人脸识别公司有很多，大致分为这几类： 一类是，专注算法这块，主要提供的是API，SDK。有的是自己做成了系统，软件。 一类是，专注系统、软件这块，有针对不同行业的解决方案，不过不一定掌握了核心算法。 一类是，人脸识别模块及硬件这块，比如人脸识别考勤机，人脸识别取款机。 现在主要推荐几家专注算法的公司，至于哪家强，不敢下定论： 北京：FACE++，商汤科技，北京可信网络有限公司，脸指，麒麟永盛 四川：凌感科技，四川蓉达，云从科技 广东：颜鉴科技（ColorReco），洪森科技 杭州：杭州微禾 厦门：厦门瑞为 上海：晶软，看看智能，腾讯优图，

我是负责NEC人脸识别中国区的，说一下我个人观点：一个成功的人脸识别项目， 算法50%+现场调试30%+环境控制10%+客户预期控制10%。 如果说第三方权威测试还是要看NIST。很多项目要提供该测试的证明材料，方可参与投标。 至于国内那些算法和厂商，的确在UI方面‘客户方面做得不错，算法是有门槛，是一个持续优化的过程，所以断时间还很难超过国外厂商，但是中国的互联网技术、大数据技术，包括中国的海量人口样本，当然要有效的样本，预计几年内肯定要超过的。 在中国大的项目仍然在政府和公安，一些小厂商号称人脸识别很牛，其实也就做过几个门禁、VIP识别的项目，不成规模，没有量，怎么赚钱。

有一些公开的测评数据和应用情况

不用比了，看估值、客户、技术、产品都是 Face++ 远远胜出（只看人脸识别）。 各家客户选择方案的时候会做评测的，据我所知 Face++ 参与评测的全部排在第一没有悬念。 利益不相关，我是网络安全从业者，认识部分他们创始人。

人脸识别技术是一种依据人的面部特征，自动进行身份鉴别的一种技术，它综合运用了数字图像、视频处理、模式识别等多种技术。通过人脸特征提取和相似度比对，对于已经矫正好的两个人脸，会通过某种表达提取初始特征，然后应用知识模型对特征进行处理，最后再在度量空间里来计算两个特征的相似度。这个分值会告诉你这两个脸是不是同一个人的。人脸识别的过程包括：数据采集、人脸检测、五官定位、人脸预处理、特征提取。 腾讯云人脸识别申请使用 [h1]1. 产品优势[/h1]强大的人脸训练模型：立足于腾讯社交数据大平台收集的海量人脸训练集，成功标注的千万人脸数据。 方法最全：高维LBP、PCA、LDA 联合贝叶斯、度量学习、迁移学习、深度神经网络 技术最好： 优图独创Uface深度人脸模型，LFW评测以99.65%目前世界领先。实际互联网金融场景测试，自拍-身份证缩略图对比0.01%错误率，通过率95% [h1]2. 人脸验证技术(1:1识别)[/h1]人脸识别技术可以计算出两张人脸照片的相似度，从而判断是否为同一人，即1：1身份验证。优图人脸识别通过传统方法和深度学习技术结合，以空间面孔墙和微众银行远程核身为基础，在性能上达到LFW 99.65% [h1]3. 人脸检索技术(1：N识别)[/h1]给定一张照片，和数据库中N个人脸进行对比，给出是否为其中某一个人，或者给出排序结果，即人脸检索。1：N用于用户不需要声明身份的场景。根据人脸数据的采集方式，光线条件，配合与非配合，各种人脸识别技术的成熟度差异很大。 [h1]4.技术指标[/h1]• FAR：False Accept Rate，错误接受率，指将身份不同的两张照片，判别为相同身份，越低越好 • FRR：False Reject Rate，错误拒绝率，指将身份相同的两张照片，判别为不同身份，越低越好 这两个指标有明确的物理意义，FAR决定了系统的安全性，FRR决定了系统的易用程度，在实际中，FAR对应的风险远远高于FRR，因此，生物识别系统中，会将FAR设置为一个非常低的范围，如万分之一甚至百万分之一，在FAR固定的条件下，FRR低于5%，这样的系统才有实用价值。 腾讯的人脸识别算法在实际互联网金融场景测试，自拍-身份证缩略图对比达到0.01%错误率，通过率95% 速度指标 • 支持最小人脸尺寸64x64 • 人脸特征尺寸1-2KB • 1：1人脸对比500ms [h1]5. 常见的应用场景[/h1]门禁系统：受安全保护的地区可以通过人脸识别辨识试图进入者的身份，比如小区、学校、企业等。敏感地点也可以使用人脸识别门禁，未登记人员访问将触发报警。 摄像监视系统：在例如银行、机场、体育场、商场、超级市场等公共场所对人群进行监视，以达到身份识别的目的。同时疑犯布控追踪也是较为常见的应用场景。 学生考勤系统：香港及澳门的中、小学已开始将智能卡配合人脸识别来为学生进行每天的出席点名记录，内地高校也进行了有关试点。 娱乐应用：自动美妆美图、人脸属性识别、颜值分析，都是已经成熟使用的娱乐场景。

