本人从事人脸识别相关工作，这一波人工智能投资风刮起来，很多人脸识别公司恨不得马上往自己脸上贴几吨金，有个朋友说了一句很有意思的话：

外行一般觉得很科幻，内行一般觉得很绝望，业界领袖和领袖各种打鸡血。

大部分AI公司都在烧钱阶段，未来变现有很大的不确定性。看看百度自动驾驶的系统和google图像识别系统的开放可以预知未来免费是大趋势，那可是曾经投入数百亿美元。但是资本投进来，必须拉着媒体一起吆喝，不然本都回不了（进入AI行业才知道很多资本方原来什么也不懂乱投）。

人脸识别作为一项模块技术很少有独立应用（独立的业务层设计），大部分只是为已有的业务软件体系上做增强，比如客户人脸校验（在过去密码基础上增加一层），人脸检索（比人工高效，摄像头结果过滤），相似人脸推荐（比如婚介社交，整容设计），不过这个过程中已经死掉大量公司，因为利润太少，非强需求。

目前相关产业公司在已知的主要商业模式中都在实践，但卖货，卖授权，卖服务，后台流量变现这四大商业模式中，都没有看到一个公司真正赚钱了（常见主要为人脸sdk授权和api服务）。作为行业中人，所谓的绝望无非如下：

1. 算法再好，也只是调味料，最终出路还是做到最终产品中，通过业务层叠加开发，形成产品和方案，更多时候是一个方案服务商，更像过去传统软件商，规模难有爆发。

2. 使用门槛、成本很低，目前市场上终端算法部署比较低端的产品授权就500元/套（1：1的远程接口调用所使用的前端授权），市场竞争的结果就是低价倾销。

人脸识别目前就是为了各种噱头立项、经费申请瓜分用的，有个别一些公司靠这个拿国家各种科技补贴。但真正赚钱都是那些中间商公司，人脸识别一家都没有。至于未来有没有新商业模式出现，暂且无法推断。

这几年许多公司扎堆做万亿级市场的安防和最新的手机摄像头识别，但是在整条产业链中，只是极小的参与者（没有太大话语权），比如安防的，在过去最大的赢家是有全套安防软硬件监控体系的海康和大华，人脸识别增强了其本来的产品优势。做手机人脸解锁，最重要的是手机摄像头部件厂商集成（比如做3D结构光识别），而这些厂商的利润经过这几年的竞争几乎透明化了，部分配件龙头上市公司的年报营收300亿，毛利润才几个亿，最终可以给人脸识别技术提供商提供多少专利费还是个未知数。

人脸识别技术没有想象中的那样伟大，在千万的业务解决方案中，就是一个小模块，其他的都是业务层的开发问题，使用上，技术也未必要高精尖，如果一定要真正称得上人工智能组成部分的，个人认为未来最大的使用端是机器人视觉交互。

--------以下为答案--------

题主问题比较宽泛（到底是盈利强，还是算法强，还是应用强？），人脸识别技术的衡量维度太多，但从技术比较，比如图像比对级的1:1，1:N，N:N；衡量的标准和维度都不同。比如算法精确度上，国内国外的人脸识别技术大多数在开源OPENCV等开源库上进行新规则添加（深度学习进行叠层运算），公司之间的识别正确率差异仅仅在小数点上，99.6%-99.7%提升意义不大，如果说在LFW上称王称霸就是世界一流，就要被内行笑话了。

衡量人脸识别的算法能力几个指标：拒识率、误识率、通过率，准确率。

先看看人脸识别的基本流程：

人脸识别最难的部分是有充分适应各大光线环境的人脸预处理算法，需要在各种复杂的光线环境中提取到人脸信息，特别是移动互联网时代，摄像头拍照的地方可以在斑驳的树影下，也可以在昏暗的街灯下，以及深夜出租车内，这对算法的鲁棒性考验极大。同时还要考虑照片和视频欺诈，二次成像的光线污染等问题。

下面说一下目前人脸识别的常见问题:

1:1人脸识别算法主要用于身份验证

1：1人脸识别技术主要是利用图像处理技术从图像中提取人像特征点，利用生物统计学的原理进行分析建立数学模型，即人脸特征点模型。再从人脸特征点模型与被测者的人的面像进行特征分析（可以假定为无数的几何特征点求解），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。简单的说就是A/B两张照片比对，产生的计算数值是否达到要求。

这个值我们称之为阈值，可以从1到100（100就是极端严苛）很多人脸识别公司说他们的产品很容易通过，那只说了一半，如果阈值调整到5以下，几乎大部分人都可以是相似的，而调整到95以上，同一个人在不同的背景环境拍出的照片都无法匹配。所以当一公司跟你吹牛算法准确度，先问下使用的是用什么阈值，同一人脸比对通过率，非同一人比对通过率。

