河南商汤人脸识别算法

1. 人脸识别的识别算法

人脸识别的基本方法

人脸识别的方法很多，以下介绍一些主要的人脸识别方法。

(1)几何特征的人脸识别方法

几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系(如相互之间的距离)。这些算法识别速度快，需要的内存小，但识别率较低。

(2)基于特征脸(PCA)的人脸识别方法

特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。高维的图像空间经过KL变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。目前有一些改进型的特征脸方法。

(3)神经网络的人脸识别方法

神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。

(4)弹性图匹配的人脸识别方法

弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。

(5)线段Hausdorff 距离(LHD) 的人脸识别方法

心理学的研究表明，人类在识别轮廓图(比如漫画)的速度和准确度上丝毫不比识别灰度图差。LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。

(6)支持向量机(SVM) 的人脸识别方法

近年来，支持向量机是统计模式识别领域的一个新的热点，它试图使得学习机在经验风险和泛化能力上达到一种妥协，从而提高学习机的性能。支持向量机主要解决的是一个2分类问题，它的基本思想是试图把一个低维的线性不可分的问题转化成一个高维的线性可分的问题。通常的实验结果表明SVM有较好的识别率，但是它需要大量的训练样本(每类300个)，这在实际应用中往往是不现实的。而且支持向量机训练时间长，方法实现复杂，该函数的取法没有统一的理论。

人脸识别的方法很多，当前的一个研究方向是多方法的融合，以提高识别率。

在人脸识别中，第一类的变化是应该放大而作为区分个体的标准的，而第二类的变化应该消除，因为它们可以代表同一个个体。通常称第一类变化为类间变化，而称第二类变化为类内变化。对于人脸，类内变化往往大于类间变化，从而使在受类内变化干扰的情况下利用类间变化区分个体变得异常困难。正是基于上述原因，一直到21 世纪初，国外才开始出现人脸识别的商用，但由于人脸识别算法非常复杂，只能采用庞大的服务器，基于强大的计算机平台。

如果可以的话，可以Te一下colorreco，更好的技术解答。

2. 奥比中光、旷视（face++）、商汤科技都在做3D人脸识别技术，它们各自有什么技术特点

在回答这个问题之前，我们首先要搞清楚一个概念：3D人脸识别技术是由算法以及硬件两大部分组成的。算法是实现人脸识别的基础，硬件是承载算法，让人脸识别得以实现的实体部件。算法和硬件缺一不可，只有两者相互协作，才能实现人脸识别。

旷视（face++）和商汤科技主要做的是人脸识别算法，在算法领域，这两家大概是国内做的最好的，也是名气最大的两家。当然，除过算法之外，它们也做硬件，不过只占很小的一部分。

奥比中光主要侧重在硬件部分，推出的产品包括Astra 3D传感摄像头等产品，它也是国内唯一能量产3D传感摄像头的厂家。目前奥比中光已和蚂蚁金服、肯德基达成了合作，共同在深圳等地的肯德基店铺推出了3D刷脸支付设备。因此，从硬件综合实力来看，奥比中光算是国内翘楚。

最后再说一下，三家公司有合作关系，例如，奥比中光会用到face++和商汤的算法，另外两家也会用到奥比中光的3D传感摄像头等。

打了这么多字不容易啊，希望题主可以采纳答案。

3. 商汤科技IPO，被资本热捧的AI到底是不是一门好生意

今天，AI已经成为了一个所有人耳熟能详的名词了，各种各样的AI公司层出不穷，行业中最耀眼永远只是塔尖上的少数……

旷视 科技 、依图 科技 、云从 科技 和商汤 科技 就属于这一类少数派，这四家企业也被称为“AI四小龙”。

最近商汤 科技 开始IPO，我们就从它谈起，来看看AI这项业务到底行不行。

商汤 科技 属于含着金钥匙长大的邻家小孩，学习能力出众，自然也特别受到金主爸爸的疼爱，从来都不缺钱，喊一声，就有资本送钱来了。

商汤 科技 成立之初就在全球首次突破了人眼识别能力，自研算法在人脸数据库中的识别准确率高达98.52%，3个月后，商汤把这一数字提高到了99.55%。

根据天眼查的数据显示，商汤 科技 从成立到现在，共获得了12轮融资，融资总额超过52亿美元，投资人遍布国内外。

其中不乏阿里、苏宁这样的国内互联网巨头，还有招商证券、中金证券、东方证券这样的国资券商，还有高通创投、软银这样的国外顶级创投机构，厉害的是，这里面还出现了万达的身影。

简单来说，商汤 科技 既被国内看好，同时也被国外看好，即被互联网行业看好，还能被传统行业的房地产商看好，大有未来 科技 之光的架势。

当然，它也确实用一系列的实力证明了自己。

2016年，商汤 科技 研发的自动驾驶平台刷新了行人及车辆识别领域的世界纪录，2020年，商汤 科技 又完成了首个专业用人工智能芯片STPU流片，2021年，商汤又建造了世界上最大的计算机视觉模型，参数超过了300亿个。