如果是基于深度学习的人脸识别，还不如把问题改为，谁的数据占优势？或者说，谁在某个特定场景下的数据占优势。

T大阳光长跑的刷脸系统…… 都是泪…… 不过不是我的……都是学弟学妹们的泪…… 1字班老学长赶紧溜防止被打……

可以参考7月18日的MS-Celeb-1M 竞赛获奖名单。 无限制类冠军：松下-新加坡国立大学团队（Panasonic-NUS） 有限制类冠军：猎户星空团队（Orion） 作为一个不务正业的人，其实一直关注机器学习的问题。 之前的阿尔法狗学习了很多（如果阿尔法狗教人类下棋，会比人类围棋师傅要厉害么？），前两天还回答了个关于机器学习处理马赛克的问题（在五到十年内，人工智能能复原成人影片中的被马赛克部分吗？）。 人脸识别是我比较喜欢的内容之一，而最近，被称作人脸识别“世界杯”的微软百万人识别竞赛第二轮落下帷幕，让人看到中国在这个领域取得的快速进展，激动不已。 今天就聊聊这个人脸识别问题。 记得当初最强大脑里，有人可以快速辨认很多人脸，惊呆了很多人，让观众纷纷感慨人脑的强大之处。 然而，现场的人脸毕竟是有限，而且也只是那个极个别的人可以实现一定程度的识别。放在今天对人脸识别巨大的需求情况下，光依靠人力明显是不可能的。 而这个时候，感谢机器学习的进步，使得我们可以用更好的算法来让电脑执行人脸识别，而人脸识别也随之取得了更多的进步。 （机器学习过程） 如今，人脸识别已经有了取得了长足的进步，而为了方便大家的进步和交流，目前有不同的机构都成立了相应的面部图像数据集。 [h1]————一，微软百万名人人脸数据库————[/h1]我们知道机器学习的一个重要内容是学习，因此可供学习的样本是十分关键的。一般常见的社交网站比如Facebook，新浪微博等都拥有大量的照片，然而他们的数据是保密的，所以大部分人无法获取，因此很多人转向了可以公开使用的数据库。 在公开的人脸识别数据集里，比较著名的是LFW和MegaFace。 LFW是是美国马萨诸塞大学的一个数据集，有1万多张照片，属于相似度比较的范围。 MegaFace是美国华盛顿大学发布的数据，内容是几十位互联网明星照片加100多万张普通人的照片形成的干扰数据。 然而这两个数据集都存在一些问题影响了人脸识别的效果。 LFW由于数据太小，导致往往出现过拟合问题，且实践过程是两张图片相似性的对比；MegaFace本身更倾向于人脸验证问题，且由于MegaFace本身未进行人为标注，导致测试过程中容易出现大量的干扰噪声。 有鉴于此，微软亚洲研究院（MSRA）于2016年发布了一个全新的数据集微软百万名人数据集（MS-Celeb-1M），这个数据及首先保证了照片的数量，包含了10 万个名人的约 1000 万张脸部图片，除此以外，微软更是对照片进行了人工标准，比如标注了职业和性别等选项，这样可以最大程度上避免对应错误的情况。 我们可以用一张图来对比这三家的内容 由于微软的数据库具备了很多优势和改进，因此这个数据库一发布就受到了众人的青睐，如今已经是世界上规模最大、用户最多的图像识别数据集之一。 [h1]————二，人脸识别竞赛世界杯————[/h1]为了鼓励众人对人脸识别的参与，微软还组织了人脸识别竞赛（Image Recognition Challenge），这场竞赛也成为人脸识别的顶级盛宴，被称作人脸识别世界杯。 人脸识别竞赛的要求很简单，就是输入一张人脸，要求输出一个人名。这是一个标准的“端到端”问题，是一种最接近于现实的人脸识别，我们看到一个人，然后知道他的名字。 而根据是否可以自由的使用外部数据，微软又将竞赛分为无限制类和有限制类两部分。前者可以自由的使用外部数据来进行辅助或者训练识别。 而经过紧张的比赛，7月18日，比赛落下帷幕，最终结果呈现给公众，我们可以在相应的网站上看到比赛结果。 Leaderboard of MSCeleb1M @ ICCV Workshop 2017 来自松下-新加坡国立大学（Panasonic-NUS）的团队和来自中国的猎户星空团队（Orion）分别摘得了无限制类和有限制类的冠军。 ————无限制类冠军———— 冠军是来自新加坡松下研究院和新加坡国立大学联合组建的队伍，两家的标志都是蓝色的，蛮有意思的。 