1、 计算机视觉技术计算机视觉技术 行业专利分析报告行业专利分析报告 二一九年 十二 月 报告说明报告说明 中国专利保护协会历年来为会员单位提供其所处行业的政策和专利数据分析服务。2019 年我会为了响应国家关于知识产权助推实体经济的号召，为会员企业提供更加翔实和丰富的行业分析报告。 由于我会会员企业在所属行业的位置差异较大， 对于知识产权的诉求多样性明显， 因此本报告目的仅是为分支行业内所属企业提供专利领域的一般性提示，以供会员企业参考。 由于本报告并非商业性报告， 因此深度方面无法与商业性报告相比，特此说明。 研究人员信息 负 责 人 ： 郝瑞刚 主要执笔人： 闫文龙 统 稿 人 ： 马志斌

2、参 与 人 员 ： 闫文龙、安伟、马志斌 本报告支持单位 北京开阳星知识产权代理有限公司 摘摘 要要 计算机视觉（Computer Vision）是一门研究如何使机器“看”的科学，具体是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉应用中经常遇到的问题包括识别、运动分析、场景重建和图像恢复。 分析结果表明，计算机视觉方向全球专利申请自 2013 年起增速明显。中国和美国在该领域的专利申请量已占据主导地位，欧洲、韩国的专利年申请量相对平缓，而日本的专利年申请量甚至出现了阶段性下降趋势。运动分析方

3、向，日本的 SONY 和 CANON 公司专利申请量最多，表明运动分析技术在相机产品中应用广泛。面部识别方向中国籍申请人专利申请量超出第二名日本籍申请人 2 倍多， 表明中国籍申请人对面部识别技术的应用范围远远超出世界其他国家水平。 重点公司方面，CANON 公司的 OCR 方向专利中预处理技术、字符识别技术专利申请量约占该公司 OCR 方向全部专利申请量的 1/3 和 1/4， CANON 公司约有 60%的 OCR 专利解决识别率的问题，表明 OCR 的预处理环节和识别率提高问题为 OCR 技术的研发热点。Google 公司的视线跟踪技术提出了四种技术路线，分别为基于闪烁、基于图像拍摄、基

4、于结构光、和基于电磁辐射的视线跟踪。 报告建议国内申请人优先布局中国专利和美国专利， 并对加大计算机视觉方向的研发投入。 目目 录录 第 1 章 计算机视觉技术概述 . - 1 - 1.1 计算机视觉的定义 . - 1 - 1.2 计算机视觉的应用 . - 1 - 1.2.1 识别 . - 1 - 1.2.2 运动分析 . - 2 - 1.2.3 场景重建 . - 3 - 1.2.4 图像恢复 . - 3 - 1.3 计算机视觉系统的常见处理方法 . - 4 - 1.3.1 图像获取 . - 4 - 1.3.2 预处理 . - 4 - 1.3.3 特征提取 . - 4 - 1.3.4 检测和分

5、割 . - 5 - 1.3.5 高级处理 . - 5 - 1.3.6 结论得出 . - 5 - 第 2 章 计算机视觉专利宏观分析 . - 6 - 2.1 数据来源及检索策略 . - 6 - 2.2 全球专利申请趋势分析 . - 6 - 2.3 专利申请目标国家趋势分析 . - 7 - 2.3.1 中国专利申请趋势分析 . - 8 - 2.3.2 美国专利申请趋势分析 . - 8 - 2.3.3 日本专利申请趋势分析 . - 9 - 2.3.4 欧洲专利申请趋势分析 . - 9 - 2.3.5 韩国专利申请趋势分析 . - 10 - 2.4 申请人所属地域分析 . - 11 - 2.4.1 中

6、国申请人专利申请趋势分析 . - 11 - 2.4.2 美国申请人专利申请趋势分析 . - 12 - 2.4.3 日本申请人专利申请趋势分析 . - 12 - 2.4.4 韩国申请人专利申请趋势分析 . - 13 - 2.4.5 德国申请人专利申请趋势分析 . - 13 - 2.5 技术流向分析 . - 14 - 2.6 外国申请人在中国申请专利趋势 . - 14 - 2.7 法律状态分析 . - 15 - 2.8 申请人分析 . - 16 - 2.8.1 全球专利申请人分析 . - 16 - 2.8.2 中国专利申请人分析 . - 17 - 第 3 章 计算及视觉重点技术领域（运动分析）专利

