虹 膜 识 别 与 虹 膜 定 位
单元3-生物识别技术资料
• （6）虹膜
• 眼睛的虹膜是由相当复杂的纤维组织构成，内侧与瞳孔相 邻，外侧与眼白相邻。虹膜与手指纹一样，是独一无二的， 同一个人左右眼的虹膜纹理都不会相互认同。而且虹膜在 人的一生中都极其稳定，不容易更改。
• 当前很多国家展开了有关人脸识别的研究，主要有 美国，欧洲国家，日本等，著名的研究机构有
• 美国MIT的Media lab,AI lab,CMU（卡耐基-梅隆大 学）的Human-Computer Interface Institute， Microsoft Research,
• 英国的Department of Engineering in University of Cambridge（剑桥大学）等。
• （5）声纹
• 声纹识别又称为说话人识别，是根据语音波形中反映说话 人生理和行为的特征的语音参数进行自动识别说话人身份 的技术。
• 所谓声纹是用电声学仪器显示的携带言语信息的声波频谱。 由于人在讲话时使用的发声器官--舌、牙齿、喉头、肺、 鼻腔在尺寸和形态方面每个人的差异很大，任何两个人的 声纹图谱都有差异，因此可以用于身份认证。
188个成员国发布了航空领域使用生物特 征认证技术的规划，提出将在个人护照中
加入生物特征(包括指纹识别、虹膜识别、 面相识别)，并在进入各个国家的边境时进 行个人身份的确认。目前，此规划已经在 美国、欧盟、澳大利亚、日本、南韩、南 非等国家和地区通过，从2004年底就开始 实施了。
生物特征识别技术在国外的研究现状
• （4）掌纹
• 掌纹是指手腕与手指之间的手掌表面上的各种纹 线。掌纹与指纹一样，具有高度的唯一性。掌纹 识别就是根据掌纹的特征信息来进行身份认证。
生物识别技术介绍、种类、优缺点及应用领域-文档资料
2021/4/21
13
指静脉识别
2、指静脉识别的优缺点 优点：
(1)准确方便：指静脉识别的准确性较高，特征信息少， 比对速度较快 (2)防伪性好：隐藏于手指内部，极难复制和盗取，安全 性较高 (3)特征稳定：不受外部环境、心理因素、年龄等因素影 响，稳定性较好
2021/4/21
14
指静脉识别
缺点： (1)设备兼容问题：首先必须配置专有设备，而且需要设 备兼容才能实现彼此之间的认证 (2)隐私问题：指静脉是用户重要个人信息，其准确性高 和防伪性好，存在隐私泄漏的隐忧 (3)成本较高：设备核心由日本日立公司独家生产，技术 具有垄断性
2021/4/21
17
如图： 图 像 获 取
2021/4/21
虹膜识别
虹
特
膜
征
定
提
位
取
• 方便性：生物识别技术不需记忆密码与携带使用特殊工具(
如钥匙)，不会遗失。
• 可采集性：选择的生物特征易于测量。 • 可接受性：使用者对所选择的个人生物特征及其应用愿意接
受。 基于以上特点，生物识别技术具有传统的身份鉴定手段
无法比拟的优点。采用生物识别技术，可不必再记忆和设置 密码，对重要的文件、数据和交易都可以利用它进行安全加 密，有效地防止恶意盗用，使用更加方便。
2021/4/21
8
人脸识别
如图：
输 入 图 像 或 视 频
人 脸 检 测 与 分 割
特 征 提 取
人 脸 识 别
输 出 识 别 结 果
特征提取是指根据已知数据库中的人脸的表征方法，从人
脸图像中提取出该人脸图像的表征值。人脸的表征方法很
多，通常的方法有几何特征、代数特征、特征脸、固定特
生物识别技术及应用
ppt课件
14
