人脸指纹生物识别技术行业分析报告.docx
《人脸指纹生物识别技术行业分析报告.docx》由会员分享，可在线阅读，更多相关《人脸指纹生物识别技术行业分析报告.docx（50页珍藏版）》请在冰豆网上搜索。
人脸指纹生物识别技术行业分析报告
2018年人脸指纹生物识别技术行业分析报告
正文目录
图目录
1、百花齐放的生物识别技术
越来越多的消费者不随身携带银行卡、现金以及公交卡等，而习惯仅凭手机解决支付的需求。
从密码支付、扫码支付、指纹支付到现在FaceID的发布，生物识别的发展可谓“风生水起”。
图1：
生物识别引领下的生活潮流
支付宝的刷脸支付、英国伦敦某家超市的全球首个指静脉付款、美国捷蓝航空的机场新时尚—无需票证的刷脸登机，以及美国布法罗大学研发的“用心解锁”的认证系统，即通过“刷心脏”来登录解锁电脑甚至过安检等。
随着科技的不断进步，人类的生物特性及行为模式被不断挖掘，应用在各领域中，生物识别技术一次又一次地刷新着我们的认识，引领生活的潮流。
1.1历史悠久但活力依旧的生物识别技术
生物识别技术的历史悠久，发展到目前包含了对于各种不同人体生物特征的识别，下游的应用领域也从最初的刑侦为主渗透到了多个不同行业，尤其是在移动终端上的应用，生物识别技术在个人身份识别方面的作用和便捷性更是突出，而需求的扩张又对于行业的发展形成了促进作用，实现了良好的正反馈效果。
1.1.1生物识别技术的分类：
生物特征v.s.行为特征
生物识别是一种通过计算机与光学、声学、生物传感器等高科技手段密切结合，利用人体固有的生理特性，如指纹、人脸、虹膜等和行为特征如笔迹、声音、步态等进行个人身份鉴定的方法，因此从生物识别技术的大致可以分为生物体生理特种识别和生物体行为特征识别两大类。
表3：
生物识别技术的类别
从不同技术的出现先后时间看，指纹是较早被人们有效发现并加以利用的，因此也获得较长的时间的发展演变，而人脸识别近年来则有着较快的发展速度，成为产业发展中重要的一个分支，随着技术进步的持续，未来将会拥有广泛的应用前景。
表4：
主流生物识别技术的发展历程
随着对于身份识别和保密需求的日益增加，以及人们对于安全便捷性追求的持续，各类生物识别技术纷纷开启了应用的空间，相较于指纹、人脸等，其他生物识别技术方面尽管普及度仍然略低，但是各自的特点使得在不同的行业市场中有着较好的发展潜力。
1.1.2指纹：
历久弥新的生物识别技术
作为目前应用最为广泛、技术最成熟、公众接受度最高的生物识别技术，指纹识别的应用发展历史最为悠久。
中国是公认的应用指纹识别最早的国家。
考古学显示，早在公元前7000年到6000年以前的古叙利亚和中国，指纹作为身份鉴别己经开始应用，到3000年前的西周，指纹作为个人身份的标志被用于签文书、立契约。
图2：
指纹识别发展路径
19世纪初，科学家发现了指纹的两个重要特征：
唯一性和不变性，使得指纹正式在刑侦领域得以应用。
而指纹卡的使用，不仅效率低下，同时人力资源成本耗费巨大。
20世纪60年代，由于计算机可以有效的处理图形，人们开始着手研究利用计算机来处理指纹，自动指纹识别系统也就是AFIS得以风靡而广泛应用。
20世纪80年代，个人电脑、光学扫描技术的革新，使得它们成为指纹取像的工具帮助指纹在其他领域得以应用，比如代替IC卡。
20世纪90年代，低价位取像设备、可靠比对算法大量应用于AFIS，指纹识别开始进入消费市场。
指纹识别最初的消费产品类型为PC配件，如使用USB接口的U.are.U（1998年），可以让用户在登陆PC时不必再输入密码。
2000年前后，弘基推出了市场上首款内置指纹识别模块的笔记本TravelMate739TLV。
但这会导致开机时间延迟12秒，因此并未受到市场认可。
2002年前后，惠普推出首款内置指纹识别传感器的PocketPCiPAQh5400系列移动设备。
2004年IBM推出旗下首款搭载指纹识别传感器的笔记本ThinkPadT42，运用第二代指纹识别技术--滑擦式指纹识别，获得市场热烈反响，成为最畅销的指纹识别笔记本。