所以没有阈值说明的算法都是耍流氓。

1：1主要用于快速的人脸识别比对，作为身份确认的一种新方式，比如考生身份确认、公司考勤确认、各种证件照和本人确认，由于这些照片源不一定有权威统一的接口调用，所以一直没有用起来。目前市面上做的比对来源主要有三种方式：

1. 用户自传照片，比如支付宝的人脸比对，用户自传的照片最大的问题是照片质量的合格率太低，拍照的光线、角度等因素会导致采集源的质量下降，不利于后期的大批量人脸特征码管理。

2. 使用身份证读卡器，读取身份证上的照片，遗憾的是这张照片2K的大小，不过也是目前用最多的源照片提取方式，比较适合签到场合。

2016给国内一些会议培训公司的识别软件（用于验证会员是否有效以及是否本人）：

3. 使用公安部旗下NCIIC的人脸比对接口（注意，不是网纹照片接口，这个接口已经不对外），使用的是直接的人脸比对接口。目前具备有这个库调用权限的，目前所知的只有几家，在人脸识别公司中，好像只看到一家在提供，这里先不提了。BAT应该都还没有接入，如有大家有新发现的可以补充。

实际上，解决比对源的问题的关键是需要有权威的照片数据来进行比对，许多公司刚刚开始的时候采取NCIIC（公安部的一个事业单位）身份证返照接口的照片，进行消网纹处理进行比对，但人脸的很多特征点被损毁成功率大概只有6成（根据六月份发布的网络安全法，目前网纹返照接口市面上除了银行系统可以使用外，其他所用的身份证返照接口都是非法的，一用就被查）。

1：1 人脸识别算法主要使用场景

• 无证件的情况下，如何确认本人是XX？

曾经有一些问题是关于如何确认本人的笑话，派出所要求一个小伙证明就是本人，证明你妈是你妈。。这种奇葩问题，但是许多陌生场合也有这种尴尬，你如果没有带证件，警察无法看到你的照片，如何确认你就是XX就是之前经常出现的执法矛盾；如果一个人把身份证弄丢了，外面风雪交加，如何给这类人办理酒店入住手续？这些就是身份确认的问题。公安部推身份证网上副本 身份认证可“刷脸”完成就是用来解决这个问题，我们出门不用完全依赖身份证可以确定身份，可以方便很多。

但是1：1人脸算法的巨大隐患是我们随处可见的人脸，实际就是一个公开的钥匙，马云提出刷脸消费吃饭，如果没有手机验证码（本身也是一重手机实名验证，同时做了人脸库图源定位，方便1:1校验），分分钟钟被吃垮。但是既然可以用手机，为什么还用刷脸，不是多此一举吗？

另外还有一些高级会所，希望实现VIP的贵宾警报服务，这个在下面的1：N和N:人脸识别算法系统中可以看到。但是1：1比对的身份应用哪家强了？

• 比如远程的互联网客户，如何确认身份？

在互联网买机票、车票，医院挂号，政府惠民工程项目，以及各种证券开户、电信开户、互联网金融开户都会用到。过去的身份认证方式是非常不妥的（比如支付宝的持有注册流程，还有一些不知名的社交APP等需要上传身份证照片），这些资料是极其容易被盗取和转卖的，下图是来自百度的图片搜索结果截图，还有最近的一些女大学生的裸条资料泄露知乎专栏，导致犯罪分子有很多利用的漏洞，黑客军团号称资料2000万，分分钟钟薅干一家金融平台没有问题（以下来自百度身份证搜索结果截图）：

人脸识别的破解：

许多金融公司喜欢把人脸识别SDK模块嵌入到APP当中，但这个太容易绕过，所以会再加上活体检测（市场上常见的活体检测为随机动作配合），但是即便加了活体检测，也一样可以绕过。比如下面这两种方式：

1. 3D人脸仿真面具

2. 人脸模型实时重建

所谓道高一尺魔高一丈，这个还是增加其他的多维校验才能确认身份，否则真有人要进行远程攻击，也不是很难的事情。那么活体检测哪家强了？

1:N人脸识别算法主要用于人脸检索

跟1：1的A/B两张照片比对最大的区别是A/B A/C A/D……多个1：1计算，这个最大的问题是一旦BCD总和数量越大计算速度越慢，而总和超过20万，就回出现多个相似结果（20万人这个大数会导致有不少人长相相似），需要人工辅助定位。过去我们在电影里面看到什么“天网”识别系统只是一种理想状态，实际应用中都是排列出多个结果，排第一的未必是需要的人。

1：N人脸识别算法主要用于排查犯罪嫌疑人、失踪人口的全库搜寻、一人多证的重复排查，以此相似度列出相应的结果，可以大大提高排查效率。类似的也可以用到走失儿童的项目中去。

