前景应用广阔的人脸识别技术.pdf

- 1 - 长期竞争力评级 ： 高于行业均值 市场数据 (人民币） 行业优化平均市盈率 115.92 市场优化平均市盈率 21.80 国金软件与服务指数 12228.71 沪深 300 指数 4170.54 上证指数 3863.93 深证成指 13494.64 中小板综指 11945.94 相关报告 1.站在“互联网 +”的风口，让中国经济起飞， 2015.3.16 2.相比美国，寻找更适合中国国情的家庭互联网应用场景， 2015.3.9 3.智慧城市 2.0，以数据为主导的新模式开始建设， 2015.3.5 4.积极做多，重点公司回调即买入，关注风格轮换的节奏， 2015.3.2 5.海康事件直接受益抗 DOS 产品需求，系统级安全是重点， 2015.3.2 前景应用广阔的人脸识别技术 投资建议 行业策略 ： 目前人脸识别技术在产业应用中发生的巨大变化是，从安全性可靠性要求较低的行业如安防、社区等上升到金融行业这个安全可靠性要求最高的行业，同时央行相关政策预计也在拟定中，将会给产业发展带来强心剂。 推荐组合 ： 佳都科技、御银股份、川大智胜、欧比特、汉王科技、科大讯飞。从识别率 角度，佳都科技和科大讯飞领先；金融行业应用最先起来的两个场景将是自助终端发卡和远程开户，御银股份受益；川大智胜受益三维识别应用。欧比特和汉王科技受益安防、社区等行业应用。 行业观点 人脸识别改变身份认证和信用体系，更多的应用场景 ： 如果说语音识 别改变的是交互方式，那么人脸识别改变的则是身份认证和信用体系，因而在金融、零售、政府、安防、社区等领域应用更广，是包括指纹、虹膜、语音等生物识别在内的应用场景最多的识别技术，且安全可靠性相对较高。 人脸识别的技术原理 ： 数据和算法是核心。首先构建一个人脸 DNA 库， 并不需要将全国 13 亿人民的人脸数据都采集。仅需要采集一个样本库，将此样本库作为模型的训练数据，来训练模型。当然，样本库越大，训练出来的模型精度越高。 其次是构建一个基于深度学习的算法模型，目前主要是以神经网络算法为流行。 人脸识别是互联网金融产业链 基础 设施 ： 对于包括腾讯微众银行在内的互联网银行以及互联网证券和保险，由于没有网点，那么开户环节则需要远程来进行，那么基于人脸识别技术的远程开户将是必备。我们判断，金融行业应用最先起来的两个场景将是自助终端发卡和远程开户，随后支付、大额转账、在线理财等其他应用场景也将起来。我们注意到，不单是互联网金融企业，目前有众多的传统银行和证券公司也在内测人脸识别的产品。 从技术提供商到服务提供商的演变 ： 目前，由于金融行业对人脸识别技术要求的高门槛，可以参与到金融行业产品内测的公司不多，只有中科院某研究所、 Face+，以及 百度、腾讯、阿里自己的团队，由于 BAT 的团队仅为自己内部服务，因而有能力面向其他金融机构服务的人脸识别公司不多。由于人脸识别改变的身份认证和信用体系，所以此类公司有望在产业格局中推行按次收费的商业模式，成为服务提供商，不仅是技术提供商，也将带来比语音识别更大的产业爆发力和话语权及估值提升。 风险提示 估值偏高； 相关支持政策发布时间低于预期。 442555586690782389561008811221140408140708141008150108国金行业 沪深 300 2015年 04月 05日 软件与服务行业 2014 年 日常 报告 评级： 增持 维持评级 行业研究 证券研究报告 行业研究 - 2 - 内容目录 为什么现在开始看好人脸识别 . 4 从克强总理视察腾讯微众银行和马云演示人脸支付说起 . 4 重大变化：安全可靠性要求最高的金融行业开始应用人脸识别技术 . 4 从技术角度来看人脸识别已经不是障碍 . 5 人脸识别与其他包括语音、指纹等生物识别技术的对比优势 . 6 由数据和算法为核心的人脸识别技术 . 8 数据和算法是核心 . 8 第一步：数据，建立人脸 DNA 库 . 8 第二步，构建基于深度学习的算法模型 . 9 国外发展概况 . 10 Paypal 构建 O2O 应用场景 . 10 系统支持方面的进展 . 10 国外安防、智能家居领域已经开始应用 . 11 国外 PE/VC 对此领域做高估值投资 . 11 人脸识别在金融行业的应用前景 . 