这个团队是深度学习与计算机视觉领域的最顶级团队之一，尤其是在人脸识别方面，更是屡次斩获成果，他们曾经用LFW数据集实现了高达99%的识别效果。而这一次在微软百万名人人脸识别竞赛上独占鳌头，证明了他们的实力处于世界顶级。 在此次竞赛单元中，他们选择的是“Low-Shot Learning”，这是一个非常考验在面对稀缺人脸训练样本的时候，如何精确识别的问题。 在这个测试里包括两个库，基础库（base set）是包含了2万个名人，每个人提供了50-100张左右的人脸；而另一个全新库（novel set）要小得多，只包含了1千个名人，且每个人只有1张照片。尽管最终的给出的考察样本是两者都有，但是明显对于全新库的考察更为关键，也就是稀缺训练下的模型识别效果。 这种情况下，尤其考验策略，NUS-Panasonic组采取的是用基础库来训练模型然后去识别全新库的办法，且充分利用了竞赛允许的额外数据来增强学习和训练。 ————有限制类冠军———— 来自猎户星空团队（Orion）。 这个蛮有意思的，一个来自中国的公司团队，是猎豹移动旗下人工智能公司。2016年9月才成立，然后不到一年就参与竞赛并夺得了有限制类的冠军。不得不感慨后生可畏啊。事实上在年初的LWF人脸识别的评测中，这个团队就已经崭露头角，拿到了前三名的成绩。 而在此次微软百万名人人脸识别竞赛中，猎户星空更是接受了hard模式。因为有限制的竞赛只能使用微软提供的数据，这无疑增大了难度，因为对于可以使用其他数据的无限制类比赛，某种程度上就是数据量的比较，只要使用足够多的数据进行足够多的模型训练，一定会获得一个很好的学习效果。而限制类由于数据确定，因此更多的是算法层面的比较。结果无论是在random还是hard 中，他们都取得了第一的成绩。 [h1]————三，人脸识别路上的中国龙————[/h1]事实上，这次竞赛中，不止有猎户星空一家中国面孔。 位列无限制类竞赛的第二名，就是一家中国的团队， 来自中国科学院重庆绿色智能技术研究院，这是2011年才成立的一个非常年轻的研究所，由中国科学院，国务院三峡办和重庆市政府联合建立的中科院直属机构。 在此次竞赛中，他们一举夺得了第二名的成绩。事实上，他们还是去年的冠军。 在人工智能领域，中国正在快速的进行追赶，甚至可能实现弯道超车。 根据普华永道预测，未来全球GDP将借助于人工智能的东风取得长足的进步，而中国和美国或许会成为人工智能的最大赢家。 以国际计算机视觉与模式识别会议（CVPR）为例，这是IEEE一年一度的学术性会议，是世界顶级的计算机视觉会议，是人工智能领域的A类会议，每次都是高手如云汇聚一堂。 而在CVPR当前公布的接收论文名单里，华人学者占据了近一半。 而在主席团里，也有不少熟悉的面孔，组委会一共25人，里面可以看到的熟悉的名字就有9人。 此次微软百万名人识别竞赛中，我们看到了华人的力量，无论是限制类的冠军猎户星空，还是无限制类的亚军中国科学院重庆绿色能源研究院，都展现出了无比快速的进步，尤其是猎户星空，成立不到一年就夺得了冠军。这是一家公司，让我们看到了在人脸识别领域，科技公司和资本的力量，事实上，此次参加CVPR会议的公司里，我们熟悉的那些互联网公司不少都参与了，比如阿里巴巴，腾讯，大疆等 短短几年之间，人脸识别取得了突飞猛进的发展，这一方面得益于人脸是别的需求市场非常庞大，随着平安城市的大力推广，安防市场对人脸识别的需求迅速升温，再加上我国城镇化程度越来越高，使得人口流动性也随之增高，这种情况下，光靠传统的人工监控，无论是精力还是准确度，都受到了挑战，因此对人脸识别的需求势必增强。而另一方面，得益于机器学习取得的进展，这几年以机器学习为代表的人工智能取得了长足的进步，尤其是google 研发的阿尔法狗以高超的算法和强大的学习训练能力，在围棋界连续击败人类，更是让人们意识到了机器学习的巨大前景。 在这种情况下，依托于机器学习的人脸识别，无疑也跟着插上了飞跃的翅膀。从这次比赛涌现出来的以猎户星空为代表的中国科技公司和技术力量，更是展现出了在这个领域的进展和追赶。 相信在这个领域，会有越来越多的技术力量进入，为人们的生产生活提供更多便利。 参考资料： 人脸识别界的“世界杯”榜单出炉，中国参赛团队位列第二 践行人工智能发展规划 创业公司猎户星空实力“秀肌肉”