7、分析 . - 18 - 3.1 运动分析全球专利总体趋势分析 . - 18 - 3.2 运动分析专利申请目标国家趋势分析. - 18 - 3.2.1 中国专利申请趋势分析 . - 19 - 3.2.2 美国专利申请趋势分析 . - 19 - 3.2.3 日本专利申请趋势分析 . - 20 - 3.2.4 欧洲专利申请趋势分析 . - 20 - 3.3 运动分析专利申请人归属国趋势分析. - 21 - 3.3.1 申请人归属国分布分析 . - 21 - 3.3.2 申请人归属国申请趋势分析 . - 21 - 3.4 外国申请人在中国申请专利趋势 . - 22 - 3.5 法律状态分析 . - 2

8、2 - 3.6 申请人分析 . - 23 - 第 4 章 计算及视觉重点技术领域（面部识别）专利分析 . - 24 - 4.1 面部识别全球专利总体趋势分析 . - 24 - 4.2 面部识别专利申请目标国家趋势分析. - 24 - 4.2.1 中国专利申请趋势分析 . - 25 - 4.2.2 美国专利申请趋势分析 . - 25 - 4.2.3 日本专利申请趋势分析 . - 26 - 4.3 面部识别专利申请人归属国趋势分析. - 26 - 4.3.1 申请人归属国分布分析 . - 26 - 4.3.2 申请人归属国申请趋势分析 . - 27 - 4.4 外国申请人在中国申请专利排序 . -

9、 28 - 4.5 法律状态分析 . - 28 - 4.6 申请人分析 . - 29 - 第 5 章 CANON 公司计算机视觉专利分析 . - 30 - 5.1 CANON 公司计算机视觉专利总体趋势分析 . - 30 - 5.2 CANON 公司计算机视觉重点技术分支趋势分析 . - 31 - 5.3 CANON 公司 OCR 技术专利分析 . - 31 - 5.3.1 OCR 技术概述 . - 31 - 5.3.2 CANON 公司 OCR 专利技术分布分析 . - 33 - 5.3.3 CANON 公司 OCR 专利技术功效矩阵分析 . - 33 - 5.3.4 CANON 公司 OC

10、R 专利技术路线图 . - 34 - 5.3.5 CANON 公司 OCR 重点专利分析 . - 35 - 第 6 章 GOOGLE 公司计算机视觉专利分析 . - 44 - 6.1 GOOGLE公司计算机视觉专利总体趋势分析 . - 44 - 6.2 GOOGLE公司计算机视觉专利布局地图 . - 44 - 6.3 GOOGLE公司视线跟踪专利分析 . - 45 - 6.3.1 基于闪烁的视线跟踪技术 . - 46 - 6.3.2 基于图像拍摄的视线跟踪技术 . - 46 - 6.3.3 基于结构光的视线跟踪技术 . - 47 - 第 7 章 结论及建议 . - 48 - 7.1 结论 .

11、- 48 - 7.2 建议 . - 48 - - 1 - 第第1章章 计算机视觉技术概述计算机视觉技术概述 1.1 计算机视觉的定义计算机视觉的定义 计算机视觉（Computer Vision）是一门研究如何使机器“看”的科学，具体是指用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图像处理，用计算机处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉学科试图创建能够从图像或者多维数据中获取“信息”的人工智能系统。 1.2 计算机视觉的应用计算机视觉的应用 在计算机视觉的各种应用中，经常遇到一系列相同的问题，包括识别、运动分析、场景重建和图像恢复。 1.2.1 识别

12、识别 识别任务包括：判定一组图像数据中是否包含某个特定的物体，图像特征或运动状态。这一问题通常可以通过机器自动解决，但是到当前为止，还没有某个单一的方法能够广泛的对各种情况进行判定： 在任意环境中识别任意物体 （达到狭义的人工智能） 。现有技术只能够很好地解决特定目标的识别， 比如简单几何图形识别， 人脸识别， 印刷，手写文件识别或者车辆识别（达到广义的人工智能）。而且这些识别需要在特定的环境中，具有指定的光照，背景和目标姿态要求。 识别任务在实际中又包含若干子概念： 狭义的识别（Object recognition）：对一个或多个经过预先定义或学习的物体或物类进行辨识，通常在辨识过程中还要提

13、供他们的二维位置或三维姿态。 鉴别（Identification）：识别辨认单一物体本身。例如：某一人脸的识别，某一指纹的识别。 监测（Detection）：从图像中发现特定的情况内容。例如：医学中对细胞或组织不正常机能的发现，交通监视仪器对过往车辆的发现。监测往往是通过简单的图象处理发现图像中的特殊区域，为后继更复杂的操作提供起点。 - 2 - 图图 1-2-1 使用深度神经网络算法获得的目标监测结果图使用深度神经网络算法获得的目标监测结果图 基于识别存在几个具体应用方向： 基于内容的图像提取：在巨大的图像集合中寻找包含指定内容的所有图片。被指定的内容可以是多种形式，比如一个红色的大致是圆形

