现在国内的人脸识别监控水平如何？

第一，人脸识别技术的价值在哪里。我们把人脸作为生物特征，作为商业应用，只是备选方案之一。在生物学中，判断的唯一标准其实是虹膜，从准确性的角度来说是最准确的，也是不可替代的。但是虹膜识别采集的成本很高，识别的效率比较低，需要等待时间。所以这两个条件把整个工业应用限制在比较少的数量，军事工业，国防等方面的投入。用高鉴定要求很高，不适合大规模推广。

第二，指纹。我们知道指纹的唯一性比较强，同时采集指纹的成本比较低，比对的成本也不高。但是为什么指纹没有成为支付和刷脸的特别大的替代方案呢？其实最主要的原因是指纹是可以复制的，是静态图像之间的比较。现在可以看到淘宝，大量的指纹贴、指纹膜、可复制的特性都不适合支付。所以指纹现在已经大致过关了。

第三和第四项技术分别是人脸识别和语音识别。两者相比现在的横向，在收集成本、对比效率、生活特征的独特性等方面更具性价比。所以现阶段人脸识别浮出水面是有原因的，这就是它的价值。业务特征的应用场景在哪里？

人脸识别的应用场景非常广泛，现在主要有两个，一个是金融行业，一个是安防行业。金融行业从马云的蚂蚁金服演示中看到了这一幕。明明刷脸就能支付。为什么不能签收快递？接下来淘宝要打通给快递员签收的功能。我相信有一天，我们会收到无人机送来的快递。无人机会在你面前拍照对比，让你知道这个用户就是你需要的人，完成整个支付过程。其实这种场景在很多方面都有过讨论和验证。基于这个场景，跟第三方的支付认证有关，包括我们看到的腾讯银行。第一个远程开卡是通过人脸识别的技术对人和卡进行认证，这样远程开户和远程开卡的功能应该在我们的证券公司和我们的网上银行得到广泛的应用。

对于安防行业来说，现阶段人脸识别的应用应该说已经到了可以商业化的程度。例如，去年有一位名叫许鞍华的香港导演在南京地铁丢失了钱包。只花了五个小时就解决了这个案子。视频监控中获取了一张照片的截图，截取了嫌疑人的照片，极其模糊。侧脸的照片如果用肉眼对比，什么也找不到。但是，这里有一家非上市公司不能提供公司名称。他们利用一种图像还原技术，将照片还原成可能的嫌疑人的样子，拍摄清晰的照片，与图库中的照片进行比对，锁定嫌疑人的身份，抓获嫌疑人。只需要五个小时。现在在安防监控领域，我们可以看到各省市和地级市都在大量的视频监控和人脸识别平台上。在整个安全投入中，上一代的安全只是静态的记录数据，而下一代的安全是一个核心技术，是实时数据的采集和识别。人脸识别在这项技术中发挥了巨大的作用。

我们来拓展一下，在未来的商业使用中，是否存在第二代人脸识别技术的潜在应用场景。我们说以后应该说是全身份证确认，但是卡和人的比对需要人工完成。如果直接定义并达到这样的标准，其实每个人对应的唯一ID就是人脸的生物特征。这个识别之后，所有的地方都可以用刷脸的方式，所有的地方都可以用刷脸开门，做各种事情。你刷脸的数据，包括你去哪里坐火车，坐飞机，去哪里吃饭，购物，收快递等。，会在人脸识别中掌握，你刷脸的数据会取代现在的在线点击。

现在信用卡和银行卡消费的数据，其实是有助于了解用户的消费习惯和数据，有助于做大数据营销和征信。但是刷脸时代到来之后，这个价值就更大了。卡片很多，但只有一张脸，是独一无二的。刷脸数据是我们在2.0时代重点关注的。

