電子發燒友網報道（文/李寧遠）“刷臉”已經在我們日常生活中占據了重要的地位，刷臉支付、刷臉門禁、刷臉交通、刷臉醫療、刷臉快遞等等刷臉功能讓我們的日常生活更加便捷更加安全。

在當今的AI領域，人臉識別應用無疑是商業變現最成功的案例之一，其產業發展速度之快讓人瞠目結舌。現在人臉識別技術已經相對發展的很成熟，該技術越來越多地被推廣到更多應用領域。

成熟的人臉識別技術

人臉識別是一種生物識別技術，以人的面部外觀特征為分析目標，分析目標包括但不限于眼、眉毛、鼻、耳廓、嘴唇、下巴等面部器官的外狀、大小、位置，還會涉及它們相互對應的平面或立體空間關系等等。人臉作為身份識別特征的優勢在于其直觀性較好，具有較高的唯一性。

國內人臉識別的發展起步于上個世紀九十年代末，隨著技術的不斷引進以及專業市場的導入，2014年人臉識別行業迎來行業轉折點。深度學習技術讓人臉識別的準確率大幅提升，限制其推廣應用的可靠性問題得以解決，從此人臉識別進入高速發展階段。

根據頂象發布的《人臉識別安全白皮書》數據顯示，2021年國內人臉識別市場規模為56億元，2022年國內人臉識別市場規模為68億元，2016年到2022年期間，人臉識別市場每年的同比增長均在20%以上。

軟硬件并重的人臉識別

從技術路線來說，3D結構光、TOF和雙目立體視覺目前都有不少應用。3D結構光的成本最高，但缺點是容易受到光照影響，響應時間稍慢。TOF成本居中，影響時間是最快的但精度和分辨率稍弱。

另外從產業鏈來看，人臉識別是一個軟硬件并重的技術，從中游廠商提供的算法分類來看，目前有基于人臉特征點的識別算法、基于整幅人臉圖像的識別算法、基于模板的識別算法、利用神經網絡進行識別的算法以及基于光照估計模型理論的算法。應用最廣泛的是利用神經網絡進行識別的算法。

上游硬件基礎是人臉識別的根基，這些硬件包括傳感器芯片、處理芯片。從處理芯片來說，計算能力的提升讓人臉識別實現了從云到端的改變。此前的數據在CPU上進行處理，由于CPU負責邏輯算數的部分并不多，在多任務處理時效率低下。CPU在圖像處理方面的是劣勢，所以需要將圖像處理的工作交給更合適的專門處理芯片。

整體而言，GPU高速并行運算的優勢明顯但是較為昂貴，中小型項目支撐不起這樣的成本；FPGA峰值性能稍弱功耗較高但可編程性強能夠適應很多人臉識別應用；ASIC、DSP、MPU對要求不是嚴苛的應用性價比很高。

人臉識別芯片發展到現在，已經較為成熟，不少廠商都能提供相應的處理芯片或者人臉識別模組，如Intel的人臉識別模塊、Xilinx的FPGA、NXP的人臉識別處理器、TI的多核處理器、君正的MPU、地平線的BPU以及瑞芯微、全志、海思等等，選擇已經很多樣。

現階段的前端處理芯片普遍都關注到了圖像的前處理，基本都有硬件resize模塊，未來這些用于人臉識別的處理芯片還會在小巧高效的浮點運算單元上做加強，用于提升卷積之外的算法運算。

而且現在的人臉識別應用場景五花八門，有的應用需要人臉識別選擇的SoC芯片兼顧視頻解碼功能，有的應用為了更強的動畫表現力需要GPU。針對不同的技術需求，這些人臉識別芯片的配置和選擇多種多樣。

小結

現如今，前端處理芯片計算能力處于飛躍式發展階段，擁有TOPS級別算力的前端SoC已經比比皆是，算力已經不再是人臉識別處理芯片選擇時的門檻。市場對于一款適合人臉識別芯片的篩選已經從看速度看準確率向追求更高的系統穩定以及更靈活的二次開發靠攏。