这个提问下面一水的广告软文 关注了很久，还是来讲点干货吧 2017年4月11日更新 看着不懂行业最新发展的人还能得到这么多赞，不知道是悲哀还是庆幸。

人脸识别和语音识别实际上都是一种基础型的算法，并不具备行业纵深能力，任何围绕这个概念展开的投资，在未来几年一定会失败！！！

2017年3月20日回答的，根据最新的行业发展趋势，本人反对这个答案，看未来几年究竟是谁预测得对。 实质上，个人认为所有看衰语音和人脸的知乎用户绝大部分现在没有在一线企业任职。 人脸和语音已经是AI领域最接近落地的技术，大规模应用也已经开始，进展速度令人欣喜。 支持以项目和产品说话，反对继续搞刷分宣传。 大家注意了，一般只说自己刷分能力强的产品化能力必定很弱。 ====================================================================================== 第一、一切第三方评测都是纸老虎（就行业应用而言） 目前还没有针对该领域的第三方评测，所以我臆测题主所说的第三方评测是指LFW等数据库。 LFW、FDDB等只能测试算法、刷成绩，没有其它用处。 哪家强？如何比较，第三方数据库权威的话直接拿LFW成绩去投标就行了，为何大多数项目还要单独的POC测试？ 那是因为真实复杂场景与数据库场景是完全不一样的！（业内的应该都清楚这一点，再拿LFW、FDDB等成绩出来说事，那真的只是纯粹为了炒作，比如前段时间的某企业刷新LFW纪录，呵呵）就像学术研究与产业化还有很遥远的距离一样。 第二、为什么说这些数据库没啥用？ 1、数据少，以LFW为例，只有5000多人的1W+图像，被众多厂商拉出来反复那啥，早就摸透了规律，对算法进行针对性优化。这种算法换个场景一样傻眼。 2、不是所有人都会刷榜，FACEBOOK这些企业一般是刷一次测试一下算法就闪人，还有更多的企业并没有在这些个数据集上跑数据。 3、没人会随时刷榜，事情那么多，还不赚钱去？一般的厂商刷个几次，能拿个第一或并列第一可以炒作就跑了。 新来的一看，咋识别率这么低，我轻松超越一丢丢，哈哈。 就这样反复，于是有好多个第一出现了。 这事还是没算法的公司懂行，管你们算法好不好，买个过来提升设备附加值，设计一个简单不容易出状况的应用场景，赚钱最重要。 3、与真实应用场景出入大。真实应用场景会有各种各样的情况，摄像头位置不理想、客户要求奇葩（如要求隐蔽式非接触打卡）导致抓拍图像不清晰、有遮挡、侧脸、帽子、眼镜，动辄几万人，数十万百万的库，情况比数据库恶劣很多。