全国服务热线: 021-67756215 67756203
全国服务热线: 021-67756215 67756203
人脸识别的三种应用模式：1:1 身份验证模式本质上是计算机对当前人脸与人像数据库进行快速比对并得出是否匹配的过程，可以简单理解为证明你就是你。1:N 则是在海量的人像数据库中找出当前用户的人脸数据并进行匹配。M:N 是通过计算机对场景内所有人进行面部识别并与人像数据库进行比对的过程。M：N作为一种动态人脸比对，其使用率非常高，能充分应用于多种场景，例如公共安防，迎宾，机器人(300024)应用等。
人脸识别的主要商业应用场景包括安防、门禁、新零售以及人证合一等领域：安防领域，随着智能安防概念的深入逐渐产生前端摄像头与后端处理的智能识别分析需求;智能门禁系统是人脸识别在商业领域中最早的应用载体之一，其中人脸识别门禁系统对于其他生物识别门禁系统的优势在于：自然性、非强制性、非接触性和智能数据输出;智能迎宾系统基于动态捕捉与非配合式人脸识别技术，与门禁联动，并结合后台管理系统可实现快速，准确识别宾客身份，访客邀约，访客登记，访客数据统计，访客查询等功能;人脸识别也是AmazonGo所代表的新零售应用场景的关键技术;此外，人证合一产品将身份证识别与人脸识别技术结合在一起，市场需求旺盛。
人脸识别目前的盈利模式以to B为主。目前来说人脸识别企业的主要盈利模式包括企业级技术服务和软硬件销售。国内以商汤科技、旷视科技为代表的深度学习企业，以B2B2C的商业模式，与各行业领军企业合作，共同推进人脸识别在各行业的应用和变现。他们向B端输出技术能力，以分成、按 License 收费、按技术使用次数收费等模式，绑定B端服务于C端客户的业务增长，并借助B端的行业资源打开市场。
人脸识别已在多个上市公司核心业务中实现商业化落地。人脸识别技术已经成功应用到以安防行业为代表的多个行业，并且进入多个上市公司的核心业务和核心产品体系中。不但大幅提升了各个公司原有业务的运营效率，更创造了多个前景广阔的增量市场。以安防行业为例，主要商业模式为三种：1、为安防厂商提供视频结构化、人脸布控、人脸搜索、车辆识别、人群分析等软硬一体形态提供定制化GPU、智能摄像头等一体化解决方案，按照处理的监控视频路数收费;2、将人脸识别功能融入身份识别产品、过关闸机、柜台产品等，以产品化的形态通过行业渠道销售盈利;3、与传统安防厂商合作，通过其渠道共同中标平安城市、智慧城市等大型项目，通过项目形式盈利。
一、人脸识别的三种模式
1.1 人脸识别的1:1模式
1:1身份验证模式本质上是计算机对当前人脸与人像数据库进行快速比对并得出是否匹配的过程，可以简单理解为证明你就是你。1:1作为一种静态比对，在泛金融的核身、信息安全领域中潜在的商用价值巨大。例如在机场安检中持卡人样貌与身份证信息匹配的过程就是典型的1:1场景。然而人眼辨别率只达到95%左右，并会受到外部环境影响，所以机场安检人员通过换班来保证识别的准确率。人脸识别技术的出现解决了人工识别的弊端，并能充分应用于考试考生身份的审核、酒店入住办理，火车站人票合一认证，移动端支付等任何需要实名制等场景。
1.2 人脸识别的1:N模式
1:N则是在海量的人像数据库中找出当前用户的人脸数据并进行匹配。1:N具有动态比对与非配合的特点，动态对比是指通过对动态视频流的截取来获得人脸数据并进一步比对的过程，而非配合性是识别过程非强制性与高效性的表现，识别对象无需到特定位置便能完成识别工作。由于这两个特性使1:N身份认证模式能迅速落地于公共安全管理与VIP客户人脸识别等场景，但其难度要远高于静态1:1，因为机器面临着曝光过度、逆光、侧脸、远距离等挑战。
1.3 人脸识别的M:N模式
M:N 是通过计算机对场景内所有人进行面部识别并与人像数据库进行比对的过程。M:N作为一种动态人脸比对，其使用率非常高，能充分应用于多种场景，例如公共安防，迎宾，机器人应用等。但是M:N模式仍存在很大的弊端，因为其必须依靠海量的人脸数据库才能运行，并且由于识别基数过大，设备分辨率不足等因素，使M:N模式会产生很高的错误率从而影响识别结果。
人脸识别技术的成熟虽然能代替一部分劳动力，但仍不能作为唯一的验证方式，其更需要与人工识别相结合从而进行精准判断。例如，在受到外部环境干扰下，人脸识别技术会产生错误数据，这时就需要人工协助，共同完成识别确认过程;又或者在企业应用中，具有较高机密需求的场所可以采用人脸识别和刷卡的双重认证来进一步确保安全性。