一个优秀的生物识别系统要求能实时迅 速有效地完成其识别过程。但不同的生物识 别系统的采集方式以及计算机处理算法等都 不一样。下面以较为成熟的指纹识别、面部 识别为例来介绍一下生物识别系统的关键技 术。
ppt课件
15
指纹识别
（1）指纹图像的采集 • 光学录入技术：最成熟也是最古老的指 纹录入技术，只要将手指放在一个台板（通 常是用加膜的玻璃制成）上，就能完成手指 图像的录入。 • 超声波录入技术：已经存在多年，但它 的应用范围始终不是十分广泛。手指在放在 玻璃台板上，超声波扫描开始时会听到蜂鸣 声并感觉到震动。由于使用了声波，因此， 在录入图像时，手指不必直接接触台板。
ppt课件 36
面像识别由面像样本训练和待识别面像 的识别两个过程组成。 • 在训练阶段，提取面像特征形成面像特 征库。 • 在识别阶段，用训练好的分类器对待识 别面像的特征和特征库中的特征进行匹配， 输出识别结果。
ppt课件 37
早期的面像识别算法主要基于几何特征 或模板匹配。对于不同人来说，面部特征点 （眼睛、眉毛、鼻子和嘴）和脸部轮廓 的形 状各不相同。基于几何特征的方法通过计算 面部特征点形状、分布的几何参数区分不同 人脸。基于模板匹配的面像识别通常采用 Poggio和 Brunelli所提出的基于局部特征模板 匹配的方法，它们提取局部特征的模板，进 行局部模板匹配并进行识别。
ppt课件 7
与传统身份鉴定相比，生物识别技术具有以下特 点： • 随身性：生物特征是人体固有的特征，与 人体是唯一绑定的，具有随身性。 • 安全性：人体特征本身就是个人身份的最 好证明,满足更高的安全需求。 • 唯一性：每个人拥有的生物特征各不相同。 • 稳定性：生物特征如指纹、虹膜等人体特 征会随时间等条件的变化而变化。
基于Gabor与瑞利分布型滤波器的虹膜识别法
《 装备 制造 技术 ｝ ２ ０ １ ３ 年第 １ ０期 假 定 训 练 集 ， ｙ ｉ ｝ ， ｉ ＝１ ， …， ｌ ｙ ｉ ｛ 一 ｌ ， １ ｝ ， 在线 性 可 分 情 况下 被 一 个 超平 面 ×ｘ ＋ ｂ＝０ ， ｔ ｏ ｓ Ｒ ， ｂ ｓ Ｒ， 分开 ， 这样 Ｓ Ｖ Ｍ可 以看成是 对如 下问题 的求解 ： 在其 它条 件相 同的情 况下 ，分 别 比较 了 Ｓ Ｖ Ｍ 与海 明
一
之 间的两个边界 即内边界和外边界 ，通常我们把这
Ｄ ａ ｕ ｇ ｒ ｎ ａ ｎ ［ ２ ］ 提 出利用 ２ Ｄ — Ｇ ａ ｂ ｏ ｒ 滤波器对 虹膜纹 两条边界近似为两个圆 ， 只要知道 圆心和半径 ， 那么 理进行局部相位量化 和编码 ，这种算法识别准确性 就可 以唯一地确定一个圆 ， 也就是说 ： 虹膜定位就是 高， 速度快 ， 是 目前虹膜识别商用系统 的基础。但这 在 人 眼 图像 中确 定两 对 圆心 和半 径 。 种算法需要处理纹理的二维信息 ，增加 了特征提取 首先 ， 根据人 眼图像 的灰度 特点（ 虹膜 区域灰度 的运算 时间 。Ｗｉ ｌ ｄ ｅ ｓ ｔ 睬 用 高斯型滤波器在不同分辨 值 较 小） ，采 用灰 度投 影 的方法 大 致确 定 瞳孔 的圆心 率下分解虹膜 图象 ， 并把结果进行存储 比较 ， 计算量 ｃ ， Ｙ 。 ） ， 计算 公式 如 下 ： 比较 大 。 Ｂ ｏ ｌ ｅ ｓ ［ ４ ］ 提 出 了一 种新 颖 的基 于小 波变 换 过零 嘴 一 ， ｙ １ Ｘ ｆ 】 ） 检测 的虹膜识另 算法 ，只在小样本集里取得 了有 限 ＝ａ ｒ ｇ ｍ ａ ｘ ． ｒ ￣ ， Ｉ （ ｘ ， Ｙ ） 一 的结果。这种算法对灰度值变化 比较敏感 ， 因而识别 式中， Ｉ （ ｘ ， ｙ ） 为图像的灰度值。 率 比较低 。 再对图像采用 Ｃ ａ ｎ ｎ ｙ 算子【 ５ 】 进行边缘检测 ， 其敏 本 文提 出一 种 基 于 Ｃ ａ ｂ ｏ ｒ 与 瑞 利分 布 型滤 波器 感度 阈值 选 取 为 ０ ． ９ 。对 虹 膜库 中 图像进 行 实 验 ， 结 的虹膜识别算法 。实验结果表明 ， 该算法识别错误率
