机器视觉与人脸识别市场应用及未来前景分析

      参考中国报告网发布《2017-2022年中国机器视觉市场发展现状及发展前景分析报告》

　机器深度学习分析

　　机器学习的发展大致分为两个阶段：浅层学习和深度学习。传统的机器学习都是利用浅层结构的架构。例如高斯混合模型(GMMs)、支持向量机(SVM)等等都是浅层结构。这些结构通常包含一层或两层的非线性特征变换，可以看成是其有一层隐含层或者没有隐含层的结构。例如GMMs是对样本的概率密度分布进行估计，对样本中的数据分别在几个高斯模型上投影，就会分别得到在各个类上的概率，然后选取概率最大的类所为判决结果。例如SVM使用一个浅层线性模式分离模型，当不同类别的数据向量在低维空间中无法划分时，SVM会将它们通过核函数映射到高维空间中并寻找分类最优超平面。

　　在深度学习结构中，每个中间层的输出可以视为原始输入数据的表征。每一层使用由前一层生成的表征作为输入，并生成新的表征作为输出，然后传到更高的层。底层的输入是原始数据，最高层的输出为最终的低维特征。这一特征学习的过程相当于对特征的自动提取。

　　深度学习的实质，是通过构建具有多隐含层的学习模型和通过海量的训练数据，来学习更为有用的特征，从而提升分类或预测的正确性，因此，“深度模型”是手段，“特征学习”是目的。具体到图像识别，通过使用深度网络可以学习到“部分-整体”的分解关系。

　　随着深度学习算法在图像识别中的广泛应用，图像识别的准确率得到了很大的提升。ImageNet比赛图像识别中对象分类项目准确率从2010年的72%提升到了今年的97%，可谓实现飞跃发展。

　　机器视觉应用现状

　　通过机器视觉实现身份识别功能，则想象空间更为广阔。利用机器视觉技术，实现人脸识别等识别功能后，可与存储在服务器端的身份数据匹配，获知目标的身份信息。这一识别、认证、匹配功能应用范围非常广泛，将能够应用于智能安防(锁定人群中的嫌疑罪犯)、定制化消费(识别VIP客户，匹配客户消费数据，并提供定制化的消费内容)、智能门禁(识别面部取代进出打卡)等领域。

　　在这一领域，我国创业企业旷视科技的技术已经在多个领域展开推广。旷视科技是一家专注机器视觉和人工智能的技术公司，打造领先的人脸识别，图像识别，和深度学习技术服务云平台。据彭博社报道，该公司已于2015年5月融资4700万美元，此后寻求让公司估值达到20亿美元的融资，并初步具有赴美上市计划。

　　该公司旗下拥有人脸识别技术平台“Face++”，可以为其他个人/企业用户提供人脸关键点检测和人脸分析的功能。此外该公司是阿里巴巴的战略合作伙伴，公司为阿里巴巴子公司蚂蚁金服提供远程身份认证“人脸识别”“Smile to Pay”服务。公司已为多家公司提供客户识别功能、智能门禁&考勤认证系统，并已经为某地公安局、铁路公安、某机场安检口提供动态人脸识别比对功能。

　　机器视觉投资前景

　　人脸识别与追踪也是体感交互最具前景的方向之一。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的一系列相关技术。人脸识别技术目前已广泛用于政府、军队、银行、社会福利保障、电子商务、安全防务等专业领域，但是主要用于身份识别与安防领域，作用相对局限。

　　人脸识别在移动端具有更加广阔的应用空间，例如目前指纹识别已经成为智能手机的标配，通过指纹识别来实现开机、支付、登陆确认等功能已经被大众所认可，并且创造了巨大的市场价值，但是指纹识别的局限性在于必须通过手指完成，手指放置的位置、手指表面的洁净度等因素都会极大地影响使用体验，而人脸识别可以完全解放双手，只需要借助摄像头对人脸信息的采集便可以完成识别与交互。

　　传统的人脸识别技术主要是基于可见光图像的二维人脸识别，已经发展了30多年，技术上较为成熟，但这种方式有着难以克服的缺陷——识别精度低，系统响应慢，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。三维图像人脸识别技术，由于在精度、稳定性和速度方面的优势，近年来被广泛关注，尤其是基于主动近红外图像的三维多光源人脸识别技术发展迅速。

　　三维人脸识别不仅仅在识别精度方面大幅提升，更重要的是打开了更加广阔的应用空间，例如利用三维人脸识别可以直接获取消费者面部表情(喜怒哀乐等)，直接计算出消费者的生理年龄或精神状态，这些功能都将为人机交互带来全新的玩法。

资料来源：公开资料，中国报告网整理，转载请注明出处（ww）。