本文来自微信公众号“电子发烧友网”，作者/李宁远。
“刷脸”已经在我们日常生活中占据了重要的地位，刷脸支付、刷脸门禁、刷脸交通、刷脸医疗、刷脸快递等等刷脸功能让我们的日常生活更加便捷更加安全。
在当今的AI领域，人脸识别应用无疑是商业变现最成功的案例之一，其产业发展速度之快让人瞠目结舌。现在人脸识别技术已经相对发展的很成熟，该技术越来越多地被推广到更多应用领域。
成熟的人脸识别技术
人脸识别是一种生物识别技术，以人的面部外观特征为分析目标，分析目标包括但不限于眼、眉毛、鼻、耳廓、嘴唇、下巴等面部器官的外状、大小、位置，还会涉及它们相互对应的平面或立体空间关系等等。人脸作为身份识别特征的优势在于其直观性较好，具有较高的唯一性。
国内人脸识别的发展起步于上个世纪九十年代末，随着技术的不断引进以及专业市场的导入，2014年人脸识别行业迎来行业转折点。深度学习技术让人脸识别的准确率大幅提升，限制其推广应用的可靠性问题得以解决，从此人脸识别进入高速发展阶段。
根据顶象发布的《人脸识别安全白皮书》数据显示，2021年国内人脸识别市场规模为56亿元，2022年国内人脸识别市场规模为68亿元，2016年到2022年期间，人脸识别市场每年的同比增长均在20%以上。
软硬件并重的人脸识别
从技术路线来说，3D结构光、TOF和双目立体视觉目前都有不少应用。3D结构光的成本最高，但缺点是容易受到光照影响，响应时间稍慢。TOF成本居中，影响时间是最快的但精度和分辨率稍弱。
另外从产业链来看，人脸识别是一个软硬件并重的技术，从中游厂商提供的算法分类来看，目前有基于人脸特征点的识别算法、基于整幅人脸图像的识别算法、基于模板的识别算法、利用神经网络进行识别的算法以及基于光照估计模型理论的算法。应用最广泛的是利用神经网络进行识别的算法。
上游硬件基础是人脸识别的根基，这些硬件包括传感器芯片、处理芯片。从处理芯片来说，计算能力的提升让人脸识别实现了从云到端的改变。此前的数据在CPU上进行处理，由于CPU负责逻辑算数的部分并不多，在多任务处理时效率低下。CPU在图像处理方面的是劣势，所以需要将图像处理的工作交给更合适的专门处理芯片。
整体而言，GPU高速并行运算的优势明显但是较为昂贵，中小型项目支撑不起这样的成本；FPGA峰值性能稍弱功耗较高但可编程性强能够适应很多人脸识别应用；ASIC、DSP、MPU对要求不是严苛的应用性价比很高。
人脸识别芯片发展到现在，已经较为成熟，不少厂商都能提供相应的处理芯片或者人脸识别模组，如Intel的人脸识别模块、Xilinx的FPGA、NXP的人脸识别处理器、TI的多核处理器、君正的MPU、地平线的BPU以及瑞芯微、全志、海思等等，选择已经很多样。
现阶段的前端处理芯片普遍都关注到了图像的前处理，基本都有硬件resize模块，未来这些用于人脸识别的处理芯片还会在小巧高效的浮点运算单元上做加强，用于提升卷积之外的算法运算。
而且现在的人脸识别应用场景五花八门，有的应用需要人脸识别选择的SoC芯片兼顾视频解码功能，有的应用为了更强的动画表现力需要GPU。针对不同的技术需求，这些人脸识别芯片的配置和选择多种多样。
小结
现如今，前端处理芯片计算能力处于飞跃式发展阶段，拥有TOPS级别算力的前端SoC已经比比皆是，算力已经不再是人脸识别处理芯片选择时的门槛。市场对于一款适合人脸识别芯片的筛选已经从看速度看准确率向追求更高的系统稳定以及更灵活的二次开发靠拢。
