护 。这种技术原理基于 “ 对立性训练 ” ， 经过树立起两种互相对立的算法 ， 当发现某种检测算法正在寻觅脸部特征 ， 搅扰算法会自动调整这些特征 ， 在照片中发生十分纤细的搅扰 ， 经过这些搅扰来障碍整个检测零碎的检测效果 。（6）、香港中文大学。作爲最早投入深度学习技术研发的华人团队 ， 在多年布局的关键技术根底之上 ， 香港中文大学教授汤晓鸥带领的团队迅速获得技术打破 。2012 年国际计算视觉与形式辨认会议 ( CVPR ) 上仅有的两篇深度学习文章均出自其实验室 ；2011-2013 年间在计算机视觉范畴两大顶级会议 ICCV 和 CVPR 上宣布了 14 篇深度学习论文 ， 占据全世界在这两个会议上深度学习论文总数 ( 29 篇)的近一半 。他在 2009 年取得计算机视觉范畴两大最顶尖的国际学术会议之一 CVPR最佳论文奖 ， 这是 CVPR 历史下去自亚洲的论文初次获奖 。（7）、中科院自动化所。中科院自动化所是国际抢先的形式辨认范畴研讨机构 。多年来 ， 在人脸辨认范畴展开了普遍的研讨 。自动化所李子青研讨员指导的人脸辨认研讨团队 ，提出了基于近红外的人脸辨认技术 ， 对光照变化影响的处置有较好的效果 ，并将该技术使用于 2008 年北京奥运会安保项目 。自动化所孙哲南研讨员团队 ， 在生成对立网络根底上提出高保真度的姿势不变模型 (High Fidelity Pose Invariant Model, HF — PIM) 来克制人脸辨认义务中最爲经典的姿势不分歧成绩 。实验后果标明 ， 该办法在基准数据集上的表现的视觉效果和定量功能目标都优于目前很好的基于对立生成网络的办法 。此外 ， HF-PIM 所支持的生成图像分辨率也在原无方法的根底上提升了一倍 。（8）、清华大学。清华大学是国际最早从事人脸辨认技术研讨的研讨机构之一 。清华大学苏光大教授 ， 自 1980 年代就开端了人脸辨认技术研讨打工 。苏教授提出了 1 ：1 图像采样实际和邻域图像并行处置机实际 ， 并在 2005 年经过多计算机并行处置技术 ， 明显进步了人脸辨认处置的功能 。这项技术与 2012 年由多伦多大学 Hinton 团队提出的应用并行计算来进步反向传达算法的运算效能有异曲同工之妙 。同时 ， 苏教授团队提出了最佳二维人脸 、 不同类别的多特征描绘以及MMP — PCA 等一系列人脸辨认的实际和办法 。科技类公司。在人脸辨认技术研讨范畴 ， 众多科技类公司也起到了至关重要的作用 。微软亚洲研讨院较早就开端了人脸辨认技术研讨 ， 宣布了少量优秀的学术论文 ，2018 年 ， 微软亚洲研讨院提出的深度学习残差网络 RESNET, 在研讨范畴失掉了普遍认可 ；苹果企业在人脸辨认技术上停止了深化研讨 ， 自 2017 年开端 ，就在其 iphoneX 手机上引入了刷脸解锁功用 ；日本电气 (NEC) 企业也是国际上人脸辨认技术的先 行者之 一 ， 很早就提出了基于人脸辨认技术的公共平安处理方案 ；国际有 “ 人工智能四小龙 ” 之称商汤 、 旷视、 依图 、 云从等公司 ， 在人脸范畴 ， 从学术研讨到产业理论 ， 都做了少量的打工 ， 在复杂场景 ， 大规模处置等范畴 ， 不时获得新的效果 ；国际传统科技公司百度 、 阿里 、 腾讯 、 安全科技 、 海康 、 大华等 ， 也在人脸辨认技术范畴展开普遍深化的研讨 ， 并结合其原有的业务范畴的场景 ， 获得明显的技术研讨效果 。