14、的图案，或者一辆自行车。 姿态评估：对某一物体相对于摄像机的位置或者方向的评估。例如：对机器臂姿态和位置的评估，对人体的姿态评估。 光学字符识别（OCR），对图像中的印刷或手写文字进行识别鉴别。 二维码读取。 面部识别。 客流计数系统中的形状识别技术（SRT）。 1.2.2 运动分析运动分析 运动分析是指基于序列图像，对物体运动进行监测。运动分析比较常见的实现方法是光流法（Optical flow）。 光流法的实现过程是：计算图像中每一个像素点的运动向量，即建立整幅图像的光流场。 如果场景中没有运动目标， 则图像中所有像素点的运动向量应该是连续变化的；如果有运动目标，由于目标和背景之间存在相对

15、运动，目标所在位置处的运动向量必然和邻域(背景)的运动向量不同，从而检测出运动目标。 - 3 - 图图 1-2-2 光流法实现示意图光流法实现示意图 1.2.3 场景重建场景重建 场景重建技术是给定一个场景的二或多幅图像或者一段录像，寻求为该场景创建一个三维模型。最简单的情况便是生成一组三维空间中的点。更复杂的情况下会创建起完整的三维表面模型。 图图 1-2-3 3D 物体重建结果图物体重建结果图 1.2.4 图像恢复图像恢复 图像恢复的目标在于移除图像中的噪声，例如仪器噪声，模糊等。消除噪声的最简单方法是使用各种类型的滤波器，例如低通滤波器或中值滤波器。更复杂的方法采用一个局部图像结构模型，

16、以将其与噪声区分开。通过首先根据局部图像结构（例如线条或边缘）分析图像数据，然后根据来自分析步骤的局部信息控制滤波，与较简单的方法相比，通常可获得更好的噪声去除水平。 - 4 - 图图 1-2-4 图像恢复前后的对比图图像恢复前后的对比图 1.3 计算机视觉系统的常见处理方法计算机视觉系统的常见处理方法 计算机视觉系统的结构形式很大程度上依赖于其具体应用方向。有些是独立工作的，用于解决具体的测量或检测问题；也有些作为某个大型复杂系统的组成部分出现，比如和机械控制系统，数据库系统，人机接口设备协同工作。计算机视觉系统的具体实现方法同时也由其功能决定是预先固定的、抑或是在运行过程中自动学习调整。尽

17、管如此，有些功能却几乎是每个计算机系统都需要具备的，比如图像获取、预处理、特征提取、检测和分割、高级处理。 1.3.1 图像获取图像获取 图像获取的结果是数字图像。一幅数字图像是由一个或多个图像传感器产生，传感器可以是各种光敏摄像机，包括遥感设备，X 射线断层摄影仪，雷达，超声波接收器等。根据传感器类型的不同，产生的图片可以是普通的二维图像，三维图组或者一个图像序列。 图片的像素值往往对应于光在一个或多个光谱段上的强度 （灰度图或彩色图） ，但也可以是相关的各种物理数据， 如声波， 电磁波或核磁共振的深度， 吸收度或反射度。 1.3.2 预处理预处理 在对图像实施具体的计算机视觉方法来提取特定

18、的信息前，通常需要采用一种或多种预处理方法，使得图像满足后续方法的要求。这些预处理方法通常包括： 二次采样，以保证图像坐标的正确。 降噪，以滤除传感器引入的设备噪声。 提高对比度，以保证实现相关信息可以被检测到。 尺度空间表示（Scale space representation），以使图像结构适合应用。 1.3.3 特征提取特征提取 特征提取是指从图像中提取各种复杂度的特征。例如： - 5 - 线，边缘（edges）和脊（ridges）。 局部化的特征点，如边角，斑点。 1.3.4 检测和分割检测和分割 在图像处理过程中，有时会需要对图像进行分割来提取有价值的用于后续处理的部分信息，例如：

19、筛选特征点。 分割图片中含有特定目标的部分。 1.3.5 高级处理高级处理 高级处理通常包括： 验证数据是否满足基于模型和特定于应用程序的前提要求。 估计特定于应用程序的参数，例如对象姿态或对象大小。 图像识别，将检测到的物体分类为不同的类别。 图像对齐（Image registration），比较并合并同一对象的两个不同视图。 图图 1-3-1 脑部两个脑部两个 MRI 图片合并到一个坐标系的示意图图片合并到一个坐标系的示意图 1.3.6 结论得出结论得出 结论得出是指做出应用所需的最终结论。例如： 通过/不通过； 匹配/不匹配； 标记医学、军事、安全和识别等应用中的进一步信息。 - 6 -