2013年苹果iPhone5S采用指纹识别技术的TouchID引领了指纹识别的技术革命，将光学传感器巧妙地融入到Home键中，一经问世就引起了市场的强烈关注。
随着技术的进步、指纹识别模组成本下降以及移动支付的兴起，指纹识别搭载手机或者笔记本成为高端智能设备的标配。
1.1.3人脸：
最符合生活习惯的生物识别技术
人类的日常生活中每天都在进行人脸识别，因此也使得人脸识别最能接受这种身份认证方式。
全球人脸识别的发展大致可以分为四个阶段。
图3：
人脸识别发展路径
第一阶段（1964s-1990s），人脸识别的探索阶段，被当作一般性的模式识别问题，主流技术是基于人脸的几何结构特征，但没有突出的研究成果，也没有获得实际应用。
第二阶段（1991s-1997s），人脸识别初步发展阶段，出现了很多经典的方法，例如EigenFace（特殊脸）,FisherFace和弹性图匹配，主流的技术路线为人脸表观建模。
第三阶段（1998s-2014s），人脸识别技术快速发展阶段，光照、姿态问题成为研究重点，主要技术路线是“人造或基于学习的局部描述子（如LBP，Gabor）+度量学习（DML）”。
以美国、德国和日本的技术实现为主，人脸识别商业系统被逐渐开发，通常用于检查证件照等反恐安全领域，如美国911后在115座机场和14个主要港口设立的“美国访客和移民身份显示技术”系统。
第四阶段（2014s至今），人脸识别应用快速渗透阶段，主流技术转为“深度学习+人脸图像大数据”，被广泛应用于公安、安防、金融、教育、交通等各个领域。
从应用层面看，安防作为人脸识别的热点领域，除了在全市布局视频监控系统外，还增加了“刷脸进站”、“刷脸登机”等应用场景。
如2015年6月广州地铁站试点的“人脸识别技术”，能动态地识别5-8个人/s；多地火车站、机场试行凭票、证、人实现5s内刷脸进站，极大地提高了进站效率。
图4：
人脸识别的应用案例
金融是人脸识别应用渗透率最快的领域。
2015年3月15日，阿里巴巴创始人马云在德国汉诺威IT博览会上展示的SmiletoPay技术，成功实现利用“刷脸支付”的方式购买汉诺威纪念邮票。
2015年6月1日，全球首台人脸识别ATM机通过验收。
2015年10月15日，招商银行业内首推“ATM刷脸取款”业务，无需银行卡，对着摄像头看一眼，系统就能自动抓拍现场照片，与银行可信照片源对比，然后输入手机号码进一步确认身份，之后便可输入密码取款，整个流程方便快捷，脸部识别在1～2秒间就可完成。
此外人脸识别还涉足教育、医疗、交通、人机交互、社交网络等多个领域，如高考采用人脸识别+指纹识别的高科技确认考生身份来杜绝作弊、替考等事件的发生；How-old、微软“我们”TwinsOrNot软件的走红等。
1.1.4其他：
品类繁多的生物识别技术各有用武之地
虹膜识别：
虹膜是位于人眼表面黑色瞳孔和白色巩膜之间的圆环状区域，在红外光下呈现出丰富的纹理信息，如斑点、条纹、细丝、冠状、隐窝等细节特征。
除非经历危及眼睛的外科手术，虹膜几乎终生不变。
图5：
虹膜的纹理及近红外光条件下拍摄的虹膜图像
图6：
三星S8搭载虹膜识别
虹膜识别通过对比虹膜图像特征之间的相似性来确定人们的身份，其核心是使用模式识别、图像处理等方法对人眼睛的虹膜特征进行描述和匹配，从而实现自动的个人身份认证。
且虹膜识别是非接触式识别，方便高效。
但虹膜识别技术难度高，大多局限于工业领域的应用。
在众多生物识别技术中，目前虹膜识别来说是安全等级最高的。
虹膜识别的概念最初是由眼科专家弗兰克•伯奇在1936年提出，1987年由另外两个眼科专家伦纳德•弗洛姆和埃尔朗•萨菲尔用伯奇的概念申请了专利，但当时技术有限，并未开发出相关的处理器，而后美国哈佛大学的研究人员JohnDaugman发明了第一个虹膜识别算法，成功实现虹膜识别。