六种生物识别技术详细比较及优缺点分析
六种生物识别技术详细比较及优缺点分析一、虹膜识别技术虹膜是一种在眼睛中瞳孔内的织物状各色环状物每一个虹膜都包含一个独一无二的基于像冠、水晶体、细丝、斑点、结构、凹点、射线、皱纹和条纹等特征的结构据称没有任何两个虹膜是一样的。
虹膜技术的优点1、便于用户使用2、可能会是最可信赖的生物识别技术3、无需物理的接触虹膜技术的缺点1、虹膜技术的缺点2、一个最为重要的缺点是它没有进行过任何的测试当前的虹膜识别系统只是用统计学原理进行小规模的试验而没有进行过现实世界的唯一性认证的试验3、很难将图像获取设备的尺寸小型化4、需要昂贵的摄像头聚焦一个这样的摄像头的最低价为7000美元5、镜头可能产生图像畸变而使可靠性降低6、黑眼睛极难读取7、需要较好光源。
二、视网膜识别技术视网膜也是一种用于生物识别的特征有人甚至认为视网膜是比虹膜更唯一的生物特征视网膜识别技术要求激光照射眼球的背面以获得视网膜特征的唯一性。
视网膜技术的优点1、视网膜是一种极其固定的生物特征不磨损、不老化、不受疾病影响2、使用者无需和设备直接接触3、是一个最难欺骗的系统因为视网膜不可见所以不会被伪造。
视网膜识别的缺点1、未经测试2、激光照射眼球的背面可能会影响使用者健康这需要进一步的研究3、对消费者而言视网膜技术没有吸引力4、很难进一步降低成本。
2、可能会是最可的生物识别技术3、无需物理的接触虹膜技术的缺点1、虹膜技术的缺点2、一个最为重要的缺点是它没有进行过任何的测试当前的虹膜识别系统只是用统计学原理进行小规模的试验而没有进行过现实世界的唯一性认证的试验3、很难将图像获取设备的尺寸小型化4、需要昂贵的摄像头聚焦一个这样的摄像头的最低价为7000美元5、镜头可能产生图像畸变而使可性降低6、黑眼睛极难读取7、需要较好光源。
三、面部识别面部识别技术通过对面部特征和它们之间的关系来进行识别识别技术基于这些唯一的特征时非常复杂需要人工智能和机器知识学习系统。
用于扑捉面部图像的两项技术为标准视频和热成像技术。
虹膜识别技术
多生物特征 融合
嵌入式系统 集成
深度学习算 法优化
跨平台应用 开发
06
产业链构成：包括硬件制造、软件开发、服务提供等环节 上下游关系：与移动设备、金融、教育、安防等行业有密切联系 竞争格局：市场份额较为分散，国内企业竞争力逐渐增强 发展趋势：随着技术进步和应用场景拓展，产业将迎来更大发展空间
提高安全性：虹膜识别技术可以增强身份验证的安全性，减少身份盗窃等 犯罪行为。
单击此处添加标题
虹膜识别的稳定性：虹膜识别技术可以准确、快速地识别目标个体，即使在 光线昏暗、目标距离较远等不良情况下也能保证较高的识别精度。
单击此处添加标题
虹膜信息的保护：在进行虹膜识别时，用户的个人信息和生物特征不会被泄 露，因此可以很好地保护用户的隐私。
单击此处添加标题
虹膜识别技术的安全性：虹膜识别技术采用了高级加密技术，可以防止黑客 攻击和非法获取用户信息，从而保证了用户信息的安全性。
竞争格局：市场份额较为分散， 龙头效应不明显
发展趋势：技术升级、应用拓 展、政策支持
虹膜识别技术将得到更广泛的 应用
虹膜识别技术将不断升级和完 善
虹膜识别技术将与人工智能等 新技术融合发展