20、 第第2章章 计算机视觉专利宏观分析计算机视觉专利宏观分析 2.1 数据来源及检索策略数据来源及检索策略 本分析报告数据来源为万象云全球专利检索数据库，检索策略如下： 检索式： (ti=(computer and vision) or (计算机 and 视觉) or Biometric* or Recogni* or Segmentat* or Detect* or 识别 or 检测 or 分割 or 脸 or 面部 or face or facial) OR ab=(computer and vision) or (计算机 and 视觉) or Biometric* or Recogni*

21、or Segmentat* or Detect* or 识别 or 检测 or 分割 or 脸 or 面部 or face or facial) OR cl=(computer and vision) or (计算机 and 视觉) or Biometric* or Recogni* or Segmentat* or Detect* or 识别 or 检测 or 分割 or 脸 or 面部 or face or facial) OR ds=(computer and vision) or (计算机 and 视觉) or Biometric* or Recogni* or Segmentat*

22、or Detect* or 识别 or 检测 or 分割 or 脸 or 面部 or face or facial) AND ics=(G06T7/00 or G06K9/00 or G06T1/20 or G06T3/40 or G06T9/00) 数据范围： 2019 年 12 月 9 日以前公开的全球专利数据 2.2 全球专利申请趋势分析全球专利申请趋势分析 - 7 - 图图 2-2-1 2000 年以后计算机视觉全球专利申请量趋势图年以后计算机视觉全球专利申请量趋势图 截止 2019 年 12 月 9 日已公开的专利数据，全球共申请 40 万件以上计算机视觉相关专利。2000 年-20

23、12 年之前专利申请量缓慢提升，自 2013 年起，专利申请量增速明显。原因在于 2012 年卷积神经网络（CNN）等深度学习算法的提出与普及降低了计算机视觉技术应用的门槛。受专利公开的滞后性影响，2018 年和 2019 年的专利实际申请量应高于图表中展示的结果。 2.3 专利申请目标国家趋势分析专利申请目标国家趋势分析 目标国家是指专利具体到哪一个国家进行的申请。目标国家分析有助于了解计算机视觉技术在全球各地的市场分布情况。 图图 2-3-1 计算机视觉全球专利布局目标国家分析图计算机视觉全球专利布局目标国家分析图 - 8 - 上图可以看出美国、中国大陆、日本依次为计算视觉技术排名前三位的

24、专利申请目标国家或地区，这表明计算视觉技术在这三个地区的应用非常广泛。排名前两位的分别为美国和中国大陆，这与两国的经济规模和人工智能技术开发能力相匹配，计算机视觉技术在中国的智能制造领域发挥了巨大的作用。 2.3.1 中国专利申请趋势分析中国专利申请趋势分析 图图 2-3-2 计算机视觉中国专利申请趋势图计算机视觉中国专利申请趋势图 上图示出了中国作为目标国的计算机视觉专利近20年申请趋势情况。 2014年以前，计算机视觉技术的中国专利申请量增长平稳，而自 2014 年以后，该领域中国专利申请量增长速度急剧上升。中国是计算机视觉技术最大的应用市场，从 2012 年卷积神经网络（CNN）等深度学

25、习算法的提出到充分发掘各行各业的具体应用，中间存在 1-2 年的周期，中国地区的计算机视觉方向的专利年申请量自 2014 年增速明显。 2.3.2 美国专利申请趋势分析美国专利申请趋势分析 图图 2-3-3 计算机视觉美国专利申请趋势图计算机视觉美国专利申请趋势图 - 9 - 上图示出了美国作为目标国的计算机视觉专利近 20 年申请趋势情况。由图可见，与中国情况不同，美国专利申请量整体处于较为平稳上升状态，虽在 2014 年以后增幅有所增加，但增幅不如中国专利。受美国专利申请成本的限制，美国地区专利的年申请量通常较为平稳，虽然受全球对于卷积神经网络（CNN）等深度学习算法的广泛应用影响而在 2

26、014 年出现了年申请量增速提高的变化，但整体上增幅不如中国等新兴市场的力度。 2.3.3 日本专利申请趋势分析日本专利申请趋势分析 图图 2-3-4 计算机视觉日本专利申请趋势图计算机视觉日本专利申请趋势图 上图示出了日本作为目标国的计算机视觉专利近 20 年申请趋势情况。由图可见，自 2004 年起，计算机视觉在日本的专利申请量呈下降态势，但自 2014 年起又开始逐渐缓慢上升。日本从互联网时代开始一直处于相对落后追赶的状态，日本在近年 AI 技术的发展也仍然属于较低迷的状态， 加上邻国中国目前对于计算机视觉技术的应用风生水起，以上因素造成了日本地区的专利年申请量甚至出现过阶段性下降。 2