二、人脸识别的主要商业应用场景
2.1 安防行业
安防行业应用空间广阔。我国安防行业规模由“十一五”末的2300亿元增长至”十二五“末的5000亿元，增速高达18%。国内安防市场增速远高于全球，预计2017年将达到6540万元，其中视频监控作为平安城市建设的重要环节，将是人脸识别最具价值的应用场景之一。
视频监控智能化迫在眉睫。随着摄像头数量的急速增加与摄像头网络化进程持续推进，产生海量的视频数据并已远远超出监控者的管理范围，视频监控智能化越来越急迫。智能化管理则是将人工智能引入视频监控中，使其具备自动整理与分类的功能，将数据结构化处理，并使处理后的结构性数据能大规模被用于检索，分析与统计中，最终通过针对性深度挖掘使其成为有意义的情报数据。
在深度学习技术推动下，人脸识别技术可以同时具备识别人物属性和身份的能力。在深度学习推动下，人脸识别可以实现任意脸部遮挡及视角下的实时检测，一次性克服了人脸检测中的几项难题：侧脸、半遮挡、模糊人脸，极大提升了各种现实情况中的人脸检出效果。同时可以识别性别、年龄、表情及多种脸部生理特征，不仅可以准确识别照片中人物的性别和年龄，也提供表情、颜值(美貌指数)、戴眼镜、化浓妆、涂口红、戴帽子、头发颜色、胡须样式等超过 40 种属性，平均准确率超过 90%，年龄预测平均误差小于3岁。
视频监控领域可以实现多个场景人的行为以及车辆识别。基于深度学习的行人检测算法能够在各类遮挡的情况下精确找出行人位置，并能够进一步分析行人姿态和动作，可应用于交通监控、辅助驾驶、无人驾驶等。可以在行车场景、交通监控场景、卡口场景中检测多种不同角度的车辆，并同时给出车牌号码、汽车品牌、型号、颜色等物理特征。
视频监控领域可以实现多个场景人的行为以及车辆识别。基于深度学习的行人检测算法能够在各类遮挡的情况下精确找出行人位置，并能够进一步分析行人姿态和动作，可应用于交通监控、辅助驾驶、无人驾驶等。可以在行车场景、交通监控场景、卡口场景中检测多种不同角度的车辆，并同时给出车牌号码、汽车品牌、型号、颜色等物理特征。
摄像头的智能化改造是另一个安防领域的市场机遇。摄像头的精准度将影响最终人脸识别的准确率，此前大量摄像头存在三个致命缺点：1、三维变二维时易丢失距离信息;2、无法完成全视角监控并受到光源影响巨大;3、无法将深度拍摄与全视角拍摄相结合。目前以格灵深瞳为代表的技术公司正着力研发三种类型的摄像头去解决这些问题：
1、Depth Video
其根据捕食动物眼睛的视觉重叠原理，利用构成结构光的方式生成Depth Video，然后基于数据去分析人的行为。即使有遮挡的情况，其仍能根据俯视雷达图精准判别每个人的行动轨迹及行为。
2、光场相机
昆虫的复眼能最大程度的捕捉光源，并传输至神经，快速形成反映，同时能完成360度无死角观察外界环境，也够能迅速视觉定位，判断近距离的情况。摄像头根据这一成像原理利用镜头或者传感器阵列去接受最大的光场，并将光场分布并计算结果。
3、人眼摄像机
人眼相机的原理其实和哺乳动物的眼球工作原理相似，人眼中含有黄斑，其集中了人眼75%的有效像素，剩下的25%分布160度的时常角上。而人眼相机根据这一特性，通过一个视场角很广但分辨率不足的检测系统与视场角很小但分辨率很高的黄斑系统共同工作并完成拍摄任务。
2.2 门禁
门禁系统又称出入管理控制系统，是对出入口通道进行管制的智能化系统。可以笼统地概括为：对人员出入权限的管理——即管理什么人、什么时间可以进出哪些门。门禁系统其最初形态为机械门锁，但随着情境、场所、级别权限、工作流程的细分与人流量增大等外部环境影响下，钥匙管理难度随之升高。而电子卡锁(磁卡和射频卡)，电子密码锁等形式的出现在一定程度上提高了人们对出入口通道的管理能力，使通道管理进入了电子化时代。但是随着这两种电子锁的不断应用，其本身的优缺点便逐渐显现。
智能门禁系统是人脸识别在商业领域中最早的应用载体之一，其中人脸识别门禁系统对于其他生物识别门禁系统的优势在于：
1、自然性
自然性指通过用摄像设备采集人脸数据并进行识别比对的方式，同时包括语音识别和体形识别，而指纹识别和虹膜识别等则不具备自然性这一特点。
2、非强制性