虹膜识别技术将成为生物识别 领域的重要发展方向
04
单击此处添加标题
虹膜信息的唯一性：每个人的虹膜信息都是独一无二的，这使得虹膜识别具 有很高的安全性。
添加标 题
添加标 题
添加标 题
添加标 题
挑战：虹膜识别技术 的安全性和隐私保护 存在被破解和滥用的
风险
机遇：随着技术的发 展和应用的深入，虹 膜识别技术的安全性 和隐私保护技术将得 到进一步发展和完善， 为人们的生活带来更 多便利和安全保障。
一种改进Log-Gabor滤波的虹膜识别算法
计
算
机
仿
真
２１年５ ０ ２ 月
一
种 改进 Ｌ ｇ Ｇａ ｏ 波 的虹膜 识 别 算 法 ｏ — ｂ ｒ滤
张 旭
（ 江苏经 贸职业技术学 院． 江苏 南京 ２ １６ ） １ １８
获取虹膜图像 低频 子带信息 ， 然后采用不 同方 向尺度 的２ Ｌｇ Ｇ ｂｒ 维 ｏ— ａｏ 滤波器组提取虹膜纹理特征， 最后采用支持向量机对
生成 的虹膜 特征码进行 匹配 。采用 Ｃ ＳＡ和 Ｕ ＩＩ ＡＩ ＢＲ Ｓ虹膜库对算 法性 能进行测试 ， 测试结果表明 ， 改进 Ｌｇ Ｇ ｂｒ ｏ— ａｏ 滤波 的虹
虹膜识别系统 主要 由： 膜图像摄取 、 虹 虹膜 图像 预处 理 、 虹膜纹理特征提取和特征编码 匹配 与识 别等步骤 组成 ． 中 其
最为关键的步骤虹膜纹理特征提取 与虹膜特 征码匹配 ． 决定 着虹膜识别率 的高低 ， 因此本文重点 阐述虹膜识别 中的纹理 特征提取与特征码 匹配。
３３ ． 特 征 编 码
受到人 眼、 光照等条 件 的影 响． 采集 的虹 膜 图像会 包含 不 同程度 的噪声 ． 虹膜 只 占图像 的一部分 区域 ， 而获得 且 然
基于k-近邻分类匹配的虹膜识别技术与应用
鉴定． 每个人的虹膜的结构和纹理特征各不相同 作
为重要 的身份鉴别特征 ， 具有 唯一性、 稳定性 、 可采
集性 、 非侵犯性等优点． 与脸像 、 声音等非接触 式的 身份 鉴别 方法 相 比， 膜具 有更 高的 准确性 ， 虹 可广泛
化以及虹膜 图像 的增强等 ５ 儿Ｊ
．
收稿 日期 ：０ ６—０ ２０ ２—０ ２
基金项 目： 国家 自然科学基金（ 重点 ） 目（ ０３ ０ ０ ， 项 ６２ ４ ３ ） 国防科工 委项 目（ １２ ００ ５ ） Ａ ４ ０６ １９ 作者简介 ： 陈爱萍 （９ ４ ， 副教授 ， １６ 一） 女， 研究方向 ： 数字信号处理 ， 字图像处理． 数
一
瞳孔半径为 ：
ｒ ｍ ｘ （ 一 ｍ ）２ （ 一 ）２ （ ） ＝ ａ［ Ｘｉ ／ ，Ｙ Ｙ ． ／ ］ ２ ｎ ｍ
１２ 虹膜外 边缘 的确定 ．
由于虹膜外边缘处灰度变化不 明显 ， 在光照不 均匀的情况下 ， 用灰度分割方法很难取得好 的效果 ，
可采 用 圆 Ｈｏｇ ｕｈ变换 的方法 来 精 确 定 位外 边 缘 ， 圆 Ｈ ｕｈ变换原 理 如下 ： ｏｇ
趋 向一致 ， 也是图像中灰度最低的部分 ， 先计算出虹 膜 的灰 度直 方 图 ， 图 １ｂ 所 示 ， 图看 出 ， 两 个 如 （） 由 有 峰值 ， 瞳孔的灰度集中在直方图的左侧 ， 即第一个峰 值， 第二个峰值对应的是虹膜 区域的灰度集中范 围． 提取第一个峰值的右侧最小 值处为二值化 阈值 （ 选 取为 ２ ） 图 １ ｃ 显示 了对该 图进行 灰度分割 （ ５ ， （） 保 留阈值 ＜＝ ５的部分 ） 的结果 ． 了除去虹膜 ２ 后 为
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