27、.3.4 欧洲专利申请趋势分析欧洲专利申请趋势分析 - 10 - 图图 2-3-5 计算机视觉欧洲专利申请趋势图计算机视觉欧洲专利申请趋势图 上图示出了欧洲作为目标国的计算机视觉专利近 20 年申请趋势情况。由图可见，计算机视觉在欧洲的专利申请量一直处于缓慢增加的状态。 对比中国和美国区域该方向的专利年申请量，不难看出欧洲专利的年申请量数量级较小。这是因为通过欧洲专利局提交专利仅仅是在欧洲地区获得专利保护的一种渠道， 申请人也可以直接进入欧洲地区的各个国家进行专利申请。 2.3.5 韩国专利申请趋势分析韩国专利申请趋势分析 图图 2-3-6 计算机视觉韩国专利申请趋势图计算机视觉韩国专利申请趋

28、势图 上图示出了韩国作为目标国的计算机视觉专利近 20 年申请趋势情况。由图可见，计算机视觉在韩国的专利申请量在 2009 年以后整体趋于快速增长状态。韩国地区的该领域专利申请趋势与技术的发展趋势相一致。 - 11 - 2.4 申请人申请人所属所属地域地域分析分析 图图 2-4-1 专利申请人专利申请人所属地域所属地域排序图排序图 计算机视觉专利申请量按照专利申请人所属地域进行排序，前三位申请人所属地域分别为中国大陆、日本和美国。中国在计算机视觉甚至在人工智能领域的研发投入和成果产出量已经逐渐超过美国。虽然近年日本国内经济处于低迷状态，但是计算机视觉技术诞生在更早的时间，受日本拥有 CANON

29、、NIKON、SONY 等三大相机制造商的影响，日本申请人在计算机视觉方向的专利申请量仍然处于世界第二。 2.4.1 中国申请人专利申请趋势分析中国申请人专利申请趋势分析 图图 2-4-2 计算机视觉中国申请人全球专利申请趋势图计算机视觉中国申请人全球专利申请趋势图 上图示出了归属国为中国的申请人在全球申请计算机视觉专利的近 20年趋势情况。由图可见，中国申请人自 2014 年起申请计算机视觉方向的专利数量增速大幅提升，这是因为中国国内自 2014 年起开始力推 AI 领域的资本市场。 - 12 - 2.4.2 美国申请人专利申请趋势分析美国申请人专利申请趋势分析 图图 2-4-3 计算机视觉

30、美国申请人全球专利申请趋势图计算机视觉美国申请人全球专利申请趋势图 上图示出了归属国为美国的申请人在全球申请计算机视觉专利的近 20年趋势情况。由图可见，美国申请人自 2011 年起申请计算机视觉方向的专利数量增速大幅提升。美国在 2001 年互联网泡沫破灭，大量的技术资源流入到其他行业（包括 AI 领域），为此促进了计算机视觉方向专利申请量的短暂提升，但此后在 2008 年的经济危机周期内，美国申请人的专利年申请量趋于平稳甚至小幅下降， 而直到 2012 年 CNN 等深度学习算法的提出和广泛应用后，专利年申请量才开始逐渐提升。 2.4.3 日本申请人专利申请日本申请人专利申请趋势分析趋势分

31、析 图图 2-4-4 计算机视觉日本申请人全球专利申请趋势图计算机视觉日本申请人全球专利申请趋势图 上图示出了归属国为日本的申请人在全球申请计算机视觉专利的近 20年趋势情况。由图可见，日本申请人 2014 年以前计算机视觉方向的专利申请量非常平稳，自 2015 年起申请量小幅提升。日本国内经济自上世纪 90 年代房地产泡沫破灭后，一直处于相对 - 13 - 低迷的状态。但受卷积神经网络（CNN）等深度学习算法的广泛应用，使得该国申请人自 2014 年开始在计算机视觉方向的专利年申请量出现短暂提升。 2.4.4 韩国申请人专利申请趋势分析韩国申请人专利申请趋势分析 图图 2-4-5 计算机视觉

32、韩国申请人全球专利申请趋势图计算机视觉韩国申请人全球专利申请趋势图 上图示出了归属国为韩国的申请人在全球申请计算机视觉专利的近 20年趋势情况。由图可见，韩国申请人 2008 年以前计算机视觉方向的专利申请量增长缓慢，自 2009 年起申请量增幅明显。 2.4.5 德国申请人专利申请趋势分析德国申请人专利申请趋势分析 图图 2-4-6 计算机视觉德国申请人全球专利申请趋势图计算机视觉德国申请人全球专利申请趋势图 上图示出了归属国为德国的申请人在全球申请计算机视觉专利的近 20年趋势情况。由图可见，德国申请人 2013 年以前计算机视觉专利申请量有两次波动，自 2014 年开始该领域专利申请量明