目前有三个国家印度、墨西哥和印度尼西亚将虹膜作为国民身份证的标志，印度会给每个人分配编号采集虹膜，已有约10亿的采集规模。
而三星接连在Note7、S8、S8+上搭载虹膜识别，引领虹膜识别不断打开移动终端市场。
静脉识别：
通过匹配实时静脉图和记录的个人手指静脉图特征值来进行身份鉴定。
人的静脉是完全独特的，就连身体左侧和右侧的静脉也各不相同，有很多静脉在表皮上无法观察到，随着年龄的增长，静脉形状的变化也甚微，同时具有极强的生物活性，因此仿造静脉极其困难。
静脉识别在手指有污渍或手指皮肤脱落时仍能实现准确识别，识别效率高。
图7：
指静脉读取示意图
图8：
指静脉识别终端
国外方面，日韩在1997年就推出静脉识别产品；2008年，日本已将静脉认证系统搭载到IT机器上，提供情报安全保证；2010年，波兰的BPSSA银行在其华沙营业点安装启用了基于“手指毛细血管”技术的自动提款机；2013年，手掌静脉技术成为瑞典南部隆德市的一种更加方便、更安全的支付方式，现已在隆德市多家商店和餐厅投入使用。
目前，土耳其、日本（三菱和大垣共立银行）、巴西、波兰等银行都在使用手掌静脉ATM，日本70%的银行都在使用手掌静
脉ATM取款机。
国内2004年开始研发，目前在智能社会事务管理如指静脉养老金发放的生存认证工作、银行金融、智能家居等领域铺开应用。
声纹识别：
声纹也是人体独特的生物特征,由于不同个体的发音器官的结构形状及讲话时发音器官的运动方式方面千差万别，每个人的原始声音是独一无二的,很难找到两个声纹完全一样的人，因此声纹识别技术可将现场采集到的声纹同登记过的声纹模板进行精确的匹配来进行身份认证。
与其他生物识别技术相比，声纹识别对用户的干涉较少，用户接受的可能性较大，它具有简便、准确、经济及可扩展性良好等众多优势，在世界范围内，声纹识别技术正广泛应用
于安全验证、控制等诸多领域，特别是基于电信网络的身份识别。
图9：
车载语音识别系统
图10：
苹果智能音箱产品HomePod
从1952年贝尔研究所研制出世界上首个能识别10个英文数字发音的实验系统到1960年英国Denes等人研制的第一个计算机语音识别系统，语音识别直到2009年借助机器学习领域深度学习以及大数据的发展，才得以有质的飞速发展。
如今，语音识别在移动终端的应用最为可观，包括语音对话机器人、语音助手等，出现了Siri、Assistant、Cortana等各式各样的产品，而我国目前处于技术仍不成熟，消费端应用渗透率低的状况，在智能家居、金融、证券、社保、社区矫正、公安、军队及其他民用安全认证等行业和部门有着广泛的需求和发展空间。
从下表中我们可以看到，不同的生物识别技术在精度、稳定性、识别速度、便捷性方面有着明显的差异，因此在不同的应用领域中，也有着各自不同的特点。
表5：
主流生物识别技术的比较
作为取代传统密码用途以及对于人们身份进行搜索确定的核心手段之一，生物识别技术拥有者良好的发展期许。
1.2技术演进：
一切为了“准确、高效”
从上面表格分析我们可以看到的是，尽管不同识别技术的特点不同，但是以指纹识别、人脸识别、虹膜识别等主流技术的发展方向均是在精度、稳定性和识别速度方面进行持续的提升，同时考虑到移动端的应用增加，便捷性则成为产品市场渗透速度的重要影响因子。
不管采用何种生物特征技术，生物识别技术系统总是包括生物特征的数据采集、数据的预处理、唯一特征的提取以及最终的与模板数据库的特征比对。
图11：
生物识别技术处理流程图
下面将通过指纹识别技术、人脸识别技术以及虹膜识别技术的演进来更好地理解这一技术处理过程。
1.2.1指纹识别的技术路线
指纹识别的过程就是首先通过传感器如最常见的光学传感器、电容传感器、超声传感器和射频传感器等获得指纹图像，接着对获得的指纹图像进行增强细化的数据处理得到更清晰的纹理，然后提取细节特征点如脊线与谷线，最后和指纹库保存的指纹进行细节特征匹配的过程。
图12：
指纹识别技术数据处理过程
图13：
