2016年-数据局_36Kr：计算机视觉行业研究报告_40页_2mb

机器之眼，看懂世界 - 计算机视觉行业研究报告总结

核心内容

计算机视觉是指通过计算机模拟人类视觉系统，实现物体识别、形状方位确认及运动判断等功能，是人工智能的重要基础技术之一。其发展受到数据量、运算力和算法技术三方面驱动，尤其在深度学习算法的推动下，识别准确率大幅提升。

主要观点

1. 技术流程：通用视觉识别流程包括目标检测、目标识别和行为识别三个阶段，分别解决“去背景”、“是什么”、“干什么”的问题。
2. 应用场景：计算机视觉技术广泛应用于生物特征识别、光学字符识别、物体与场景识别、视频对象提取与分析等领域，其中人脸识别和视频监控是当前主要应用方向。
3. 商业模式：计算机视觉企业主要分为软件服务商和软硬件一体解决方案提供商，其中后者在技术壁垒和市场竞争力方面更具优势。
4. 行业竞争：当前市场竞争主要集中在人脸识别领域，而机器人视觉、无人机视觉等新兴领域或将成为下一个增长点。
5. 技术趋势：智能前端化趋势明显，软硬件一体化解决方案成为行业发展的关键方向。

关键信息

数据量

• 2000年后，数据量激增为计算机视觉发展提供了燃料。
• 全球数据量从2011年起达到ZB级别，预计2020年接近40ZB。
• 海量数据是训练精准算法模型的基础。

运算力

• GPU的出现极大提升了计算机视觉的运算能力，使算法训练时间从几周缩短至一天。
• AI-PU等专用芯片可能成为未来计算机视觉的标配组件。

算法技术

• 深度学习算法极大提高了视觉识别准确率，从70%+提升到95%。
• 深度学习相比传统神经网络具有更强的自学习能力，可适应更复杂的场景。

政策法规

• 中国出台多项政策支持计算机视觉在安防、交通等领域的应用。
• 金融领域实名制推广推动了人脸识别技术的发展。

投资热度

• 全球计算机视觉领域创业公司数量约180家，占人工智能创业公司的1/5。
• 2016年Q1，计算机视觉融资额约16亿美元，技术发展处于早期阶段。

市场规模

• 2015年中国人脸识别市场规模约70亿，视频监控市场规模约200亿。
• 随着技术发展，市场规模将持续扩大。

技术与应用场景

生物特征识别

• 技术较为成熟，主要应用于身份鉴定，包括指纹识别、人脸识别、虹膜识别等。
• 人脸识别因其非接触性和非强制性，应用范围更广，成为主流。

光学字符识别（OCR）

• 技术成熟，适用于证件识别、单据识别等场景。
• 照片中的多字符识别仍是技术难点，需要高效的数据集构建。

物体与场景识别

• 技术仍在发展初期，多数公司专注于数据标注。
• 应用场景包括军事、医疗、工业生产、消费生活等。

视频对象提取与分析

• 基于动态图像识别，具有更高的技术难度。
• 应用场景包括监控系统、行为识别、电商营销等。

产业链与市场格局

产业链结构

• 基础支撑层：包含芯片和算法提供商。
• 技术提供层：包括图像识别平台和嵌入式视觉软件。
• 场景应用层：提供具体应用场景的解决方案，如门禁、监视、搜索引擎等。

市场格局

• 工业巨头：如海康威视、大华，拥有完整的产业链布局。
• 互联网巨头：如Google、Microsoft、百度，技术领先，数据获取能力强。
• 创业公司：如旷视科技、商汤科技、依图科技等，专注于特定应用场景。

创业公司分析

• 旷视科技：成立于2011年，专注于人脸识别，与多家企业合作。
• 商汤科技：成立于2014年，技术领先，未来可能拓展至机器人视觉。
• 格灵深瞳：成立于2013年，专注于人脸识别，未来可能进入无人车行业。
• 依图科技：成立于2012年，业务涵盖人脸识别和车辆识别。
• 云从科技：成立于2007年，专注人脸识别，未来拓展至教育等领域。
• 飞搜科技：成立于2015年，专注于人脸识别和黄暴视频识别。

行业思考

商业模式

• 软件服务：提供人脸检测、视频管理等服务，主要面向ToB市场。
• 软硬件一体解决方案：更易实现快速、高精度的数据处理，增强市场竞争力。

技术趋势

• 智能前端化：提升实时响应能力，避免云端处理的延迟问题。
• 低功耗芯片：支持高性能运算，是计算机视觉在消费领域落地的关键。
• 深度学习：持续推动识别准确率和复杂场景处理能力的提升。

总结

计算机视觉作为人工智能的基础技术，具有广阔的应用前景和市场潜力。随着数据量、运算力和算法技术的不断提升，行业正在快速发展。政策支持和投资热度进一步推动了技术的应用与商业化。未来，软硬件一体化解决方案和智能前端化将成为行业发展的主要趋势，而机器人视觉、无人机视觉等新兴领域或将带来新的增长机会。