33、显增加。欧洲在 2012 年开始爆发欧债危机，同时因 2014 年开始卷 - 14 - 积神经网络（CNN）等深度学习算法开始广泛应用，德国申请人在计算机视觉方向的专利年申请量在经历波动甚至短暂下降后，从 2014 年开始逐年攀升。 2.5 技术流向分析技术流向分析 图图 2-5-1 计算机视觉全球专利主要来源国和目标国流向分析图计算机视觉全球专利主要来源国和目标国流向分析图 上图示出了专利从来源国家的申请人产生，到哪些目标国家申请的输出分布情况（注意：图中所示出的百分数值为：每个来源国家向某个目标国家申请专利的数量占该来源国家提出全部专利总量的比例）。 由上图可以看出，欧美申请人除优先布局本

34、国专利外，其次考虑布局欧洲专利。中国申请人除大比例布局本国专利外，其次少量布局美国专利。日本申请人布局本国专利和美国专利比例均衡。 2.6 外国申请人在中国申请专利趋势外国申请人在中国申请专利趋势 图图 2-6-1 外国申请人在中国申请专利趋势图外国申请人在中国申请专利趋势图 上图示出了外国申请人在中国申请计算机视觉方向专利排名前 10 位的国家。不难看出日本和美国的申请人非常注重计算机视觉在中国的市场。 美国中国大陆日本欧洲专利局中国大陆4.02%91.34%0.13%0.65%日本34.38%5.38%47.60%6.52%美国84.49%5.47%3.61%8.22%韩国38.11%7.

35、09%2.14%6.00%德国51.30%8.19%2.90%20.32%来源国家/地区目标国家/地区 - 15 - 图图 2-6-2 计算机视觉日本和美国申请人在中国专利申请趋势图计算机视觉日本和美国申请人在中国专利申请趋势图 上图示出了日本和美国申请人在中国近20年申请计算机视觉方向专利的申请趋势。前文已经说明日本和美国申请人在全球申请专利的趋势有所不用， 但这两个国家的申请人在中国申请计算机视觉领域专利的申请趋势却有一定一致性：均在 2005 年以前大幅增长，在 2006 至 2009 年区域平稳甚至小幅下降，在 2010 年以后开始增长，又在 2015年前后小幅下降后趋于稳定。自 20

36、05 年起，多家日本和美国科技企业在华市场发展遇到了瓶颈，同时遇到了中国国内的竞争对手的残酷竞争，进而造成美国和日本申请人在华的计算机视觉方向专利年申请量增幅较小。 2.7 法律状态分析法律状态分析 图图 2-7-1 计算机视觉全球专利的法律状态分布情况图计算机视觉全球专利的法律状态分布情况图 上图示出了计算机视觉全球专利的法律状态分布情况。可以看出，授权、实质审查、公开这三种状态下拥有的专利的数量最多，分别为 150707、84491、84231 件，占所分析全球专利总量的 31.148%、17.463%、17.409%。 - 16 - 2.8 申请人分析申请人分析 2.8.1 全球专利申请

37、人分析全球专利申请人分析 图图 2-8-1 计算机视觉全球专利主要申请人排名图计算机视觉全球专利主要申请人排名图 计算机视觉技术全球专利申请量排名前 10 位的公司如上图所示。前四位均被日韩公司占据。CANON 公司因其打印机、扫描机、相机中广泛应用了计算机视觉技术而产出最多该领域专利。 图图 2-8-2 全球专利申请人分析图全球专利申请人分析图 计算机视觉技术全球专利申请量排名前 5 位的申请人近 10 年的全球专利申请量趋势如上图所示。不难看出在计算机视觉领域中，SAMSUNG 公司近 10 年的专利年申请量已经逐渐赶超CANON公司和SONY公司。 IBM公司自2014年专利申请量大幅增

38、加。 - 17 - 2.8.2 中国专利申请人分析中国专利申请人分析 图图 2-8-3 中国专利申请人分析图中国专利申请人分析图 上图示出在中国地区申请专利数量排名前 20 位的申请人信息。可见，西安电子科技大学、腾讯科技、电子科技大学、广东欧珀和浙江大学在中国申请专利的数量排在前5 位。国内的高校、互联网公司和手机制造商在计算机视觉方向的研发投入相对较大。 图图 2-8-4 中国部分大学专利申请趋势图中国部分大学专利申请趋势图 上图示出西安电子科技大学、腾讯科技、电子科技大学、广东欧珀和浙江大学在中国申请计算机视觉方向专利的近 10 年申请趋势。可见，自 2015 年起，广东欧珀公司在该领域