指纹识别处理过程
指纹细节特征点是根据指纹中以凸起的纹线为脊线，脊线与脊线之间的部分为谷线，两者间的结构不同测量出特征点，每个特征点都有大约七个特征，人们的十个手指产生最少4,900个独立可测量的特征，通过技术分析出可测量的特征点，抽取特征值，进行认证比对的过程。
指纹识别主要包括指纹增强、特征提取和指纹匹配三个过程。
其中，准确的特征提取和实现正确匹配是指纹识别的关键。
1、指纹增强：
这一阶段需要通过图像增强技术，改善指纹图像质量。
因为在指纹采集过程中，由于各种原因，采集到的指纹图像不可避免的引入了一些噪声，通过对指纹图像进行增强排除噪声才能达到较好的采集效果。
2、特征提取：
这一阶段对录入的指纹特征进行提取。
细节点特征是最常用的指纹特征，即指纹图像中脊线终点和脊线分叉这两个特征。
经过了指纹增强的步骤，指纹图像能较好地分割，可以提取细节点得到多组脊终点或分叉类型、位置坐标及方向信息等。
3、指纹匹配：
这一阶段对录入指纹和实时指纹信息进行匹配。
指纹识别匹配细节点采用点模式匹配方式，即将提取的细节点集与数据库中的细节点集进行匹配，如果通过一些旋转、尺度变换和平移变换，点集间是匹配的，则实时指纹与录入指纹是匹配的，指纹主人的身份得到认证。
指纹识别传感器是指纹识别系统的核心模块。
指纹识别传感器采集指纹信息，并将采集到的信息同指纹数据库中指纹数据进行比对，以达到指纹识别的目的。
指纹传感器采集验证者指纹信息是指纹识别中最重要的一步，当前指纹传感器通常采用三种方式采集指纹信息。
图14：
指纹识别的信息采集方式演变历程
2015年与2016年指纹识别技术在智能手机中的渗透率分别达到了25%和43%。
2016年发布的指纹识别手机包括了小米5、三星GalaxyS7、华为P9等均采用了硅晶体电容式传感器。
第一代指纹识别系统采用光学采集方式。
当外来光照射在印有指纹的玻璃表面时会发生反射投射到电容耦合器（CCD）上形成指纹图像，在有脊线的地方会发生散射，而在谷线处则会发生全反射，不同的光线投射到图像控制器上形成可被处理的指纹图像。
同时，大多数光传感器封装还包括LED（发光二极管）或LED阵列，以照亮指尖。
但由于光不能穿透皮肤表层，所以只能够扫描手指皮肤的表面。
因此手指表面是否干净将会直接影响识别的效果。
如果手指上粘了较多的灰尘，可能就会出现识别出错的情况，同时指纹膜也能通过该识别系统，系统的安全性和稳定性不佳。
图15：
光学指纹识别原理
光学传感器中因为存在棱镜，体积较大，一般为半导体的几倍甚至10倍大小，所以在小型设备如手机等上的应用较少，体积是它的最大障碍，而在考勤机、门禁等设备上使用频繁。
成本低是光学传感器的最大优势。
第二代指纹识别系统采用电容式指纹采集方式。
根据脊和谷与半导体电容感应的数值大小不同，进而判断脊和谷的位置，形成指纹图像。
当手指接触半导体电容表面时，形成传感器电路，而脊和谷与表面接触程度的不同会带来距离的不同，从而可以计算出接触点处的电容值大小，从而采集完整的指纹图像。
图16：
电容式指纹识别原理
第二代指纹识别一般采用硅材料，有2大方面的优点，一、发出的电子信号能够穿透手指皮肤到达真皮层，获取的数据相对更加可靠；二、尺寸小，易集成于各种设备，同时能够做到活体指纹识别。
近年来成本大幅下降，成为目前为止最理想的指纹识别技术，如银行金库、监狱等均采用此识别系统。
第三代指纹识别技术采用射频指纹识别技术。
这是一种新型的技术，分为无线电波探测和超声波探测两种方式。
射频指纹识别技术就是通过传感器本身发射出微量射频信号，穿透手指的表皮层去控测里层的纹路，由于人体细胞液是导电的，通过读取真皮层的电场分布可获得整个真皮层最精确的图像，得到最佳的指纹图像。
手指表面受损或沾有污渍都不会影响识别效果，防伪指纹能力强。
图17：
苹果TouchID电容+射频识别原理图
图18：
超声指纹识别原理
超声波指纹识别技术主要是利用超声波较强的穿透性。
