前不久刚刚在国内发布的三星Galaxy Note7主打虹膜识别功能，指纹识别也几乎成了智能手机的标配。众多种类的生物识别技术被用于智能设备当中，其中语音语义识别、图像识别更是涵盖了人工智能技术在其中。这些技术成为人机交互的新趋势，是未来各类终端都需要做好的底层技术。

　　飞速成长的市场

　　根据前瞻产业研究院统计，2007年至2013年六年期间，生物识别技术的全球市场规模年均增速为21.7%。2015年生物识别技术全球市场规模将达到130亿美元，2020年将达到250亿美元，5年内年均增速约14%。

　　自2015年到2020年，各细分行业市场规模增幅分别为：指纹(73.3%)、语音(100%)、人脸(166.6%)、虹膜(100%)、其他(140%)。众多生物识别技术中人脸识别在增幅上居于首位，预计到2020年人脸识别技术市场规模将上升至24亿美元。我们预计在智能终端渗透脸部识别的情况下，市场规模可能大超预期。

　　五大生物识别分类

　　五大生物识别各有特点，但是从市场占有率看，指纹识别之后最可能脱颖而出的预计是脸部识别。终端消费电子厂商采用脸部识别技术的速度，可能在两年内接近现阶段指纹识别的市场占比。特别是支付宝、券商、银行为主的金融服务机构已经在去年开始大量采用脸部识别开户、转账、付款等，以招商银行为例，脸部识别能够实现手机端超过50万的转账，可见对于其安全性的认同。

　　1.指纹识别是目前应用最为广泛的生物识别技术，技术成熟且成本低廉，广泛应用于考勤、门禁等身份识别。但容易复制，且指纹磨损后影响识别精度。

　　2.虹膜识别利用人眼图像中虹膜区域的特征（环状物、皱纹、斑点、冠状物）形成特征模板，通过比较特征参数完成识别。该方法识别精度高、不易仿造但相关设备价格昂贵。

　　3.语音识别通过分析语音的惟一特性进行身份验证，其设备距离范围大、安装简易，但识别准确度低，可能被录音欺骗，且易受背景噪声、身体状况、情绪等因素影响。

　　4.签名识别是基于行为特征的生物识别技术，通过分析笔迹、压力、书写速度进行身份验证。但签名可仿造性高，且签名工具、情绪等均可对签名识别造成干扰。

　　5.脸部识别与其他生物识别方式相比，优势在于自然性、不被察觉性等特点。自然性即该识别方式同人类进行个体识别时所利用的生物特征相同，人类也通过观察比较人脸、声音等信息对其他个体进行区分和确认。因此，指纹识别、虹膜识别等均不具有自然性。不被察觉的特点使该识别方法不易使人抵触，利用可见光即可获取人脸图像信息，而指纹识别或虹膜识别需利用电子压力传感器或红外线采集指纹、虹膜图像，在采集过程中身份信息即有可能被仿造。

　巨头布局 刷脸将成常态？

　　从苹果、三星、华为、Facebook、谷歌、华为的多项专利可以发现，各大终端巨头纷纷布局脸部识别技术。

　　1、苹果最早于2010年开始涉及脸部识别领域，特别是近期收购人工智能和机器学习的脸部扫描企业。在2010年9月收购瑞典算法公司PolarRose，在2013年收购PrimeSense，自2015年9月及11月收购机器学习与图像识别公司Perceptio，以及动作捕捉公司Faceshift之后，苹果公司于2016年1月、8月又分别收购Emotient、Turi两家公司。Emotient为脸部识别系统公司，Turi为机器学习公司。在2015年获得脸部识别解锁设备的专利，特意保护红外传感器的使用，符合脸部识别的需求。

　　苹果在 15年获得脸部识别解锁设备的专利，根据近期产业链的发展，我们预计将大概率投入使用。专利显示设备通过探测用户面部以解锁或保持解锁状态，该设备可为内置摄像头的智能设备。该设备将包括多个传感器，如探测设备动作的动作传感器11（也叫惯性传感器），动作传感器包括位置、角度、移动传感器，例如加速剂、陀螺仪、光感传感器、红外传感器、近距离传感器、电容式接近传感器、声音传感器、声纳传感器、雷达传感器、图像传感器、视频传感器、GPS探测器、一个反相探测器、一个射频或声学多普勒探测器、一个指南针、一个磁力计或其他类似传感器。处理器18接收传感信号并控制单个或多个进程。我们注意到专利中特意保护红外传感器的使用，符合脸部识别的需求。

　　2、三星公司于2010年12月29日申请脸部识别设备、算法及机器可读媒体专利；于2004年6月19日申请图像识别特征提取的设备及算法专利；

　　3、华为公司申请至少10项脸部识别相关专利，如，确定人脸图像中人脸的身份标识的方法、装置和终端；

　　4、谷歌公司（Google）于2011年7月、2012年10月先后收购脸部识别系统公司PittPatt和乌克兰脸部识别公司Viewdle，截止2016年6月已申请21项脸部识别相关专利。