39、申请中国专利数量增长迅猛， 连续在2016和2017年的年申请量超过其他公司。 - 18 - 第第3章章 计算及视觉重点技术领域（运动分析）专利分析计算及视觉重点技术领域（运动分析）专利分析 3.1 运动分析全球专利总体趋势分析运动分析全球专利总体趋势分析 图图 3-1-1 运动分析全球专利总体趋势分析图运动分析全球专利总体趋势分析图 上图示出近 20 年运动分析方向全球专利申请的趋势分析图。由图可见，2000 年-2012 年之前专利申请量缓慢提升，自 2013 年起，专利申请量增速明显。主要原因在于2012 年卷积神经网络（CNN）等深度学习算法的提出与普及降低了计算机视觉技术应用的门槛，

40、受其影响运动分析方向全球专利量也进一步得到提升。同时，受专利公开的滞后性影响，2018 年和 2019 年的专利实际申请量应高于图表中展示的结果。 3.2 运动分析专利申请目标国家趋势分析运动分析专利申请目标国家趋势分析 图图 3-2-1 运动分析专利申请目标国家趋势分析图运动分析专利申请目标国家趋势分析图 - 19 - 上图可以看出中国大陆、美国、日本依次为运动分析技术排名前三位的专利申请目标国家或地区，这表明运动分析技术在这三个地区的应用非常广泛。排名前两的分别为中国大陆和美国，这与两国的经济规模和人工智能技术开发能力相匹配。 3.2.1 中国专利申请趋势分析中国专利申请趋势分析 图图 3

41、-2-2 中国近中国近 20 年运动分析专利申请趋势情况图年运动分析专利申请趋势情况图 上图示出了中国作为目标国的运动分析专利近 20 年申请趋势情况。 2006 年以前该领域在中国年申请量非常低。2007 年至 2013 年，申请量增长平稳，而自 2014 年以后，增长速度急剧上升。中国是计算机视觉技术最大的应用市场，从 2012 年卷积神经网络（CNN）等深度学习算法的提出，并可以应用到运动分析方向，促进了该方向的技术发展和专利申请量的提升，由于存在 1-2 年的周期，中国地区的运动分析专利年申请量自2014 年增速明显。 3.2.2 美国专利申请趋势分析美国专利申请趋势分析 图图 3-2

42、-3 美国近美国近 20 年运动分析专利申请趋势情况图年运动分析专利申请趋势情况图 - 20 - 上图示出了美国作为目标国的运动分析专利近 20 年申请趋势情况。 2012 年以前年申请量较为平稳。2013 年以后年申请量增速明显上升，这主要是受 2012 年卷积神经网络（CNN）等深度学习算法的提出，并应用到了运动分析领域，并且与中国申请情况相对比，美国在 2012-2015 年即达到迅速增长期，较中国发展更早。 3.2.3 日本专利申请趋势分析日本专利申请趋势分析 图图 3-2-4 日本近日本近 20 年运动分析专利申请趋势情况图年运动分析专利申请趋势情况图 上图示出了日本作为目标国的运动

43、分析专利近 20 年申请趋势情况。由图可见，近20 年来， 运动分析方面在日本专利申请量基本保持平稳。 日本从互联网时代开始一直处于相对落后追赶的状态，日本在近年 AI 技术的发展也仍然属于较低迷的状态，加上邻国中国目前对于计算机视觉技术的应用风生水起， 以上因素造成了日本地区的专利年申请量甚至出现过阶段性下降，在运动分析方向亦是如此。 3.2.4 欧洲专利申请趋势分析欧洲专利申请趋势分析 图图 3-2-5 欧洲近欧洲近 20 年运动分析专利申请趋势情况图年运动分析专利申请趋势情况图 - 21 - 上图示出了欧洲作为目标国的运动分析专利近 20 年申请趋势情况。由图可见，近20 年运动分析方面

44、欧洲与日本地区类似， 专利申请量基本保持平稳。 对比中国和美国区域在运动分析领域的专利年申请量，不难看出欧洲专利的年申请量数量级较小。这是因为通过欧洲专利局提交专利仅仅是在欧洲地区获得专利保护的一种渠道， 申请人也可以直接进入欧洲地区的各个国家进行专利申请。 3.3 运动分析专利申请人归属国趋势分析运动分析专利申请人归属国趋势分析 3.3.1 申请人归属国分布分析申请人归属国分布分析 图图 3-3-1 运动分析专利申请量按照专利申请人运动分析专利申请量按照专利申请人所属地域所属地域排序图排序图 运动分析专利申请量按照专利申请人所属地域进行排序，前三位申请人所属地域分别为日本、中国大陆、美国。值