3、人脸辨认技术劣势及局限性技术劣势。在不同的生物特征辨认办法中 ， 人脸辨认技术有其本身特殊的劣势 ， 因此在生物辨认中有着重要的位置 。（1）、 非侵扰性 ， 人脸辨认无需搅扰人们的正常行爲就能较好地到达辨认效果 ， 只需在摄像机前自然地停留片刻 ， 用户的身份就会被正确辨认 。（2）、便捷性 ， 人脸辨认采集设备复杂 ， 运用快捷 。普通来说 ， 罕见的摄像头就可以用来停止人脸图像的采集 ， 不需特别复杂的公用设备 。图像采集在数秒内即可完成 。（3）、敌对性 ， 经过人脸辨认身份的办法与人类的习气分歧 ， 人和机器都可以运用人脸图片停止辨认 。（4）、非接触性 ， 人脸图像采集 ， 用户不需求与设备间接接触 。另外 ， 可以在比拟远的间隔停止人脸图像的采集 。拆卸了光学变焦镜头的摄像头 ， 焦距可以进步到 10 倍以上 ， 使景深范围扩展到 50 米以外 ， 完成对近景明晰拍照 ，无效采集远处的人脸图像 。（5）、可扩展性 ， 在人脸辨认后 ， 经过对辨认后果数据停止下一步处置和使用 ， 可以扩展出众多实践使用方案 ， 如使用在出入门禁控制 、 人脸图片搜索 、上上班刷卡 、 合法人员辨认等各个范畴 。（6）、荫蔽性强 ， 平安范畴关于零碎荫蔽性有较强要求 ， 人脸辨认在这方面比指纹等方式更具劣势 。（7）、弱小的预先追踪才能 ， 零碎记载的人脸信息是十分重要且易于应用的线索 ， 愈加有利于停止预先追踪使用 。（8）、精确度高 ， 相比于人体 、 步态等其特征 ， 人脸特征具有更强的鉴别性与更低的误报率 ， 所能使用的底库规模上高出许多 ， 目前超大规模 （ 十亿级别 ） 的人脸检索曾经可以适用 。技术局限。人脸辨认技术由于类似脸 、 年龄 、 算法成见 、 面临的场景多样化以及人脸图像更易地下获取等缘由 ， 技术自身也面临着一定的局限性 。（1）、类似脸较难处理 。双胞胎或许长相很相近的人脸容易辨认错误 ， 而该成绩在目前暂时没有新技术能完全处理 。NIST 剖析报告指出 ， 大局部状况下双胞胎仍能区分分数上下 ， 但是往往都在阈值之上 ， 在开放环境下使用效果较差 。（2）、算法成见成绩 。由于目前人脸辨认算法很大水平依赖于数据样本 ，但是不同人群的人脸数据样本存在差异 ， 这招致了算法对不同地域 、 不同年龄人群的辨认才能有差异 。美国国度技术规范研讨院 NIST 的反省标明 ， 人脸辨认软件在不同地域 、 种族 、 性别 、 年龄上存在较大差别 。比方 ， 小孩子 ， 老年人以及其他很少呈现的人种或许肤色的人脸辨认率绝对较低 ， 该成绩亟需处理 。（3）、人脸辨认率易受多种要素影响 。现有的人脸辨认零碎在用户配合 、采集条件比拟理想的状况下可以获得令人称心的后果 。但是 ， 在用户不配合 、采集条件不理想的状况下 ， 会影响现有零碎的辨认率 。例如依据 NIST 的测试报告 ， 戴口罩状况下大局部算法的错误率会进步 1 个数量级以上 ， 跨年龄 、 大角度等要素也会形成不同水平的下降 。（4）、年龄变化的影响 。随着年龄的变化 ， 面部外表也会变化 ， 特别是关于青少年 ， 这种变化愈加分明 。关于不同的年龄段 ， 人脸辨认算法的辨认率也不同。（5）、平安性成绩 。人脸辨认零碎信息存储异样会面临黑客的攻击 。所以对数据加密很重要 。随着技术的不时提升 ， 人脸辨认技术在平安性上需求增强 。