我们过去的文章里经常说，研发是一个 科技 企业的立身之本，商汤 科技 确实是做到了。

招股书上显示，从2018年到2020年，商汤 科技 的研发费用占比分别是46%、63%、71%，他一家公司就囊括了40位教授、250多名博士，以及3593名科学家和工程师。

但是，在光芒的背后，是一谈到赚钱就掉链子，这也确实挺尴尬的。

在充足资金与研发人员的投入之下，商汤 科技 在全球的各类竞赛中拿到了70多个冠军，发表了超过600篇顶级学术论文，拥有8000多个专利申请。

但是，根据商汤 科技 的招股书显示，从2018年到2021年上半年，商汤 科技 的营收分别是18.5亿、30.3亿、34.5亿、16.52亿。

看着还不错，但同期他们分别亏损了34.28亿、49.63亿、121.58亿和37.03亿，三个财年加上今年上半年总共亏损达到了242.52亿。

融资来的52亿美元基本上快亏得差不多了。

一边是技术的绽放与资本的热捧，另一边是长期陷入利润不佳的窘境，商汤 科技 的问题到底出在哪里了呢？

我们从技术，市场供需这两个纬度来看。

第一、再好的技术落地都需要时间。

我们在过去的文章里谈过关于产研结合的问题。

科技 的发展，企业的壮大是需要让更多的研究和专利能落地商用的。

虽然商汤 科技 在顶级期刊上发表了诸多论文，而且专利数量也相当庞大，但作为一家企业来说，研究的目的是为了能让技术落地，并且推向市场，被市场所接受，而不是单纯的秀论文数量。

而且，在技术深度方面，商汤 科技 拥有自己的独占技术其实并不多。

它的很多技术和专利是根据公开论文，开源代码的基础上实现的应用，虽然读懂这些公开论文的门槛很高，但对于人才济济的 科技 大厂来说，这不是什么太深的护城河。

比如在活体识别这个领域，玩家不仅只有商汤，云从这样的AI 科技 ，网络、腾讯也拥有深厚的技术积淀。

网络钱包用的就是自家的技术，腾讯的微众银行用的也是自家的技术。

前边提到的人脸识别准确率，网络在2015年达到了99.77%，刷新了商汤的纪录。

面对BAT这样的老牌大厂，商汤的技术护城河仍然是一个问题。

第二、市场供需还未爆发，业务领域细分且垂直。

不了解AI的人仿佛都觉得AI是个筐，啥都能往里装，万物皆可AI。

客观来说，AI是未来没错，但它并不是对现有产业的颠覆，更多的是一种赋能，高效的赋能。

比如用AI赋能垃圾分类，用智能化监管代替人工监管；比如AI赋能药物研发，谷歌就专门推出了可识别蛋白质结晶的AI系统，用于药物开发。

本质上，AI的价值是提高传统产业的生产效率，解放生产力。

AI这个赛道非常的广阔，实际上的业务十分细分、垂直。

目前被应用最多的是计算机视觉识别。

2020年中国的计算机视觉识别市场规模也不足150亿，这个规模的产业，无论是深度还是广度上都远远不能和手机、 汽车 这些万亿产业相比。

小池塘也很难养出大鱼来。

另一方面，国内AI产业化高度依赖于政府项目，比如智慧城市、智慧生活、智慧商业几大板块。

商汤 科技 的业务中，87%的业务都是来自于智慧商业和智慧城市两大板块。

但这也牵扯到了另一个问题，AI四小龙并没有独立获取项目的能力，项目真正的来源都在一些央企总包方手里。

智慧城市听上去很美好，可城市的智能化改造是一项大工程，项目周期至少需要3年，涉及的流程繁多，商汤等AI新兴势力所做的事只是诸多环节之一。

由于AI产业的碎片化特征，这就导致不同的用户需求不同，无法用同一个标准去面对所有人，这自然就很难形成规模化。

项目之间的差异，使得上一个项目的方案在这个项目无法适用，亏损就成为了常态。

从市场竞争的层面上看。

华为、腾讯、网络这些平台型巨头都在切入AI领域，甚至传统的半导体企业，比如德州仪器、英特尔、英伟达都在半道研发自己的AI解决方案。

举个简单的例子，在AI被广泛应用的安防行业当中，安防行业的原生巨头海康威视也在研发自己的AI解决方案，而且相对于商汤 科技 来说，海康威视本身就是终端生产商，更具有拿项目的优势。