45、得注意的是，与运动分析技术的专利申请目标国分析结论不同，日本作为目标市场虽然并未在全球排在第一，但是归属国为日本的申请人申请专利量却在全球位居第一。这是因为日本拥有全球最大的两大相机生产商（佳能和尼康），运动分析技术在相机产品应用非常广泛。 3.3.2 申请人归属国申请趋势分析申请人归属国申请趋势分析 - 22 - 图图 3-3-2 中国、日本和美国的运动分析方向专利申请量近中国、日本和美国的运动分析方向专利申请量近 20 年趋势情况图年趋势情况图 上图示出了申请人归属国为中国、日本和美国的运动分析方向专利申请量近 20 年趋势情况。 由图可见， 该领域中国申请人起步较晚， 但自 2007 年

46、开始申请量逐年提升，并在 2014 年年申请量已赶超日本和美国申请人，这与中国国内自 2014 年起开始力推AI 领域的资本市场有关。 3.4 外国申请人在中国申请专利趋势外国申请人在中国申请专利趋势 图图 3-4-1 外国申请人在中国申请专利趋势图外国申请人在中国申请专利趋势图 上图示出了外国申请人在中国申请运动分析方向专利排名前 10 位的国家。不难看出日本和美国的申请人非常注重运动分析技术在中国的市场。 3.5 法律状态分析法律状态分析 - 23 - 图图 3-5-1 运动分析全球专利的法律状态分布情况图运动分析全球专利的法律状态分布情况图 上图示出了运动分析全球专利的法律状态分布情况。

47、可以看出，授权、公开、实质审查这三种当前状态下拥有的专利的数量最多，分别为 13,904、8,345、6,145 件，占所分析的专利总量的 34.631%、20.785%、15.305%。 3.6 申请人分析申请人分析 图图 3-6-1 运动分析全球专利申请量排名前运动分析全球专利申请量排名前 5 位的申请人情况图位的申请人情况图 上图示出了运动分析全球专利申请量排名前 5 位的申请人情况，来自日本和韩国的申请人占据了全部排名，上述企业属于相机等传统图像处理领域的优势企业，在计算机视觉的运行分析方向也延续了其优势。 - 24 - 第第4章章 计算及视觉重点技术领域（面部识别）专利分析计算及视觉

48、重点技术领域（面部识别）专利分析 4.1 面部识别全球专利总体趋势分析面部识别全球专利总体趋势分析 图图 4-1-1 近近 20 年面部识别方向全球专利申请的趋势分析图年面部识别方向全球专利申请的趋势分析图 上图示出近 20 年面部识别方向全球专利申请的趋势分析图。由图可见，该领域全球专利申请自 2014 年开始快速增长。主要原因在于 2012 年卷积神经网络（CNN）等深度学习算法的提出与普及降低了计算机视觉技术应用的门槛， 上述深度学习算法也广泛应用于面部识别方向，促进了该方向的技术发展和专利申请量的提升。 4.2 面部识别专利申请目标国家趋势分析面部识别专利申请目标国家趋势分析 图图 4

49、-2-1 面部识别专利申请目标国家趋势分析图面部识别专利申请目标国家趋势分析图 - 25 - 上图可以看出中国大陆、美国、日本依次为运动分析技术排名前三位的专利申请目标国家或地区， 其中中国大陆作为第一大目标国申请的专利数量是第二位美国的近三倍。这表明中国目前是全球最大的面部识别技术市场所在地。 4.2.1 中国专利申请趋势分析中国专利申请趋势分析 图图 4-2-2 中国作为目标国中国作为目标国的面部识别专利近的面部识别专利近 20 年申请趋势情况图年申请趋势情况图 上图示出了中国作为目标国的面部识别专利近 20 年申请趋势情况。 2014 年以前该领域在中国年申请量增长缓慢。自 2014 年

50、以后，增长速度急剧上升。中国是计算机视觉技术最大的应用市场，从 2012 年卷积神经网络（CNN）等深度学习算法的提出，并可以应用到面部识别方向，促进了该方向的技术发展和专利申请量的提升，由于中间存在 1-2 年的周期，中国地区的面部识别方向的专利年申请量自 2014 年增速明显。 4.2.2 美国专利申请趋势分析美国专利申请趋势分析 图图 4-2-3 美国作为目标国的面部识别专利近美国作为目标国的面部识别专利近 20 年申请趋势情况图年申请趋势情况图 - 26 - 上图示出了美国作为目标国的面部识别专利近 20 年申请趋势情况。 2009 年以前面部识别领域申请量出现过波动。 2010 年以