12 人脸识别是互联网金融的基础设施 . 12 自主终端发卡和远程开户将是金融最先起来的应用场景 . 12 典型应用 ：远程开户 . 13 按次收费：从技术提供商到服务提供商 . 13 国内的竞争格局 . 15 金融客户是否用公司的产品是重要区分度 . 15 从实验室测评结果看国内领先的三个团队 . 15 估值 10 亿美元的 Face+ . 16 相关上市公司 . 17 佳都科技 . 17 御银股份 . 17 川大智胜 . 17 欧比特 . 17 汉王科技 . 18 科大讯飞 . 18 图表目录 图表 1： 克强总理发放微众银行第一笔贷款 . 4 图表 2： 马云在汉诺威展展示人脸支付 . 4 图表 3：人脸识别的应用场景广泛 . 5 图表 4：计算机处理人脸的方式 . 6 图表 5：计算机对人脸方式的记录 . 6 行业研究 - 3 - 图表 6：三种识别技术的对比 . 6 图表 7：人脸识别的额外信息 . 7 图表 8：人脸识别的核心技术 . 8 图表 9：人脸 DNA 库 . 9 图表 10：人脸识别系统的框图 . 9 图表 11： Paypal 推出人脸支付服务 . 10 图表 12： Simplicam 可以做到人脸识别 . 11 图表 13：互联网金融的需求分析 . 12 图表 14：众多的应用场景 . 13 图表 15：在线开户流程图 . 13 图表 16：两种收费模式 . 14 图表 17：人脸识别场景价值评估 . 14 图表 17：参与企业竞争格局 . 15 图表 18：技术水平相当不大 . 15 图表 19： Face+由三位清华学生创立 . 16 行业研究 - 4 - 为什么 现在 开始看好 人脸识别 从克强总理视察腾讯微众银行和马云演示人脸支付说起 2015 年 新年伊始，李克强总理来到了腾讯公司旗下的微众银行进行考察，作为 国内第一家开业的互联网民营银行。相比于传统银行，微众银行没有柜台、没有信用审核，更不需要抵押贷款，而是“以信用作担保，用数据防风险” ， 通过大数据技术来 做到信用评定， 通过这种方式 ， 互联网银行能够 具有 传统银行更少的成本 优势 ，能够为 传统 银行所 力不能及 的 客户 提供金融服务 。 我们注意到，在 发放 贷款时 ， 用户只需要拿起 手机， 把 摄像头对准自己， 软件 系统 通过人类识别 技术 便可以识别 出身份并且与 公安部 的 身份数据匹配成功。 同时，通过社交媒体等大数据分析，软件将给予他的信用， 授予 相应的 贷款 。 今年 3 月份， 在 全球最知名的 IT 和通信产业盛会 CeBIT 上，马云 向德国总理默克尔与中国副总理马凯 在网站上购买了一枚纪念邮票， 演示 了阿里的 人脸 支付技术。 其在支付 流程 体系 中 为 在 购物后的支付认证之后 通过扫脸取代传统密码。 这项崭新的支付认证技术由蚂蚁金服与 Face+ Financial 合作研发， 其人脸识别技术可以 达到了 99.5%的准确率 ，甚至 超过了人类的识别程度 。 重大变化：安全可靠性要求最高的金融行业开始应用人脸识别技术 人脸识别技术并不新鲜，近几年已经应用到了安防、社区等领域。金融行业的应用，将使得人脸识别技术上升到一个新高度。 在安防 领域， 人脸 识别技术同样 具有 无可比拟的优势，考虑到 在 监控领域中的 识别 特定的任务产生信号，或者是公安机关调查视频从中需要相应的人 ，门禁 系统的可以正确 的识别人 开门 等 场景。 互联网金融领域的应用场景 ， 除了以上 提及的互联网银行 的应用 之外，例如互联网证券 、互联网 保险 等 广泛 需要 验证用户的 业务 ， 又 或者社保等，都需要人脸识别技术的参与， 不仅 省去了人工 核对 的成本，更重要的是具有比 人工 更高的准确度。 在 网上购物的支付阶段，人脸识别也 具有广阔 的应用空间，比其他的识别技术的参与门槛更低 。 对于 潜在的应用领域枚不胜举 ，例如一些无法 使用 正常 输入方法的残障人士 ， 通过人脸识别技术可以很好的帮助他们完成例如支付等相关的行为 ；在 互联网中众多的需要输入 账户 和密码的领域 ， 都可以 通过人脸识别 快速 的识别用户 ；人脸可以 反应一个人的情绪， 通过将其 与各种 行为混合，又可以形成众多的互联网产品等等。 