2017-36Kr：计算机视觉行业研究报告_41页_3mb

计算机视觉行业研究报告总结

核心内容

计算机视觉是人工智能的重要组成部分，旨在让机器模拟人类视觉系统，实现物体识别、形状与方位确认、以及运动判断等功能。它与语音识别、语言识别共同构成了人工智能的感知智能，为机器提供“看”和“认知”的能力，使其能够完成复杂的任务和决策。

主要观点

1. 行业驱动因素：计算机视觉的发展依赖于数据量、运算力和算法技术三大要素。

   • 数据量：2000年后，随着互联网、社交媒体和移动设备的发展，数据量急剧增加，为深度学习算法提供了丰富的训练素材。
   • 运算力：GPU的出现极大提升了数据处理速度，使深度学习成为可能。随着AI-PU等专用芯片的发展，运算效率将进一步提升。
   • 算法技术：深度学习算法极大提高了视觉识别的准确率，从70%提升至95%以上。相比传统神经网络，深度学习具有更强的自学习能力，能适应更复杂的场景。

2. 政策法规支持：各国政府积极出台政策支持人工智能发展，特别是在安防、交通和金融领域。中国自2015年起陆续发布多项政策，推动计算机视觉技术的应用。

3. 投资热度：全球和中国对计算机视觉的投资热度持续上升。2016年Q1数据显示，计算机视觉领域公司数量约为180家，融资额约16亿美元。

4. 市场规模：2015年，中国人脸识别市场约70亿元，视频监控市场约200亿元。随着技术的发展，市场潜力巨大。

关键信息

技术流程

计算机视觉识别通常包含三个步骤：目标检测、目标识别、行为识别。

• 目标检测：从背景中提取感兴趣的目标，解决“去背景”的问题。
• 目标识别：判断目标是什么，涉及图像信息提取和分析。
• 行为识别：识别目标在视频中的行为，解决“干什么”的问题。

应用场景

1. 生物特征识别：

   • 技术较为成熟，主要应用于身份鉴定。
   • 指纹识别普及率最高，但市场份额呈下降趋势。
   • 人脸识别因非接触性、非强制性和高并发性，成为主流。

2. 光学字符识别（OCR）：

   • 技术成熟，但照片中多字符文本识别仍是难点。
   • 主要应用于证件识别、单据识别等场景，提升信息录入效率。

3. 物体与场景识别：

   • 技术仍处于早期阶段，多数公司专注于数据标注。
   • 应用于军事、医疗、工业、消费生活等多个领域。

4. 视频对象提取与分析：

   • 基于动态图像识别，需处理光线、遮挡等干扰。
   • 应用于监控系统、行为识别和电商营销等领域。

产业链

计算机视觉产业链分为三部分：

• 基础支撑层：包括芯片（CPU、GPU）和初级算法提供商（如Google、Microsoft）。
• 技术提供层：包括图像识别平台（如Face++）和嵌入式视觉软件。
• 场景应用层：包括门禁、监视、搜索引擎、视频分析等具体应用系统和终端产品。

商业模式

• 软件服务：提供在线API、离线SDK、私有云服务等，主要面向ToB和ToB-to-C市场。
• 软硬件一体解决方案：通过硬件与软件结合，满足特定应用场景需求，具有更高的技术壁垒和商业化潜力。

行业竞争

• 工业巨头：如海康威视、美的集团，具有全产业链布局和强渠道能力。
• 互联网巨头：如Google、Facebook、百度，拥有顶尖技术团队和大量数据资源。
• 创业公司：如旷视科技、商汤科技、依图科技等，专注于特定领域，如人脸识别、车辆识别、医疗影像识别等。

技术趋势

• 智能前端化：随着对实时响应的需求增加，智能前端化成为趋势，提升识别速度和处理能力。
• 深度学习应用：深度学习技术在计算机视觉中的应用持续深化，推动技术进步和商业化落地。
• 芯片发展：低功耗、高性能的AI-PU等专用芯片将成为计算机视觉领域的重要支撑。

行业思考

• 软硬件一体更具竞争力：仅靠软件难以满足复杂应用场景的需求，软硬件结合能提供更高效、更精准的解决方案。
• 应用场景探索：尽管人脸识别已成主流，但机器人视觉、无人机视觉等新兴领域仍待深入探索。
• 商业化挑战：创业公司需加快技术商业化，提升市场竞争力，以应对激烈的行业竞争。