就可以从ATM机上“刷脸”取款。比较早的有招商银行、上海银行。另外，中国银联也联手Linkface打造人脸识别互联网+金融支付新产品，并试点于徽商银行。此外还在以下领域得到应用。

布局金融人脸识别的大佬已排满，看看其他领域还可分杯羹吗？

1）身份验证

今年十一月滴滴引入了人脸识别技术，以此来提高安全系数。据悉，滴滴顺风车新车主首次接单前需通过人脸识别系统审核后才能在平台接单，以防止私换司机等违规行为，保障乘客安全。

顺风车系统会要求车主通过摇头、眨眼等动作进行人像采集，并将车主上传的面部信息及其注册时使用的证件信息与公安部数据库进行比对，成功后才能正式接单。而采用人脸识别技术是为了保证司机注册账户和本人信息相符。

2）公共安全

在旅客进行正常的安检工作的同时，人脸识别系统会自动将旅客证件照片与之核对，识别旅客身份，其准确率远高于人眼识别，即使旅客换了发型、化了浓妆也没关系。

国家网络安全宣传周上获悉，目前“人脸识别技术”已经用于反恐活动中，该技术为动态识别，每秒钟能够识别5-8个人的身份。今年6月份已在广州地铁站进行试点。

此外，人脸识别门禁应用也在万科、金地、广州越秀、四川蓝光等智慧小区落地。通过人脸识别对访客、外来人员、周边服务人员起到良好的管理作用，并提升O2O服务水平和保障。

3）娱乐社交

微软曾推出刷脸应用 ——“微软我们”（TwinsOrNot.net），只需任意上传两张人物照片，就可以知道他们长的有多像，比如，测试你是否和某个明星长得很像，或者夫妻/男女朋友是不是有夫妻相等。

How-Old.net风靡全球，它们都很巧妙地将人脸辨认与社交网络中的人际交往结合在一起，年龄、性别、颜值、测测就知道。

时拍照贴脸录像的娱乐性app–脸优。脸优是利用人脸多个特征点，实时完成“贴脸”的功能。

4）物件签收

今年十月，中国邮政与腾讯达成全面战略合作，EMS将充分利用微信公众号与手机QQ平台，实现’预约-寄件-支付-查询-收件’的自有平台一站式服务。

据介绍，未来腾讯优图人脸识别技术也将广泛应用于EMS的政务、贵重物品和重要文书快递中。这也意味着，以后去取快递可以直接“刷脸”。

四、待填满的市场缺口

现在不管是国际、国内，针对人脸识别还没有（行业）标准，处于比较混沌的早期状态，具有实力的公司在未来还有很大机会脱颖而出。

人脸识别技术在使用方式上，辨识方便性上，留存现场使用者人像照片上均有非常明显的优势，在ImageNet等国际测试中准确率不断被刷新，但在实际场景的应用中还存在些许的发展瓶颈。

第一，视频传感设备的制约。人脸识别技术成像必须依靠摄像头采集深度信息，常采用红外光和可见光两种方案。

对于近红外技术而言，人脸识别的摄像头模组需专门的模组提升辨识精度，势必降低其摄像头的兼容性；而可见光技术，理论上任何普通摄像头均可使用，但是当前摄像头行业中在视频清晰度、光线适应性上缺乏明确标准，聚焦方式和聚焦能力也各不相同。

在一定程度上，摄像头本身的发展速度，制约着人脸识别技术的拓展以及普及性，也势必制约大市场的爆发和使用的辨识效率。

第二，由于软件开发以及各种半导体零部件占据了绝大多数成本，而其中较为核心的零部件还需要进口、底层软件开发方面在国内更是存在大量市场空白。

第三，易受到光照，角度，人脸部的装饰物等各种因素的影响。这也不难解释为什么人脸识别技术目前还没有大量应用在日常生活中，大部分人只能在科幻电影中接触人脸识别了。

第四，活体识别。能区分真人和照片的技术，这个研究领域叫liveness detection，中文叫做“活体取证”。

因为现在社交网络、电子成像产品很发达，人们可以很方便获取他人的人脸照片，进而来欺骗人脸识别系统，所以区分系统前的人脸是真的人脸，还是照片/视频/三维面具，就变得非常重要。

对于照片欺骗，主要是根据分辨率(翻拍的照片分辨率比直接从真人上采集的照片在质量、分辨率上有差别)、三维信息、眼动等来区分。对于视频欺骗，根据三维信息、光线等来区分。对于三维面具欺骗，这方面的研究还很少（实际欺骗场景也相对较少）。

计算机算法是可以区分照片和真人的。但是人脸活体取证在实际应用中，还有很大局限性。现在的算法基本还是基于实验室数据，离实用存在一段距离。

另外，在指纹、虹膜等模式识别上也面临这个问题。

五、结语

历经两起两落，人工智能技术在第三次高潮的推动下初见落地之势。基于深度学习神经网络算法在语音和视觉识别上的进展，识别率分别超过了99%和95%，感知智能时代已经逼近。最初在工业领域应用的机器视觉，逐步在日常生活场景中得到落地，从平面的图像识别向含有深度信息的人脸和其他模式识别过渡。

但据业内人士透露，国内人脸识别厂商在核心算法上拥有自主知识产权的极少，大部分国内外的人脸识别技术多数在OpenCV等开源库上进行新规则添加，或使用其它公司的收费SDK等。并且该领域的创业公司整体规模仍较少，从侧面也反映出其技术门槛和对口人才稀缺。

从总体上来看，从机器视觉产业的构成来看，视觉处理软件、镜头、工业相继、图像处理单元、图像采集卡都是必不可少的几个环节。未来，视觉识别技术公司对于芯片和模块厂商的支持需求旺盛，双方将走得更近，另外，创业公司的产品在扩宽渠道和领域时会偏更向消费者市场，如机器人和无人机等产品。上周，鸿海集团旗下子公司FOXTEQ HOLDINGS 参投了Face++ 2000万美元投资，不无与富士康投资的Pepper合作可能。

从产业链上发力，创业公司可能寻找到更多的投资机会。