人脸识别行业分析2019-05-06人脸识别与其它生物识别技术相比，优势在于非接触性、非侵扰性、硬件基础完善、可拓展性。
本文主要跟大家分析一下人脸识别这个行业，enjoy~一、人脸识别概况生物识别，是指依靠人体的身体特征来进行身份验证的识别技术，目前较为主流的识别技术有：人脸识别、指纹识别、虹膜识别、语音识别等四类。
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。
通常采用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸。
人脸识别系统主要包括四个组成部分，分别为人脸图像采集及检测、人脸识别预处理、人脸图像特征提取以及匹配与识别。
人脸识别与其它生物识别技术相比，优势在于非接触性、非侵扰性、硬件基础完善、可拓展性。
指纹识别唯一性比较强，采集成本较低，但是指纹可由指纹贴、指纹膜等复制，且接触性、侵扰性较强，人脸识别与其相比接触性和侵扰性较低；虹膜识别最精准，但是采集成本非常高，识别效率较低，接触性、侵扰性也较强，人脸识别与其相比，采集成本低、识别效率高；语音识别采集成本低，但语音具有可变性，人脸识别与其相比，识别效率高。
人脸识别技术原理简单来讲主要是三大步骤：一是建立一个包含大批量人脸图像的数据库；二是通过各种方式来获得当前要进行识别的目标人脸图像；三是将目标人脸图像与数据库中既有的人脸图像进行比对和筛选。
根据人脸识别技术原理具体实施起来的技术流程则主要包含以下四个部分，即人脸图像的采集与预处理、人脸检测、人脸特征提取、人脸识别和活体鉴别。
需要考虑图像大小，图像分辨率，光照环境，模糊程度，遮挡程度，采集角度。
人脸图像的采集有两种途径，分别是：人脸图像的批量导入和人脸图像的实时采集。
前者是指将采集好的人脸图像批量导入至人脸识别系统，系统会自动完成个人脸图像的采集工作；后者是指调用摄像机或摄像头在设备的可拍摄范围内自动实时抓取人脸图像并完成采集工作。
人脸图像的预处理是指对系统采集到的人脸图像进行光线、旋转、切割、过滤、降噪、放大缩小等处理来使得该人脸图像符合人脸图像特征提取的标准要求。
目前主要有三种图像预处理手段，即灰度调整、图像滤波、图像尺寸归一化。
其中灰度调整是对地点、设备、光照等造成的图像质量差异进行处理，图像滤波是对噪声造成的图像质量差异进行降噪处理，图像尺寸归一化是针对图像像素大小不同进行尺寸处理。
2. 人脸检测在图像中准确标定出人脸的位置和大小，并把其中有用的信息挑出来（如直方图特征、颜色特征、模板特征、结构特征及Haar特征等），然后利用信息来达到人脸检测的目的。
人脸检测是指判断是否存在人脸及定位出人脸的位置、大小与姿态。
目前的人脸检测方法可分为三类，分别是基于肤色模型的检测、基于边缘特征的检测、基于统计理论方法的检测。
基于肤色模型的检测是利用人脸的肤色特征建立肤色模型从而进行检测，其优点是人脸的检测速度较高，对遮挡和光照有一定的鲁棒性，不足是和其他方法不太兼容，且不易处理复杂背景和多人物同框；基于边缘特征的检测则是利用图像的边缘特征进行人脸检测，优点是计算量相对较小，可实现实时检测，与其它特征方法可融合，缺点是在复杂背景下误检率比较高；基于统计理论方法的检测则是通过对人脸特征值的循环迭代来检测人脸，其计算速度快，应用广泛，但是误检率较高。
3. 特征提取人脸识别系统可使用的特征通常分为视觉特征、像素统计特征、人脸图像变换系数特征、人脸图像代数特征等。
人脸特征提取就是针对人脸的某些特征进行的，也称人脸表征，它是对人脸进行特征建模的过程。