同时 ， 人脸表露度较高 ， 相比对其它生物特征数据更容易完成主动采集 。这也同时意味着人脸信息的数据更容易被窃取 ， 不只能够进犯团体隐私 ， 还会带来财富损失 。大规模的数据库泄露还会对一个族群或国度带来平安风险 。4、 人脸辨认技术的开展趋向随着人脸辨认技术的普遍使用 ， 也在不时促进技术自身继续开展 。根底算法研讨 、 人脸重建技术 、 戴口罩人脸辨认 、 3D 人脸辨认技术 、 新型人脸采集技术 、人脸聚类技术 、 和低质量人脸辨认技术 ， 是产业界和学术界关注的热点课题 ，也预示了人脸辨认技术的开展趋向 。根底算法技术热点包括模型构造设计 、 损失函数设计 、 无监视 / 半监视学习算法和散布式自学习算法等 。模型构造设计目前次要有手工设计与网络构造搜索 (NAS) 两种思绪 。ICCV 2019 轻量级人脸辨认 (Lightweight Face Recognition) 竞赛后果显示 ， 虽然对大模型场景下构造改良带来的提升则较爲无限 ， 但是轻量级场景下网络构造改良关于辨认率提升较爲分明 。损失函数设计的中心在于学习具有鉴别性且足够鲁棒的特征 。近年来基于度量学习与各类 margin — based 办法逐步成爲主流。在特征提取减速方面 ， 次要的办法有轻量级网络 、 模型蒸惚 、 稀疏量化等 ；在特征比对减速方面 ， 次要的思绪有量化以及各类近似最近邻检索技术 。低质量人脸辨认技术。在实践的静态使用场景下 ， 人脸辨认技术由于场景的不可控要素 ， 采集到的图片质量与训练图片的质量有很大差别 ， 如人脸偏转 ， 大幅度侧脸 ；运动模糊和失焦模糊 ；遮挡物(例如口罩 ， 墨镜) ；低的光照强度和比照度 ；视频传输由于编解码进程发生的人脸信息丧失等 ， 这些要素招致精确率极度下降 。针对这些详细成绩 ， 研讨人员提出综合应用各种图像加强技术和图像生成技术对人脸辨认算法精确率停止提升的办法 ， 如采用对立式生成网络对摄像头的作风停止迁移 ， 采用基于深度学习的办法对小尺寸模糊人脸停止超分辨率重建和基于留意力机制对人脸图片停止去模糊处置等 。此外 ， 3D 人脸辨认技术也可以无效处理复杂场景下人脸单模态鲁棒性缺乏成绩 ， 如大角度 、 遮挡惹起的效果下降成绩 ， 常用的交融战略有类似度交融 、 特征交融 、 决策交融等 。戴口罩人脸辨认技术。往年新型冠状病毒疫情时期戴口罩人脸辨认遭到较大关注 。常用的处理办法无数据加强 、 遮挡恢复 、 多部件模型交融等 ， 可使用在人脸布控 、 生疏人检测 、 无感通行中 ， 均不需求摘下口罩 ， 在 30 万人像库的规模下 ， 戴口罩人脸辨认精确率可大于 90% 。人脸聚类无论是在团体范畴的相集管理还是在智慧城市管理范畴都有较爲普遍的使用 。晚期次要基于传统的聚类办法如 k-means 等 ， 但效果不佳 。近年来 ， 基于 GCN 的人脸聚类办法崭露头角 。实践业务中 ， 时空信息的发掘也是研讨的热点 。特定群体辨认技术。针对儿童/老人 、 不同肤色群体的人脸辨认 ， 有标签的数据较少 ， 而无标签的数据更多些 。研讨人员提出可以应用半监视/无监视学习办法带来功能的进一步提升 。同时 ， 对立 、 域顺应等办法也是研讨人员较爲关注的办法 。在特定群体辨认中 ， 应思索如何方便老年人运用人脸辨认零碎 。