为什么在这段时间里，人脸识别的技术会大范围爆发，大范围应用。成熟度如何？我们首先要明确，人脸识别技术实现产品应用是一个两阶段的过程。在第一阶段，需要获取大量的样本数据，用于训练。训练是一种学习算法，这是一种深度学习算法。提取这些数据之间的关系并进行特殊比较。耦合度高。超过一定程度后，我们会假设这两个人是一个人，但是这个模型需要很多成本，包括优化的成本，包括数据训练的成本，包括运营的成本。当时人脸识别的一家行业公司，这家公司的创始人曾经说过，人脸识别的技术是什么意思？太上老君的高炉，有了这个炉子，大数据就是熔炉冶炼的原料，解决了计算能力资源的稀缺。所以这些加在一起，就形成了人脸识别大爆发的时代，也就是我们所说的技术突破。

但是在行业应用方面，我们可以看到美国和以色列的人脸识别尤其是动态识别的水平是国际先进的。在全网实时监控方面，美国联邦调查局去年推出了他们的下一代电子识别系统，总投资超过6543.8+0亿美元。今后，无论在美国哪里犯罪，都将监控锁定犯罪嫌疑人，进行全网追捕。

国内水平如何？顶尖的学术水平代表了国内产业发展的阶段。目前主要有三股势力。一个是清华大学的苏广达教授，他是中国人脸识别之父。第二位是中科院自动化所的李教授。早年在微软亚洲研究院颇有建树，后来去了中科院自动化所，专攻人脸识别。在奥运会上，以及后来在人脸识别的很多应用中，它提供了更好的技术。第三个团队是香港中文大学唐晓鸥教授团队，每年都会举办学术比赛。他是记录保持者。目前识别率高于人脸识别的整体水平。唐教授帮助科大讯飞继语音识别之后，在人脸识别领域确立了自己的地位。所以中国基本处于这个发展阶段。我们来推导一下以下几个阶段，我们如何鉴别人脸识别的技术，哪个可靠，哪个不可靠，可以提出一些鉴别的要点。这些点在哪里？

首先要区分动态和静态的协同识别或非协同识别。合作型就像蚂蚁金服，需要数据相互配合，能很好的收集正面的二维数据。另外就是不合作，没有办法和排除方合作。需要对随机采集的图片进行比对，识别效果会差一些，但识别的时效性会高。

在这两个模型中，我们注意三点。

第一，你的人脸建模提取了多少个特征点进行对比？这是我们脸上带有一些特征的关键节点，每个人都很不一样。选择的特征点数据越多，比较的准确度就越高。我们也采访了一些专家，他们目前能做的特征点对比应该在700分以上。目前大部分做刷脸门禁等系统产品的公司都有50个左右的特征点。所以我们做调研交流的时候，可以问一下全公司人脸识别建模的特征点数量。

第二点是人脸识别数据库的数据样本和大小，这是一个非常重要的指标。样本和大小是我们可以提供的数据集。这些必须用于人脸。举个例子，一个人有500张照片，都是用不同的角度、位置、光线拍的脸。这些数据经过合理的清洗后进行机器训练，包括对比和识别，它就能告诉你识别的对错。这个样本数很重要，有助于训练和提高模型的精度。所以可以标注的数据样本集的规模，目前至少是百万，会让识别率上升到世界领先水平，这也是可以识别的关键点之一。

第三点是你的商业模式能否获取你的全部数据。我们说人脸数据的对比形成了一个正循环模型。其实数据来源，人脸的样本来源，来自两个非常重要的渠道，美图秀秀和美颜相机，这是一个商业交换。这个数据，因为一个脱敏过程，只剩下几百个关键特征点，其余的都省略了。使用脱敏技术后，获取数据，形成训练模型，然后优化模型，不断反馈结果，获得新的数据。有了这个，你的模型的数据就会得到很好的获取，这是商业模型中非常重要的指标。