主要方法有基于知识的表征方法（主要包括基于几何特征法和模板匹配法）和基于代数特征或统计学习的表征方法。
基于知识的提取方法是根据人脸五官结构特征等先验知识来进行提取，其特点是识别方法比较简单、容易理解，检测速度较快，但是没有形成统一的特征提取标准，对动态人脸图像的鲁棒性较差；基于代数特征的提取方法是基于统计学习的特征提取方法，特点是特征易抽取，识别精度较高，应用广泛，但是需要与相应的数据库进行统计训练。
4. 匹配与识别这一精确筛选的过程分为两类：一是一对一的筛选，即对人脸身份进行确认的过程；二是一对多的筛选，即根据人脸相似程度进行匹配比对的过程。
此外人脸识别包含活体鉴别环节，即区别识别的特征信号是否来自于真正的生物体。
关键技术指标：检测率、误检率、漏检率、速度。
识别中的精确率、召回率、错误接受率-认假率-误识率、错误拒绝率-拒真率-拒识率二、行业概况2.1 行业逻辑2.1.1 人脸识别技术日趋成熟、准确率高2018 年 11 月 16 日，美国国家标准与技术研究院（NIST）公布了全球权威人脸识别比赛（FRVT）最新报告，从前十名企业在千分之一的误报率下的识别准确率来看，其平均能达到 99.69%，在千万分之一误报下的识别准确率超过99%。
意味着机器几乎可以做到在1000万人的规模下准确识别每一个人，而人脑记忆并辨别 100 个人的身份都很有可能犯错，相比于去年同期，全球人脸识别性能提升了80%，且中国企业占据榜单前五位，居世界领先水平，为人脸识别的技术落地提供技术面支撑。
从研究学者分布来看，中国占据世界第三的位置，人才储备居优势地位。
2018 年， AMiner 基于发表于国际期刊会议的学术论文，对人脸识别领域全 TOP1000 的学者进行计算分析。
从全球范围来看，美国人脸识别研究学者聚集最多的国家，在人脸识别领域的研究占有绝对的优势；英国紧随其后，位列第二；中国位列全球第三，占有一席之地。
可以看出，中国的追赶势头不容忽视。
从公开专利数量来看， 2007-2017年，我国人脸识别专利公开数量总体呈上升趋势，为人脸识别商业化应用打下基础。
从每年新增数量来看， 2007 年新增专利尚不足百例，至 2015 年迎来了爆发，全年新增专利已达到 1398 例，至 2017 年，我国人脸识别专利公开数量 2698 项，达到近年来最大值；截至 2018年7月，专利公开数量为2163 项，技术实力的显著增强也为国内商业化产品的迅速普及打下了坚实的基础。
2.1.2 政策推动长期以来，国家高度重视人脸识别产业落地的发展，出台多项政策助推产业发展。
2015 年以来，国家密集出台了《关于银行业金融机构远程开立人民币账户的指导意见（征求意见稿）》，给人脸识别普及打开；其后，《安全防范视频监控人脸识别系统技术要求》、《信息安全技术网络人脸识别认证系统安全技术要求》等法律法规，为人脸识别在金融、安防、医疗等领域的普及打下了坚实的基础，扫清了政策障碍。
同时， 2017 年人工智能首次写入国家政府报告，作为人工智能的重要细分领域，国家对人脸识别相关的政策支持力度在不断的加大。
2017 年 12 月发布的《促进新一代人工智能产业发展三年行动计划（2018-2020年）》则具体规划“到 2020 年，复杂动态场景下人脸识别有效检出率超过 97%，正确识别率超过90%”。
另外，工地场景上，住房和城乡建设部、人力资-源社会保障部印发《建筑工人实名制管理办法(试行)》明确提出：建筑企业应配备实现建筑工人实名制管理所必须的硬件设施设备，施工现场原则上实施封闭式管理，设立进出场门禁系统，采用人脸、指纹、虹膜等生物识别技术进行电子打卡；不具备封闭式管理条件的工程项目，应采用移动定位、电子围栏等技术实施考勤管理。