图表 1： 克强 总理 发放 微众 银行第一笔 贷款 图表 2： 马云在汉诺威展展示人脸支付 行业研究 - 5 - 从技术角度来看 人脸识别 已经 不是障碍 人脸识别并不是 一个新鲜的 事物 ， 早在 20 世纪 60 年代， 80 年代后随着计算机技术和光学成像技术的发展得到提高，而真正进入初级的应用阶段则在 90 年后期，并且以美国、德国和日本的技术实现为主 。 目前 人脸识别的 数据 验证集 最著名 的是 LFW（ Labeled faces in the wild）人脸数据集 ，其 数据是直接从雅虎上抓取的图片 ，其 图像 是 从真实世界中采集 而并非从 实验室 中 抓取 ， 具备 自然的光线 、 表情、姿势等等 ， 在业界属于最顶尖 和 最苛刻的 测试。 从 人脸识别的发展历程来看 ， 人脸识别错误率的进展大约是每 3 年下降 10倍。 LFW 库上的算法识别率从 2007 年的 60%升到 2014 年的 9798%，通常认为，算法识别率超过了 80%在 绝大多数场景机器的识别能力就算 超过 了人脸的识别能力。 其中 ，香港中文大学据称已经实现了 98.52%的 准确率， face+实现 了高达 99.50%的 准确率 。 在 20 世纪 八十年代，当时并 没有人认为 人脸识别 的 使用价值 ，但是，我们可以看到， 在 面部解锁、上班打卡 、机场 安放等一些场景， 人脸识别 的应用 场景 已经在我们周围发生。 对于计算机 而言， 分辨面容相似 的韩国小姐步骤如下， 首先需要 识别面部区域，紧接着对图像进行预处理， 然后 人员的 面部的“特征空间” ，得出 每张脸的特征 值 ， 通过将 脸投影到特征 脸 上之后， 得到 每张脸的 特征值系数 ，最后 比较韩国选手之间的 相似程度 ，如果需要辨别的话，只需要 从 数据库中得到的脸进行 对比 ，这其中将会有神经 网络 参数的 训练 。 简而言之 ， 计算机 对 每张脸 之间都有特殊 记录 方式 来 进行一系列的算法处理后得出对比结果。 图表 3：人脸 识别的应用场景广泛 行业研究 - 6 - 图表 4： 计算机 处理人脸的方式 图表 5： 计算机对 人脸方式的记录 人脸识别与其他包括语音、指纹等生物识别技术的对比优势 语音识别、指纹识别同样是先进流行的识别技术。其中，我们可以在车载电话指令、手机命令输入、个人语音助理等使用语音识别等相关技术，但是在个人信息验证方面的识别则相对较少。指纹识别分为按压式识别和滑动式识别等，前者技术上实现难度较高，但是准确性、辨别性、方便性也比滑动式识别要更胜一筹。 我们分别对人脸识别、语音识别还有指纹识别做一个对比。 首先从便捷性和成本上来考虑，人脸识别只需要有摄像头即可使用，其主要是软件上的算法设计和系统设计，语音识别与人脸识别类似，通过麦克风将声音转化为计算机能够识别的文本数据，指纹识别则需要成本小队较高的专用设备，作为一种不太标配的设备，在通用性上较前两者较差。 从安全性上考虑，人脸识别和指纹识别都具有唯一性，都强于语音识别，但是指纹识别容易受到假指纹的困扰。 识别精度而言，三者的识别精度都较高，基本上达到了可商用化的地步。 应用范围上人脸识别较其他两种识别技术广阔，其中语音识别在交互式访问中应用较广，指纹识别目前仅限于单机识别，联网使用不甚方便。图表 6：三种识别技术的对比人脸识别 语音识别 指纹识别便捷性和成本 好，只需要有摄像头即可好，只需要麦克风 即可识别 一般 ， 需要 有专门的指纹识别设备 识别 时间 快 中等 中等 安全 性 强 ，人脸具有唯一性 弱 ， 人 的声音不具有唯一性 中等，指纹具有唯一性 识别 精度 高， 在 98-99%左右 高 ， 在 95%左右 高， 在 99%左右 应用 范围 广阔 ，可引用 于交通 、零售、金融等诸多领域 一般， 一般用于交互式的应用 一般 ， 不 方便记录 个人 信息 ，信息 不 便 联网 额外 信息 性别 、年龄、 种族 、表情 、 美丑 较少 无 行业研究 - 7 - 人脸 同样 能够反映一些 额外 的信息，例如性别、情绪、年龄、 种族 等等 基础 信息，例如 emo 是一款 刷脸 识别 情绪 的音乐 app， 可以通过扫描用户的脸部表情，判断用户的情绪，推荐给用户相应的音乐。 