爲了防备照片 、 视频 、 头模等假体对人脸辨认零碎的攻击 ， 出现攻击检测算法也是研讨的热点 ， 次要检测原理包括 ：a ） 团圆图像检测方式 ， 即应用一幅或多幅图像停止判别 ；b ） 延续图像检测方式 ， 即采用延续图像序列停止判别，如检测显示器边缘 、 边框 、 屏幕反光 、 像素点 、 条纹剖析等停止判别 ；c ） 用户自动配合检测方式 ， 即经过指令要求用户完成相应举措如摇头 、 低头 、左右转头 、 张嘴 、 眨眼 、 跟读屏显提示信息等停止判别 ；d ） 基于辅佐硬件设备的检测方式 ， 即应用辅佐硬件设备获取更多判别根据辅佐停止判别 ， 如应用深度摄像头采集人脸深度信息或应用特定波长光源投射并检测在皮肤或非皮肤材质上发生的发射率差别等 ；e ） 用户主动配合检测方式 ， 如 ：应用静脉血管 、 肌肉 、骨骼 、 静脉血液中脱氧血色素对红外线的吸收特性 ， 判别其能否来自活体 ；经过特定指令引导用户眼球运动 ， 并经过跟踪眼球运动以判别能否爲真实活体 。多模态交融辨认技术。多模态交融辨认技术可以无效处理复杂场景下人脸单模态鲁棒性缺乏成绩 。如大角度 、 遮挡 、 像素过低惹起的效果下降成绩或使用场景关于平安性牢靠性要求很高的场景 ， 多模态可以加强辨认的可信度 。多模态辨认有两个开展方向 ， 一个方向是在脸部图像特征辨认的根底上 ， 添加头肩和形体的辨认 ， 这种技术的益处是可以不用添加额定的采集单元 ；另外一个方向是 ， 交融其他生物辨认模态 ， 如静脉纹理 ， 声纹信息等 ， 这种技术除了可以进步算法的鲁棒性之外 ， 还可以进步活体验证的可信度 ， 外行业里遭到了较爲普遍的关注 。03.行业开展1、行业开展概述随着云计算 、 大数据 、 物联网 、 人工智能等计算机迷信技术的飞速开展以及人脸辨认技术在实践使用中的不时成熟 ， 人脸辨认技术在智慧安防 、 智慧城市 、 智能家居 、 挪动领取等范畴持续大放异彩 ， 并且人脸辨认的一些新使用场景也不时地被发掘出来 。全球人脸辨认行业规模仍然在以十分高的速度停止增长 。依据MarketsandMarkets 发布的全球人脸辨认市场相关报告 ， 估计全球人脸辨认市场规模将从 2019 的 32 亿美元增长到 2024 年的 79 亿美元 ， 在预测期内（ 201 9-2024 年 ） 将以 16.6% 的复合年增长率停止增长 。国际方面 ， 中国人脸辨认技术投入在 2017-2018 年到达巅峰 ， 依据 IHSMarkit 的数据 ， 2018 年 ， 中国在全球人脸辨认市场的业务占据了将近一半的份额 。2019 至 2020 年 ， 人脸辨认技术开展趋于陡峭 ， 进入明智期 。根据 IT 桔子数据统计 ， 截至目前 ， 中国人脸辨认技术总投资额到达 406 亿元 。前瞻产业研讨院估计 ， 将来五年人脸辨认市场规模将坚持 23% 的均匀复合增长速度 ，到 2024 年市场规模将打破 100 亿元 。2、 行业发展示状人脸辨认产业链以人脸辨认算法作爲两头层 ， 其下游爲器件 、 通用硬件 、根底软件 ， 下游提供了人脸辨认算法的输出 、 训练 、 开发和运转环境 ；下游爲设备和商品 ， 最终表现爲处理方案 ， 下游是人脸辨认算法的商品形状 。从产业链下游来看 ， 国际厂商 （ 以华爲 、 寒武纪爲代表 ） 在芯片设计方面有较强实力 ， 在芯片制造方面 ， 除去手机等对芯片精细水平要求较高的设备 ，国际厂商具有制造芯片的才能 。但高端芯片的制造工艺以及根本元器件