不同种类的材料会产生大小不同的超声反射波。
超声扫描传感器就是通过发出超声波，利用皮肤、空气之间的声波阻抗差异，接收反射回声来判断嵴与峪所在的位置。
最大的好处是能够感知多种材料如金属蓝宝石等。
同时，无需手指与指纹模块直接接触就能实现3D扫描指纹，获取比以往更精密的分析，精度不受污渍、油脂、汗水的影响，这些都是超声识别明显的优势。
苹果的iPhoneTouchID指纹读取就是采用了两层验证方式。
第一层是借助一个指纹电容传感识别器来获取整个接触面的指纹图像。
第二层则是利用无线射频技术并通过蓝宝石片下面的感应组件读取从真皮层反射回来的信号，形成一幅指纹图像。
电容感应式技术因成本低廉、体积小、精度较高是目前主流的指纹识别解决方案，超声穿透尽管精度最高，可以穿透各种材料，但是制作成本昂贵，同时，技术和制作工艺尚未达到可以使穿透厚度达到理想的状态，因此，超声感应暂时没有成为智能终端的标配。
而近日，生物识别技术公司Fingerprintcards（FPC）宣称已经可以实现任意位置屏内超声识别，这是指纹识别技术的重大突破，未来超声指纹识别有望成为主流技术引领产业链发展。
表6：
常见的指纹识别技术比较
移动终端的应用方面，搭载的指纹识别模块采用触控式和滑擦式两种传感器，滑擦式采集指纹时需要滑动手指，费时较长用户体验不佳。
触控式成为众多手机厂商青睐的解决方案。
表7：
移动终端指纹识别模块的方案比较
苹果iPhone5s首次搭载了指纹识别功能，开启了正面指纹的先河。
随后，由于后置指纹识别的解决方案设计难度较低，因此绝大部分安卓手机品牌的指纹识别设计开始选择后置方案。
一时间，后置指纹识别成2015年的主流。
之后随着指纹识别模块成本逐渐下降，手机设计也亦难有所突破，2016年期各家手机品牌逐渐选择用户体验更佳的前置指纹识别解决方案，成为当年指纹手机的最大风潮。
随着今年遇全面屏潮流，促使指纹又将回归后置，而这也将促使搭载后置
指纹识别的手机规模更为巨大。
1.2.2人脸识别的技术路线
类似于指纹识别技术，人脸识别使用者首先需要采集自己的人脸特征信息。
其次，在应用的过程中，使用摄像头获取当前人物的面相特征。
最后将当前捕获到的人像特征与之前存储的人脸数据档案进行对比。
对于第一步信息采集过程，不同厂商采用的不同的方案。
一般而言，首先需要检测人脸是否存在，并计算出人脸的位置。
利用传统的摄像头进行识别的过程需要利用可见光，这种方式有着难以克服的缺陷，尤其在环境光照发生变化时，识别效果会急剧下降，无法满足实际系统的需要。
对于上述问题行业内提出了两种技术解决方案，第一种是利用热红外图像成像，这种技术又称远红外光技术。
第二种是利用主动近红外光技术。
这两种技术由于都利用了红外光，具有识别
时不受环境中可见光影响的特点，再与相应的识别算法配合，可以取得较高的识别率。
图19：
近红外光技术和热红外光技术比较
图20：
热传感识别模式
人脸识别算法技术的演进已经将近20多年，从最早的子空间方法只能用于检查证件照到如今大量照片的阅读学习，深度学习逐渐成为主流的人脸识别方式，2D人脸识别技术也趋于成熟。
目前市场上使用频率较高的也仍为使用摄像头的2D平面识别方案，这是一种基于平面图像的识别方法，受到姿势、光照、表情等变化幅度的影响较大，因此会存在特征信息缺失、准确度较低等致命问题，照片、视频、化妆及人皮面具等方式都能破解此项识别技术，而3D识别技术是基于人脸的立体建模，较2D识别技术精度更高。
表8：
3D人脸识别技术较2D人脸识别技术优势较为明显
另外，热传感识别技术也是人脸识别的方案之一，使用一个三层的BP（back-propagation）前馈神经网作为分类器，在使用热感信息的同时使用不会被发型、呼吸等环境因素影响的关键脸部几何信息，如鼻梁角度、脸颊面积等，以增强识别精度。
主流的3D成像技术主要有三种：
结构光、TOF（TimeOfFlight）以及双目测距。