如果你具备这三个指标，应该说你同时具备这三个指标，可能是在人脸识别领域非常领先的优势，或者是有未来发展潜力的东西。同时我们分析了直觉的表现，直觉识别的表现中有两个非常重要的指标。一个是识别的准确性。我们刚刚定义了学术界每年都比较的人脸识别大赛，现在测试水平基本都在95%以上，但是人和图的对比显示就是这个人。这是一个，再对比一个，对了，是第二个。所有的人和照片都匹配的很好，最终的正确率在99.2%左右，也就是我们说的现在的常态比较法。

还有一个很重要的方法。我们看到一些人脸识别技术，包括商业银行，淘宝，都会提出错误率的问题。目前这个数据可以做到十万分之一的错误率。别人拿我的身份证对比一下。如果机器能分辨出来，就不会通过。这是正确的。如果机器把我的身份证给别人的时候过了，那可能是个错误，错误率应该在十万分之一左右。目前能做到这样错误率的公司屈指可数，这是识别准确率的问题。

另外，在多少个样本中实现这样的精度是非常重要的。一个公司有两三百人。在这些人中，挑选和通过并不难。但在公安部大平台和省级平台中，有上亿人的身份证照片。准确挑出十个或者一百个候选人，是一个很重要的指标。这个范围缩小到这个概率。你能有多准确？

第二点是识别速度。同样，我们刚刚提到的样本集的大小决定了识别的速度。本身你在样本中没有很多数据可以比较，比如有几千个，识别的数量也差不多，体现在1秒内。但如果在上亿的大样本中准确识别照片，对时间和效率的要求就会提高。所以识别速度是一个很重要的指标。

上面我们提到了五个指标，我们说这个确实能对公司的具体能力和技术做出综合判断。

综合我们上面说的，有关公司是一家有识别技术的公司，就是人脸识别的技术。前面说了，国内说话的几个学术圈的实力大家都很清楚，哪一个来的，背后有哪个强大的学术团队做后盾，科研团队的实力让这家公司处于一个很好的位置。比如科大讯飞，我们前面提到，在唐晓鸥教授的支持下，他们的团队是学术领域第一股支持他们的力量，这是资源优势。比如四川大知生就和李教授有着密切的合作。同时，他们在图像识别领域也有自己独特的技术，承担了大量的国家科研基金项目。同时我们也强调其中的一项，即四川大智胜的人脸识别技术，也就是我们目前看到的人机交互，因为它与二维平面识别有很大的不同，优势明显。因为它收集了五官之间的三维曲面组合，所以收集了更多的数据。有更多的功能可供比较。我们之前在视频中发现了侧脸和不清晰的照片，很难识别嫌疑人是谁，因为在我们的二代身份证库中，只有正面数据可供比对。在采集三四代身份证数据的过程中，必须提取生物特征，首先是指纹，三维人脸识别会更快，可能提取三四代。

一旦需要提取3D人脸数据，此时，四川大智胜作为国内唯一拥有产品和技术的公司，面临着广阔的市场。但同时也要看到，虽然3D人脸识别有着惊人的优势，也有着明显的劣势，但是特征点的选取很难，包括侧面人脸。同时，表情的因子，其实还不如立体表情的因子，提取的时候效率低，消耗的数据也很大。所以现在我们能看到的应用场景还是比较少的，包括美国有犯罪记录的犯人。目前我们国家正在监狱逐步推广，以后全民收藏。这绝对是一个非常巨大的市场。同时，人脸识别公司中，这家公司的技术特点和对三维人脸识别的持续加码，有一个项目1.8亿元，需要投入研发，国家自然科学基金也持续支持他们的三维人脸识别学术研究项目，已经支持了很多年。所以在这个领域，应该是到了开花结果的地步。所以在这一点上，我们特别提醒大家关注这家公司，技术上比较匮乏。

科大讯飞，就是我们刚才讲的一个典型的商业模式，可以实现人脸识别数据的正向循环，它有一个互联网入口。之前在语音领域，科大讯飞语音云走的就是这样的模式。我获得了你的语音数据，并利用你的数据不断训练我的后台算法，使它们能够提高并保持与其他竞争对手的领先优势。这种情况下，数据循环从这个语音领域复制到图像识别，也就是人脸识别。如果你关注了科大讯飞，可以看到上周引入了双重生物识别的因素。什么是对偶？经过双重加密，确实是这个人把出错的概率降到了很低的水平。经过同步识别和双重加密，这个认证过程可以提高几个数量级。