　　5、Facebook公司于2012年6月收购以色列脸部识别平台公司TelAviv，并申请了两项有关在线社交媒体图片标签建议（Tagsuggestionsforimagesononlinesocialnetworks）的专利。于2014年开发出深度脸部识别学习系统DeepFace。

　　6、亚马逊（Amazon）、微软（Microsoft）亦分别申请7项及6项脸部识别专利。

最红的是人脸识别技术

　　人脸识别主要分为人脸检测和人脸比对两部分。其工作流程为：

　　1.图像采集：通过采集传感器(如摄像头)采集人脸图像；

　　2.人脸定位及提取：然后对采集到的数据进行处理，去除采集数据中的噪声和环境因素，抽取样本中能够表征个人身份的特征信息；

　　3.特征对比：再把这些特征信息与数据库中已有的信息进行对比；

　　4.输出结果：最后根据比对的相似程度来判断是否匹配。

　　目前人脸识别市场的解决方案主要包括：2D识别、3D识别、热感识别，目前市场上主流的识别方案是采用摄像头的2D方案。2D脸部识别是基于平面图像的识别方法，但由于人的脸部并非平坦，因此2D识别在将3D人脸信息平面化投影的过程中存在特征信息损失。3D识别使用三维人脸立体建模方法，可最大程度保留有效信息。因此3D人脸识别技术的算法比2D算法更合理并拥有更高精度。热传感识别技术使用一个三层的BP（back-propagation）前馈神经网作为分类器，在使用热感信息的同时使用不会被发型、呼吸等环境因素影响的关键脸部几何信息，如鼻梁角度、脸颊面积等，以增强识别精度。

　　脸部识别产业链主要分为商业系统、主流软件、算法等，终端设备的集成化应用需要整套解决方案，大厂商在这方面具有优势。

　　脸部识别主要商业系统包括：

　　Visionics：FaceIt面像识别系统，基于Rockefeller大学开发的局部特征分析(LFA)算法

　　LauTech.公司：面像识别/确认系统，采用MIT技术

　　Miros公司：Trueface及eTrue身份验证系统，其核心技术为神经网络

　　C-VIS公司：面像识别/确认系统

　　Banque-Tec.公司：身份验证系统

　　VisageGallery’s：身份认证系统，基于MIT媒体实验室的Eigenface技术

　　PlettacElectronic’s：FaceVACS出入控制系统

　　BioID系统：基于人脸、唇动和语音三者信息融合的Biometrics系统

脸部识别主流软件包括：

　　Face++（旷视科技）

　　FacerecognitionIntelligentmodule(Macroscop)

　　digiKam(KDE)

　　iPhoto(Apple)

　　Lightroom(Adobe)

　　OpenCV(OpenSource)

　　Photos(Apple)

　　PhotoshopElements(AdobeSystems)

　　Picasa(Google)

　　PictureMotionBrowser(Sony)

　　WindowsLivePhotoGallery(Microsoft)

　　FotoBounce(AppliedRecognitionInc)

　　DeepFace(Facebook)

　　Mindolia(Mindolia)

　　脸部识别主流算法包括：

　　基于几何特征的算法

　　局部特征分析方法(LocalFaceAnalysis,LFA)

　　特征脸方法(Eigenface或PCA)

　　基于弹性模型的方法

　　神经网络方法(NeuralNetworks)

　　隐马尔可夫模型方法(HiddenMarkovModel)

　　Gabor小波变换+图形匹配

　　人脸等密度线分析匹配方法

　　其中算法为产业链核心环节，同时也是技术壁垒最高的环节。从目前国内设计脸部识别的公司看，主要还是提供摄像头算法等，硬件的价值可能被忽视。

　　脸部识别的组件部分主要涉及：软件部分为数据库、算法；硬件部分为摄像头模块、集成设备、传感器、芯片、IC、硬件接口电路、液晶显示屏、存储器等；以及，整合软硬件厂商的系统服务商。

　　总体来看，通过传感器和运算器采集并识别生物信息是未来多种硬件终端环境中人机交互的大趋势。

　　其自身的一大特点是指纹、虹膜甚至人脸、声纹等等生物信息具备唯一性，可以成为我们天然的ID，在密保性要求高的金融领域将会有更大的市场。

　　其底层所依赖的技术储备是，计算机对于声音、图像等等多媒体信息具备更强的处理与识别能力，尤其基于人工智能技术，可以在海量信息中高效地检索信息、智能地识别信息。

　　如果说下一代终端都将配备人脸识别模块，这将是多么大的一块市场。而联系到指纹的发展速度，这一天来得可能比你想象的还要快。