在深度学习出现后，机器视觉的主要识别方式发生重大转变，自学习状态成为视觉识别的主流，即机器从海量数据中自行归纳特征，然后按照该特征规律进行识别，图像识别的精准度也得到极大的提升（目前到了95%以上）。机器不再只是通过特定的编程完成任务，而是通过不断学习来掌握本领，这主要依赖高效的模型算法进行大量数据训练。
近年来，与计算机视觉相关的视频监控和身份识别等行业的市场规模均逐渐扩大，伴随着技术的发展，计算机视觉技术和应用逐渐趋于成熟，被广泛应用到金融、安防、电商等场景中，技术进一步实现场景化落地，计算机视觉也成为目前人工智能领域最为火热和应用最为广泛的领域之一。国内企业，尤其是创业公司深耕技术能力，已具备国际领先的技术水平，这些典型企业包括旷视科技、商汤科技、云升科技等。计算机视觉厂商主要走技术和解决方案提供商的路径，通过研究通用型的技术，深耕图像处理和图像分析，提供软硬件全套服务，开放程序接口供其他厂商使用，比如商汤科技、旷视科技。另外，一部分厂商走技术应用的路径，将技术接入不同的领域和场景中，以技术为基础实现场景落地，为用户提供服务，比如云升科技的公安立体防护系统。
- 人脸识别
人脸识别是基于人的脸部特征信息进行身份识别的一种识别技术。人脸识别技术被广泛应用于金融、安防、交通、教育等相关领域，主要应用场景包括企业、住宅的安全管理，公安、司法和刑侦的安全系统、自助服务等，刷脸支付、刷脸进站等项目逐渐实现。人脸识别包括1:1的人脸对比和1:N的人脸对比。1:1主要指用户真实的脸部信息与用户提交的身份证信息进行比对，常见于银行等金融机构和公安系统。1:N更常见于刑侦和国家安防领域，能够通过与faceID库的对比，快速找到犯罪分子或失踪人员，1:N识别精度的难度要远远高于1:1人脸识别。厂商也针对1:N的精确度做了技术深耕，百度曾宣布百度大脑的1:N人脸识别监测准确率已达99.7%。目前，人脸关键点检测技术可以精确定位面部的关键区域，还可以做到支持一定程度的遮挡以及多角度人脸，活体检测及红外光识别技术有效解决了照片、手机视频等二维人像的作弊行为，使3D人脸识别的准确率大幅度提升。但双胞胎识别、整容和易容前后的识别依然是人脸识别的难点，因此需要虹膜识别等其他识别技术进行补充。人脸识别技术另一个关键层面在于faceID库的建立，3D人脸识别数据采集相对困难，需采集的数据量十分巨大，对计算机计算存储能力要求较高，faceID库的数据量是人脸识别技术算法训练的基础，数据越多，相应的准确度才会越高。各厂商仍需继续扩充自身的faceID库规模。
在美国，亚马逊最近推出了人脸识别系统Recognition，识别一个人脸只需要几分钟。亚马逊公司已经开始通过云计算模式推出计算机视觉Recognition功能，向美国警方提供了基于机器学习的人脸识别服务。人脸识别技术不再是一个高价的服务了。
总之，随着计算机技术的发展，人类开始能够进行复杂的信息处理，并通过计算机实现不同模式（文、声音、人物、物体等）的自动识别。但当前不存在一种单一模型和单一技术能够解决所有的模式识别问题，而是需要在具体场景中使用多种算法和模型。还有，计算机视觉可以与其他技术结合进行综合应用，比如与医疗结合形成疾病辅助监测，与汽车结合形成自动驾驶。
第2章 AI产业
43