并且在某些需求中，识别率的要求并不是第一位，一个好的场景设计才能最优的发挥新技术的特点。 比如人脸识别迎宾和预警，很多企业吹得很牛逼，但是即使计算有数据库那么高的识别率99%+，那么问题来，剩下的1%遇上十万人的库，警察叔叔还睡觉不？这能用吗？ 第三、行业确实发展很快，但国内算法差不多的就那么几家。 排除一众日德等国外技术的采购商，国内自己做算法而且做得还行的就那么几家。 没有谁强谁弱，大家在项目POC测试中都是互有胜负，还不能压倒性的优势。

从技术层面来说，在 @李雷 博士提到的在MS-Celeb-1M 竞赛获奖名单中，有一家连续在世界顶级人脸大赛中获得佳绩的年轻院所—中国科学院重庆绿色智能技术研究院（以下简称中科院重庆研究院）。 而在中国科学院重庆绿色智能技术研究院内，做这个事情的就是智能多媒体中心，主要从事模式识别与计算机视觉技术研究，这就是云从科技的孵化地。 这个中心是云从科技创始人周曦博士在2011年被中国科学院引进回国时，在导师“计算机视觉之父”Thomas S. Huang的支持下，联合UIUC和新加坡国立大学建立，除了周曦，还有当时在新加坡国立，现在在360AI研究院当院长的颜水成，可谓是实力雄厚的前沿中心。 今年去年MS-Celeb-1M获奖者名单上都是中科院重庆研究院-云从联合实验室的成员，其实也就是当时云从科技成立时，创始人周曦安排留在智能多媒体中心的一批人，专门负责学术研究，而云从科技则负责科技成果转化。 不过，学术到产业化还有很长的鸿沟。 正如 @jacky yang 所说，

如果是基于深度学习的人脸识别，还不如把问题改为，谁的数据占优势？或者说，谁在某个特定场景下的数据占优势。

在人工智能领域，并不存在某一家厂商在所有领域通杀的情况。 因为人工智能发展到今天，其技术通用性与成熟度尚未达到完全的标准化。 这实际上导致每个细分场景都需要针对性的去优化技术及设计产品。 而各个厂商由于侧重点不同，其技术与产品的倾向就会不一样。 具体可以查看各个厂商的真实案例来观察其侧重点。 云从科技的主要案例集中在金融、公安、机场。 代表案例有中国银行、中国农业银行、中国交通银行、中国建设银行、银川机场、海通证券、复星集团及博鳌亚洲论坛（琼海市局）等。 至于刷LFW、FDDB等数据库，只是实验室阶段的算法验证手段，与真实场景应用的差距还有很长的距离。