非强制性指在识别过程中被识别对象无需主动配合便能完成识别任务，例如，人脸识别是利用可见光获取人脸图像信息而进行比对。不同于指纹识别或者虹膜识别需要利用电子压力传感器采集指纹，或利用红外线采集虹膜图像。并且人脸识别门禁系统更具备安全性与高效性。
3、非接触性
与其他生物识别技术相对比，人脸识别是非接触的，用户不需要和设备直接接触，并且能够支持高并发处理，同时又能够满足在实际应用场景下进行多个人脸的分拣、判断及识别。
4、智能数据输出
人脸识别门禁能够对场景内所有人进行面部数据采集，帮助管理者建立易于检索、对比突出管理档案以及为改善管理决策提供必要依据。
2.3 智能迎宾
企业智能迎宾系统。智能迎宾系统基于动态捕捉与非配合式人脸识别技术，与门禁联动，并结合后台管理系统可实现快速，准确识别宾客身份，访客邀约，访客登记，访客数据统计，访客查询等功能，使企业办公更智能化。
展会迎宾签到系统。展会的签到形式从最初的纸质身份牌发展至条形码，磁卡，IC(智能)卡，手机二维码等多种形式，然而这些方式只是实现了会议签到无纸化管理，虽然在一定程度上提高了效率。但仍存在较大隐患，例如信息安全的丢失，冒名代签等诸多问题。展会迎宾签到系统同样基于人脸识别技术，组织者只需采集一次参会人员的面部图像(征集或在网上检索)，并录入系统人像数据库。访客只需经过摄像范围内，摄像设备则能迅捕捉并进行识别，进一步分配座位完成签到任务。同时，系统也能与其他设备联动，例如标签打印机，嘉宾人脸查找等。
2.4 以AmazonGo为代表的新零售
人脸识别技术是AmazonGo所代表的新零售应用场景的关键。当消费者进入商店，摄像设备首先会对其进行面部识别，并传回至Amazon用户人像数据库中进行比对。而商场中每一件商品都配备重力感应器与传感器，通过摄像设备捕捉消费者的行为及手势，并准确识别其拿起的商品信息，同时采集消费者离开货架后的图像共同传送至信息中心。计算机根据比对结果与每一件商品所传输的重力感应信息结合来共同判断消费者是否进行购物，并不会产生延迟。商店中麦克风能根据环境声音来判断消费者位置，从而协助摄像设备进行人物定位追踪。离店时，扫描器能扫描并记录消费者购买的商品，同时进行二次确认，并在其消费账户完成扣费任务。
2.5 人证合一
人脸识别人证合一产品本质就是将身份证识别与人脸识别技术结合在一起的新应用，其保留了传统线下审核中“机读”证件的部分，同时通过人脸识别技术对持卡人进行现场人脸采集，并与身份证中的图像信息进行交叉比对，完成验证过程。根据系统框架结构的不同，智能身份验证将分为网络对比模式与终端对比模式。同时根据应用场景的不同，设备形态又分为人证对比闸机与认证对比一体机。
人脸识别的盈利模式
三、人脸识别的盈利模式
目前来说人脸识别技术公司主要以企业级技术服务和软硬件销售为盈利模式。国内以商汤科技、旷视科技为代表的深度学习技术公司，主要以B2B2C的商业模式与各行业领军企业合作，共同推进人脸识别在各行业的应用和变现。一般这类公司向B端输出技术能力，以分成、按License收费、按技术使用次数收费等模式，绑定B端服务于C端客户的业务增长，从而借助B的行业资源打开市场。
四、人脸识别已在多家上市公司核心业务中实现商业化落地
2014年，香港中文大学教授汤晓鸥教授领导的计算机视觉研究组开发的DeepID深度学习模型，在 LFW (Labeled Faces in the Wild) 数据库上获得了 99.15%的识别率首次超过人类(同等情况下人用肉眼在LFW上的识别率为97.52% )，人脸识别技术取得重大突破至今已有三年时间。
2017年，经过三年的技术红利消化与扩散，人脸识别已经成功应用到以安防行业为代表的多个行业，并且进入多个上市公司的核心业务和核心产品体系中。不但大幅提升了各个公司原有业务的运营效率，更创造了多个前景广阔的增量市场。以安防行业为例，主要商业模式为三种：
第一， 为安防厂商提供视频结构化、人脸布控、人脸搜索、车辆识别、人群分析等软硬一体形态提供定制化GPU、智能摄像头等一体化解决方案，按照处理的监控视频路数收费;
第二， 将人脸识别功能融入身份识别产品、过关闸机、柜台产品等，以产品化的形态通过行业渠道销售盈利;
第三， 与传统安防厂商合作，通过其渠道共同中标平安城市、智慧城市等大型项目，通过项目形式盈利。
我们相信在人工智能上升到国家战略层面的大背景下，人脸识别将大展拳脚。