这一类系统的部署需要两个条件：

1. BCD基本库（比如1000万人）

2. 强大的算法硬件

1：N同时作业就是N:N了，同时相应多张照片检索需求，检索耗费的时间跟硬件算法关系极大，就这一领域的应用，又哪家公司强了？

N:N人脸识别算法主要用于实时多1：N检索计算：

N：N 该算法实际上是基于1：N的算法，输入多个求解结果。比如视频流的帧处理所用，对服务器的计算环境要求严苛，目前的算法系统所支撑的输出率非常有限。

主要的限制如下：

海量的人脸照片解析需要大量运算（目前很少看到在采集端直接解析的，都是照片剪裁）
海量的人脸照片传输需要大量的带宽（常见的720布控摄像头抓取最小的人脸照片为20K）
海量的人脸照片在后台检索需要耗费大量的运算（国内主流主机为例，最多到24路摄像头）

由此可见，真正实现“天网”人脸检索，一来要解决数亿摄像头的图片处理，二来需要解决联合库的超算检索，这可不是一般公司吃得消。有些小区和高级场所，对VIP客户的识别和接待比较喜欢这种视频校验方式，但是实际部署使用者会受到摄像头位置、角度，以及多人同时入场产生的问题，而且人脸库会非常有限，不然计算时间长，体验极差，一些所谓的迎宾机通常也就几个人的照片（就是纯粹给领导看的），实用价值大大的打折扣，有戴墨镜或者帽子遮蔽都认不出，毕竟关键特征取样有限。这又有谁强了？

拍照和直播APP的人脸图像叠加

国内比较多的娱乐APP通过对人像图层跟踪处理，也是一个不错的技术切入点，但是产品安装包会比较大，现在做的也只是跟踪技术，属于底层识别，如果复杂一些的需要通过云服务实现，但是服务器算法解析速度和带宽比较难以跟上，也不算是一种靠谱的商业模式。

人脸识别的技术发展方向：

结合三维信息：二维和三维信息融合使特征更加鲁棒
多特征融合：单一特征难以应对复杂的光照和姿态变化
大规模人脸比对：面向海量数据的人脸比对与搜索
深度学习：在大数据条件下充分发挥深度神经网络强大的学习能力

在视频级N:N的校验中，如果要提高通过率，很多时候是采取降低准确率的方式，降低算法队列数量；同样在一些比赛中为了降低误识率，大大提高了准确率，所以算法在校验的过程中必须遵循至少一个固定标准，追求的是速度效率还是最高准确率。

人脸识别算法的应用分类派系:

人脸识别对应解决方案方向：

个人认为未来人脸识别会让大部分的数据更加真实，而可以通过社会工程学模板做很多分析和改良，比如近期一些科学家利用人脸识别来分析一些人的健康、清晰，甚至是犯罪倾向，或许在未来还可以结合大数据，对我们过去传统的面相分析技术做一个全新的提升，到时候算命先生都要失业了。更多机器人交互、无人机产生的摄像目标锁定分析等科幻画面并不是多遥远的事情。

关于算法核心研发情况的争论：

基本上国内每家公司都会说自己的算法牛，实际上有几家有人脸核心算法呢？国内在完全从事算法研究的总工程师人数到目前（2016年）总计不到100人，不过也没有现在问题也不大，中科院计算所山世光教授已经开源了SeetaFace开源人脸识别引擎介绍 - 知乎专栏，没有基础的公司不用太辛苦从零开始在OPENCV基础上做算法升级，相信很快google微软还会有新的算法发布。现在算法基本都是98%以上，这点差距已经不重要，算法核不核心也没有太大问题。大家不用太过于焦虑，产品到应用阶段，单单靠算法可不够，还要考虑实际的使用。

目前做人脸识别的公司很多，集成应用的有数百家，国内的看百度，看融资，看各种报道就差不多了，只是认真沉下心来做事情的公司太少。国内的腾讯和阿里都在做（阿里支付宝用的是自己的团队研发算法，只是特别低调，把名声都留给自己投资的公司，阿里可不止投了一家），国内的公司吹牛逼的、炒概念的太多，就不聊了。这些公司几乎做的都是政府的安全项目，但公司普遍规模都很小，盈利和投资也很少见报道。Facebook公司进入这个领域，主要是进行人群的分类和应用的优化（针对性的市场推广），项目都是作为公司原本业务的一种补充。

所以这个问题到了最后，答案很简单：

人脸识别哪家强并不重要，

未来的竞争不在现在这些战场。

借用雷布斯的话：少一些胡来的人，大家都可以专心做事。

人工智能投资泡沫带来的浮躁，反而让大家都不好好做事情了，所以花了时间整理了这篇，泼了点冷水，期待同行们真真正正为社会提供一些有价值的，也有资本回报的产品。