仅以营收比较，2020年，商汤的营收24.5亿，而海康威视的营收635亿，换句话来说，商汤的规模只有海康威视的5%不到，海康威视对商汤具有碾压优势。

上面所说的这些问题，不仅仅是针对一家商汤 科技 ，而是整个AI产业的企业都需要面对的问题。

其实，我们仔细对比一下AI四小龙，会发现这几家的处境都出奇的相似。

从过往的财报来看，AI四小龙都是亏损比营收多，营收越多，亏损越大。

这四家企业的崛起，都和中国安防摄像头的升级息息相关，简单地说就是吃到了政府升级安防项目的红利。

面对越来越多的亏损，投资人很着急，四小龙也很着急，所以在最近一年多时间里，四小龙都在集体冲击IPO。

作为 科技 企业，四小龙大书特书的都是自己的研发投入，旷视 科技 、云从 科技 和依图 科技 ，研发占比都超过了50%，商汤 科技 的研发占比更是高达70%。

在这些漂亮数字的背后，还得回到怎么样找到盈利模式这个本质的问题上来。

我们可以把视线转向另外一家AI企业，号称AI芯片第一股的寒武纪。

当年风光无限，成功登陆科创板的寒武纪，最高市值高达1191亿。

但后来，整个股价一路走跌，市值只剩下406亿，跌去6成之多。

寒武纪也是长期在研发上高投入，在AI芯片产业同样面对来自华为、网络这些巨头的夹击，自身造血能力不够，导致市场不看好。

对于一个 科技 企业来说，它跟平台型企业不一样。

京东持续亏损了12年，但它的商业模式很清晰，京东用12年的亏损回答了市场一个问题， 淘宝天猫跟我竞争，我凭什么能活下去？

答案是京东用巨资砸出来的基础物流设施，这是京东底层的护城河。

不解决根本的盈利和路线问题，即使上市融到了更多的资金，企业也只是拖延时间而已。

当前AI四小龙们还没有一条明确、长远的盈利模式。

不管是从技术上，还是未来的发展路径上，并没有一个可以信服的指引给到市场，自然也很难得市场认可。

在过去的文章中，我经常说技术是 科技 企业的立身之本，但我们也要时常问问自己，这些技术是不是我们的客户真正需要的？假如腾讯和阿里也要做这项业务，凭什么我能活下去？

回顾一下前辈们，台积电的技术很牛逼，全球第一，但这项技术的根基是在台积电创新的晶圆代工模式。

明白客户需要什么，比追求产品技术的先进性，可能更为重要，利润思维，一定不能舍去。

当然，AI未来一定是一门大产业，现在它仍然具有一定的超前性。

市场还没有快速发展到那一步，还需要更多的积累。

我们的AI企业还需要时间，需要尽快找到自己的商业模式和领域，助力和赋能更多的相关企业实现产业的升级。

但是，这个前提是路要扎扎实实地走，别贪快，贪快就容易摔倒。

—

责任编辑 | 罗英凡

4. 商汤科技(SenseTime) 这家公司怎样

这家公司是一家开放创新型公司，它专注于计算机视觉和深度学习原创技术研发。是一家迅速发展的公司。

2018年9月20日，科技部部长王志刚向商汤科技授予“智能视觉国家新一代人工智能开放创新平台”称号并授牌。

起源于香港中文大学，由香港中文大学教授汤晓鸥创立，自主研发原创深度学习平台Parrots。 以“坚持原创，让AI引领人类进步”为愿景。

商汤科技成立于2014年，是计算机视觉和深度学习领域的算法提供商。

2014年，商汤团队发表DeepID系列人脸识别算法击败Facebook，在全球首次超过人眼识别率。

商汤科技的核心团队由两大部分组成：一部分是来自麻省理工学院、香港中文大学、清华大学、北京大学的博士、硕士等；另一部分则是来自微软、谷歌、联想、网络等相关领域的从业者。

商汤科技已与香港中文大学、浙江大学、上海交通大学、北京大学建立了深度合作，共建联合实验室和研发中心，与清华大学、北京大学等多所高校成立研究团队。

商汤科技主研发的原创深度学习平台SenseParrots，对超深的网络规模、超大的数据学习以及复杂关联应用等支持更具优势。商汤科技还自主搭建了深度学习超算中心，大幅降低了各类人工智能技术的研发成本，并且缩短了开发深度学习算法模型的时间。

5. 人脸识别原理及算法

人脸识别原理就是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。

人脸识别是一项热门的计算机技术研究领域，其中包括人脸追踪侦测，自动调整影像放大，夜间红外侦测，自动调整曝光强度等技术。

人脸识别技术是基于人的脸部特征，对输入的人脸图像或者视频流 . 首先判断其是否存在人脸 , 如果存在人脸，则进一步的给出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。

一般来说，人脸识别系统包括图像摄取、人脸定位、图像预处理、以及人脸识别（身份确认或者身份查找）。系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。

人脸识别是采用的分析算法。

人脸识别技术中被广泛采用的区域特征分析算法，它融合了计算机图像处理技术与生物统计学原理于一体，利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析建立数学模型,即人脸特征模板。利用已建成的人脸特征模板与被测者的人的面像进行特征分析，根据分析的结果来给出一个相似值。通过这个值即可确定是否为同一人。