结构光主要是通过投影机和单相机投射一幅或多副编码图案，由摄像头采集。
根据脸部不同物体造成光信号变化来计算物体深度、位置等信息。
TOF技术则是通过捕捉近红外光从发射到接收的时间差来判断物体的距离；双目测距技术利用双摄像头拍摄物体，再通过三角形原理计算物体距离。
相较而言，结构光技术因其低光表现良好、短距离精度高、识别时间短、成本功耗适中等的
优点，更为适合应用在前置摄像头上进行人脸识别。
表9：
主流的3D成像技术比较
2017年是苹果推出的iPhoneX最大的亮点之一就是人脸识别技术，不同于普通的基于2D的人脸识别，iPhoneX是基于红外点阵投影原理的3D人脸识别，也就是结构光三维成像技术。
三维采集体系主要包括红外相机、泛光照明灯、环境光传感器和点阵投影器。
点阵投影器能够实现将3万多个光点在不同的光照条件下对人的脸部的投影，由红外相机获取，从而得到人脸三维深度模型，再结合前置摄像头拍摄的可见光人脸，最终获取得到真实的3D人脸图。
图21：
苹果iPhoneX的“前刘海”
图22：
技术的成熟带动全球人脸识别错误率不断降低
FaceID的技术优势在于：
一、能够获取三维深度信息，防止照片、视频等的破解；二、iPhoneX拥有点阵投影器和泛光照明灯，可以将人脸肤色和其他材质有效的区分，从而防止面具等的破解；三、使用结构光的三维成像技术，能够极大地提高人脸识别的精度，达到0.1mm。
目前尚不能解决的技术在于识别距离、阳光过分充足情况以及人脸持续快速移动下，人脸识别精度的问题。
国内的技术暂时还没达到可以使结构光的发射接收模组集成到手机，同时还存在三维图像重建的时间过长以及数据库样本容量小、三维采集难度大等状况。
经过了40多年的发展，人脸识别技术已经能达到99.84%的准确率，超过了人类的识别程度，而错误验证率也能控制在0.16%，技术的不断进步推动了应用更加广泛的发展。
2、智能化生活普及，成就生物识别技术光明前景
从前瞻产业研究院的数据看，未来5年生物识别市场规模的CAGR将会保持在14%左右，成长性值得期待，而产业自身也正在发生着一些变革，我们认为主要包含了几个方面：
1）消费级移动终端领域内，以传统的指纹识别和新兴的3D人脸识别技术的渗透率和技术创新正在快速推进；2）传统的门禁安防领域内，多重生物识别技术的需求在持续增加；3）随着智能化产业的推进，智慧家庭、智能家居、智能汽车等市场中对安全性的需求将会持续引入生物识别技术。
2.1信息安全需求驱动产业规模持续扩张
根据前瞻产业研究院发布的数据显示，2007年全球生物识别市场规模仅有30.1亿美元，而2013年达到了97.8亿美元，即将到达百亿美元大关，6年复合增长率高达21.7%。
2015年的全球生物识别市场规模达到了130亿美元，预计5年内CAGR约13.9%，至2020年全球生物识别市场规模突破200亿美元大关达到250亿美元。
图23：
2007-2020年全球生物市场规模与预测
图24：
2015-2020年全球生物识别细分市场规模预测
分种类看，目前，指纹识别因其发展历史悠久、技术最为成熟以及应用最为广泛等优势，占据生物识别的半壁江山，市场占比约58%，而语音识别、人脸识别、虹膜识别位居其次，市场份额分别为22%、7%和6%，随着其他生物识别细分市场的快速发展，预计到2020年，指纹识别的市场规模将达到130亿美元。
尽管指纹识别预计市场占比仍有52%，但是市场规模增幅只有73%，远小于人脸识别的167%，其他的140%，语音和虹膜识别的100%。
图25：
生物识别技术行业细分市场—水平应用细分市场
图26：
生物识别技术行业细分市场—垂直应用细分市场
从下游应用看，生物识别技术主要应用在考勤、门禁以及警用系统中，累计占比高达98.5%，而企业、政府及军方、银行及金融则为最大的需求主体，市场占比约为86.5%。
根据中国产业信息网的数据可知，2014年北美市场占有率达到33.5%，居于首位，紧随其后
升级会员 