相关电子考勤和图像、影像等电子档案保存期限不少于2年。
2.1.3 资金推动根据 CB Insights 在 2018 年发布的《Top AI Trends To Watch In 2018》显示，：中国在人工智能初创公司的资金支持方面已超过美国，位列世界第一，其投入的资金主要专注于人脸识别核心技术。
2017 年，全球AI 创业公司获得资金支持 152 亿美元，其中 48％流向中国， 38％流向美国，中国在人工智能初创公司的资金支持方面已超过美国，而中国在人工智能上投入的资金主要专注于人脸识别核心技术，仅在 2017 年就突破十亿美元大关，达到 16.40 亿美元。
此外，政府对人脸识别初创公司的资金支持已达亿级以上。
仅在 2017 年，就有广州市政府和有国务院国资委背景的中国国有资本风险投资基金对云从科技、旷视科技投入亿级以上资金。
人脸识别是AI领域融资最多的方向。
2.2 行业规模与结构2017 年，全球视觉人工智能市场规模约为 70 亿美元，同比增长12.36%，而中国视觉人工智能市场规模达到 41 亿元，同比增长 259.6%，远高于全球市场的增速。
随着视觉人工智能技术的逐渐成熟及应用领域的逐步扩大，预计到 2020 年中国视觉人工智能市场规模将进一步扩大，达到 755.5 亿元。
视觉人工智能是中国人工智能市场上最大的组成部分。
根据中国信通院数据，2017 年中国人工智能市场中视觉人工智能的占比超过 37%。
在视觉人工智能领域，安防影像分析是最大的应用场景，2017 年占比约67.9%。
其他主要应用包括广告、互联网、云服务、手机等。
2.3 行业场景与应用最近三年，视觉人工智能技术不仅带来了生产效率的提升，而且还催生了众多新产业、新商业模式与新应用场景，推动了多行业产业链的重构。
随着视觉人工智能技术的不断发展，市场规模的不断扩大及行业应用解决方案的建立和完善，视觉人工智能行业的应用场景将进一步渗透，助力各应用行业解决痛点，实现行业转型和升级，需求前景广阔。
最近几年机器视觉行业实现快速发展的背景是： 2015 年基于深度学习的计算机视觉算法在ImageNet 数据库上的识别准确率首次超过人类，同年 Google 在开源自己的深度学习算法。
这些带动中美两国的科学家把计算机视觉算法运用到安防、金融、互联网、物流、零售、医疗、制造业等不同垂直行业。
但在实际的运用当中，由于数据可得性，算法成熟度，服务的容错率等因素的影响，落地的速度开始出现分化。
?移动互联网-安防领跑，零售-物流跟进，医疗-无人驾驶发展较慢。
2.3.1 智能安防安防领域是人脸识别技术最成熟的落地领域，也是 AI 视觉公司普遍首先切入的细分领域。
安防领域的特性在于：公共安全的刚需应用，可极大提高效率；市场预算分级、高度碎片化，且政府订单为主，可有效贡献收入；深度赛道，不断面临新问题与新需求，问题难度跨度大（简单需求如车牌识别、困难需求如动态识别与犯罪预防等）。
作为公共安全的刚需应用，安防领域计算机视觉未来将继续向多模态融合、万路以上广联网发展。
2.3.2 移动互联网计算机视觉在移动互联网上的应用目前主要包括：互联网直播行业的主播美颜；鉴黄、广告推荐等视频分析；智能手机里的 AI 美颜和人脸解锁。
一方面，移动互联网行业数据较为丰富，数据可得性较高；另一方面，由于应用多为“锦上添花”型的娱乐、广告应用，容错率较高，技术难度相应下降。