图表 7：人脸 识别的额外 信息 行业研究 - 8 - 由数据和算法为核心的 人脸识别 技术 数据和算法是核心 人脸识别 的 核心 技术 包括 三种 ：算法、 数据和系统 ： 算法 隶属于模式 识别和 图像 处理领域，包括基于深度学习的延伸算法、高斯算法、特征法 等 ，其中 一些关键的 步骤 包括 图像特征统计 、参数调节 等 ， 居于 人脸 识别的 最 核心技术； 数据，这对于神经网络的学习的 数据集 必不可少， 人脸识别的算法数据集通常在百万以上， 通过 不断的 训练来 提升判断的准确性 ， 体态、光照、 拍摄条件的处理是难点 ； 系统则是 包括 了 例如 人脸识别、情绪识别、性别识别 、 唇语识别等诸多个性化需求的 上层 。 图表 8：人脸 识别的核心技术 第一步：数据，建立人脸 DNA 库 人脸 DNA 指不随人的表情、年龄和成像条件变化的人脸恒定特征组，是描述人脸的最佳方式。人脸 DNA 由人脸基因组成，人脸基因指那些对人脸具有强描述能力的特征，具有唯一性。 数据中的有效信息包括了人的形状信息，嘴型、鼻型、瞳间距等，皮肤的颜色以及皮肤的光洁度、肤质、疙瘩。 数据的采集包括了静态图像、动态图像、不同的位置、不同表情等的采集，并伴有光照条件，局部条件等，并且从背景中提取脸部特征，人脸的特征包括了直方图特征、颜色特征、模板特征、结构特征及 Haar 等特征信息。 重要的是，并不需要将全国 13 亿人民的人脸数据都采集。仅需要采集一个个体样本库，将此样本库作为模型的训练数据，来训练模型。当然，样本库越大，训练出来的模型精度越高。行业研究 - 9 - 第二步，构建基于深度学习的算法模型 目前深度学习的主流算法很多，神经网络是典型代表。可以将神经网络理解成一个黑匣子，通过预先设定好的输入和输出，来对算法模型进行训练。模型训练到满意的成功率后，即可以应用。放在人脸识别技术中，就是将预先采集好的人脸 DNA 库作为训练样本，不断提高模型的识别率。 图表 9：人脸 DNA 库 图表 10： 人脸识别系统的框图 行业研究 - 10 - 国外 发展概况 Paypal 构建 O2O 应用场景 Paypal 的 O2O 应用可以支持 iOS、 Android 以及 Windows Phone 这些主流系统。用户在使用前需将自己的银行账户或者信用卡与 PayPal 相关联，之后才可无忧无虑地使用支付功能。 通过 Paypal 的后台系统与商户 IT 系统对接，当商户的摄像头通过人脸识别技术对用户进行识别，基于 Paypal系统数据可以对用户进行精准营销，如发现此用户喜欢在 Paypal 上购买化妆品，则商户可以将店内最好的化妆品导购员来对此用户服务。 选购商品结束之后 ，用户先输入商家的识别码登陆应用，然后用户的姓名和照片就会被发送到商家的电脑上。商家与用户确认了消费金额后，点击用户的照片，即可从 PayPal 上收取费用。 芬兰创业公司 Uniqul 推出了史上第一款基于脸部识别系统的支付平台，该系统不需要钱包、信用卡或手机，支付时只需要面对 POS 机屏幕上的摄像头点个头，并点击 OK 即可。用户在注册 Uniqul 账户时，可以任意主流的信用卡，甚至可以使用 PayPal 或 Square 账户。这项服务还采用一种罕见的收费模式：个人用户将按月支付费用，费用则根据账户所覆盖地域的不同而有区别。例如，在选定的支付地点一到两公里半径范围内，每月 0.99欧元即可享用 Uniqul 服务，如果要覆盖整个城市，每月需要支付 1.99 欧元。 系统 支持 方面的 进展 Windows 10 将引入生物识别认证，指纹、虹膜和脸可以代替密码。Windows Hello 带来的，不仅仅是简单方便，还有企业级的安全，适用于政府、国防、金融、医疗保健和其他组织。误识率在十万分之一以下，照片和自拍骗不了 Windows Hello。 Facebook 正在尝试让计算机赶上人的能力，据其名为 DeepFace 项目的结果， Facebook 人脸识别技术的识别率已经达到了 97.25%，而人在进行相同测试时的成绩为 97.5%，可以说已经相差无几。 Facebook 进行此项研究的项目叫做 DeepFace，项目利用了计算机视觉、人工智能及机器学习技术，通过革新的 3D 人脸建模勾勒出脸部特征，然后通过颜色过滤做出一个刻画特定脸部元素的平面模型。为了让这套系统学习特征，图表 11： Paypal 推出人脸 支付 服务