有了这样一个开放的云平台，科大讯飞的数据常态化流程逐步建立，他下一步会和很多第三方应用合作，包括可以开锁的智能硬件，包括实现他的数据录入和电话银行、电话客服、邮箱的正循环的过程。我们的核心问题是上述评判标准。我觉得科大讯飞其实是一家很有前景的人脸识别公司。在报告中，我们也提到了科大讯飞是一家生态公司，不仅在人脸识别这一领域拥有强大的资源优势、技术优势和商业模式优势。同时，在我们整个人工智能领域，科大讯飞超脑可以不断用它孵化，基于学习模式，从语音到现在的图像，再走向语义，不断做技术衍生。这样的生态链一旦形成，在人工智能行业的地位是不可动摇的。所以整个人工智能行业，我们要推动科大讯飞。

在人脸识别领域，科大讯飞的优势也非常明显，我们也看好四川大智胜拥有的3D人脸识别技术。至于其他品牌公司，我们可以看到Obit收购的公司在安全领域的人脸识别占比超过50%，在产品化方面也做得非常好。另外两家公司刚刚推出了自己的识别技术，但是没有办法区分是否具备上述五个标准。在以后的调查跟踪中，我们会对他们的标准进行梳理和进一步分解。这是对鉴定公司的分析。

下一阶段，我们认为还是有很好的投资机会。除了第一种识别，第二种应该是数据资源。目前数据资源是视频资源。视频资源好的公司可以通过视频资源进行持续的深度学习算法和优化。也许他没有这个技术和能力，但是他可以通过技术合作找到研发团队或者公司合作，和* * *有同样的发展优势。目前如果把视频资源中的这些公司进行梳理，我认为东方网力在这方面已经领先了。目前在产品端仍然没有关于人脸识别成型的产品，但其应用在于多年的视频数据积累。这与后期密切相关。先买了广州安防领域的智能视频监控公司。只要迈出这一步，布局的意图就非常明显了。摄像公司会入侵视频公司，后一家公司未来可能会挤压存储环节，未来有可能在一个环节完成分析和存储。这个时候压力比较大，所以转型的动力也最迫切，意志也最强烈。

所以总的来说，人脸识别技术的爆发并不是偶然的。应该说符合我们说的人工智能的三个条件。深度学习算法、大数据和云计算，这三个条件成熟后，拐点到来时，大规模的商业应用是自然而然的。下一阶段，基于计算机视觉的应用，在视频监控领域，对人的行为模式的识别、跟踪和分析将成为一个非常大的市场，成熟度有待进一步检验。但是我们已经看到了这个市场，所以现在我要和大家探讨一下人脸识别行业的发展机会。我觉得你需要关注的不仅仅是人脸识别技术本身的发展，还有哪些技术是哪些上市公司拥有的。我们看到的背后是整个计算机视觉的崛起。

人工智能的报告中提到，计算机视觉的1.0版本是静态图像的识别，2.0版本肯定是动态视频内容的理解和学习，包括像Google这样的无人驾驶汽车，包括报告中提到的以色列公司，也是在纳斯达克上市的。他们利用计算机视觉技术实现了汽车的辅助无人驾驶。在这个领域，其实有很多计算机视觉的应用可以开发。还有一个法律问题，就是允许无人驾驶汽车上路是否合法。这个问题你不用担心。因为在IPO的时候，这家公司的CEO说他还在担心无人驾驶汽车到底合法不合法，但是我可以肯定的告诉你，十年后人开车上路是违法的，这绝对是一个大的方向和趋势。这是我从人工智能领域延伸出来的。人脸识别只是一个点，更多的还需要一点一滴的摸索。