中 華 大 學 碩 士 論 文

中 華 大 學 碩 士 論 文

題目：臉型辨識技術專利分析與技術預測 Patent Analysis and Technology Forecasting for

Facial Recognition

系 所 別 ： 科 技 管 理 研 究 所 學號姓名 ： E09603001 王 承 恩 指導教授 ： 賴 以 軒 博 士

中 華 民 國 九 十 八 年 八 月

謝 謝

謝 謝 辭 辭 辭 辭

在中華科管所兩年的時間，感謝科管系所提供優良的學習環境，以及優良 的師資，讓我在求學過程中，得到許多的幫助及解答；感謝我的指導教授 賴以 軒博士這兩年的指導，讓我了解智慧財產權及技術預測相關知識，也感謝培聖、

裕聖、志彰、必強、宛叡給予幫忙及指教討論，讓我獲益良多。

也感謝一路陪伴、忍受我壞脾氣，並不時提供我不同角度看法的老婆，有 你的陪伴，讓我時時提醒自己，不要輕言放棄，努力再努力的完成學位。感謝 父母在我努力完成學位這段時間，不時提醒我照顧身體，忍受我不常回去看你 們，真的很感謝您們的栽培及忍耐。

有你們的付出才有今日的我，我會銘記在心。

王承恩 謹誌 中華大學 2009

摘要 摘要 摘要 摘要

自美國遭受恐怖攻擊後，資訊安全領域之生物辨識技術，包括：指紋辨識、

虹膜辨識、掌紋辨識等更加蓬勃發展。其中臉型(形)辨識應用便利，容易為使用 者所接受，而成為具有發展潛力之生物辨識方法之一。本研究回顧生物辨識、

臉型辨識技術與產業發展現況，其次以美國專利資料庫(USPTO)為資料蒐集之 對象，透過專利分析方法了解各國、各主要專利權人之技術發展，並嘗試分析 主要競爭對手技術競爭之情形。此外，利用生命週期曲線法之珀爾、甘培茲模 型，以及灰預測等技術預測方法，嘗試對四大類臉型辨識技術進行預測比較分 析，最後提出未來發展之樂觀、中觀、悲觀情境。

研究結果顯示，就專利分析部分，美國於四類臉型辨識技術之專利數量方 面均居領先地位，其次為日本；技術分類以國際專利分類號 G06K009 為最多，

四類技術之專利權人則分別以微軟(Microsoft Corp.)為第一；幾何分析、統計學 習、整體外觀、階層影像技術移轉或合作，美國方面可考慮微軟或科達，日本 方面幾何分析法可考慮東芝與松下電子、整體外觀法可考慮三菱電子、統計學 習法可考慮三菱電子與新力、階層影像法可考慮新力，韓國方面幾何分析法、

整體外觀法與統計學習法可考慮三星電子。

技術預測方面，幾何分析(geometric-analysis)以甘培茲曲線法預測結果較 佳)，其誤差分析為 4.69；整體外觀(appearance-based)、統計學習(statistical learning) 以灰色預測法結果較佳，其誤差分析分別為 4.53、2.38；階層影像法(range-image) 以珀爾曲線預測結果較佳，其誤差分析為 9.06。幾何分析、整體外觀、統計學 習技術發展介於萌芽期與成長期之間，階層影像技術發展位於成長期。所得結 果除可作為從事相關技術研發者之參考，也可提供台灣廠商未來應用、技術移 轉、協同合作之選擇依據。

關鍵字 關鍵字 關鍵字

關鍵字：：：：生物辨識、臉型辨識、技術預測、專利分析。

ABSTRACT

From the United States suffered terrorist attacks, the field of information security of biometric technology, including: fingerprint identification, iris recognition, palmprint recognition, were more vigorous development.The Face recognition that with development potential into one of biometrics because use convenient, and easily accepted by users. Recalling in this study of biological recognition, face recognition technology and industrial development of the current situation, followed by the United States patent database (USPTO) for the data collection of objects, through the understanding of the patent analysis, all the major patent holders of technology development, and try to analyze The main technical competition where competitors.

In addition, the use of life-cycle curve of Pearl, Gompertz model, and Gray prediction method of technology forecasting, four major categories of trying to predict the face recognition technology a comparative analysis of the future development of the end of optimism, in view of the pessimistic situation.

The results showed that, on the part of patent analysis, the United States in four categories of face recognition technology, they know one another on the patent number of the leading position, followed by Japan; technology to the International Patent Classification G06K009 words for most of the four categories of technology were the patentee Microsoft (Microsoft Corp.) as the first; geometric analysis approach, statistical learning approach, the appearance-based approach of class imaging technology transfer or cooperation, the United States may wish to consider Microsoft or subjects, the geometric analysis of Japan may consider Toshiba and Matsushita Electronics, the appearance-based approach may consider the Mitsubishi Electric, statistical learning may wish to consider Mitsubishi Electric and Sony, range-image approach could be considered Sony, Korea geometric analysis, the

appearance-based approach of law and statistical learning method could be considered Samsung Electronics.

Technology forecasting, geometric-analysis approach curve Lopez sweet better results, the error analysis for the 4.69; appearance-based approach , statistical learning approach results in better prediction of gray , the error analysis 4.53、2.38, respectively; range-image approach in order to better Perle predicted curve, the error analysis for the 9.06. Geometric analysis, appearance-based approach of the range of statistical learning technology development between infancy and long-term, the development of imaging technology sectors located in long-term. In addition the results can be used as those who engaged in technology research and development related to the reference, but also the future of Taiwan will provide application, technology transfer, the choice of the basis of collaboration.

Keywords: biometrics, face recognition, technology forecasting, patent analysis.

目次 目次 目次 目次

摘要... i

ABSTRACT ... ii

目次... iv

表次... vi

圖次... ix

第一章 緒論 ... 1

第一節 研究背景與動機 ... 1

第二節 研究目的與內容 ... 2

第三節 研究範圍與假設 ... 2

第四節 論文章節與架構 ... 3

第二章 文獻探討... 5

第一節 臉型辨識技術概述 ... 5

第二節 產業分析... 9

第三節 產業概況...14

第四節 專利分析...18

第五節 技術預測...21

第三章 研究方法...24

第一節 珀爾曲線...24

第二節 甘培茲曲線...25

第三節 灰預測...26

第四節 誤差分析...29

第四章 專利分析...31

第一節 專利檢索...31

第二節 臉型辨識技術發展分析...39

第三節 技術分類分析 ...48

第四節 引證情況分析 ...62

第五節 研發能力相關分析 ...65

第六節 小結 ...66

第五章 技術預測結果與分析 ...67

第一節 幾何分析法之預測結果分析...69

第二節 整體外觀法之預測結果分析...75

第三節 統計學習法之預測結果分析...80

第四節 階層影像法之預測結果分析...85

第五節 各類技術之技術預測比較...90

第六節 小結 ...102

第六章 結論與建議...104

第一節 結論 ...104

第二節 建議 ...108

參考文獻...109

表次 表次 表次 表次

表 1 回顧臉型辨識技術 ... 5

表 2 主流生物辨識技術比較 ...12

表 3 各臉型辨識產品比較 ...14

表 4 第一次檢索條件 ...35

表 5 第一次專利檢視並增加關鍵字檢索條件...35

表 6 UPC 分類號及代表之意義...36

表 7 未分類前最終檢索條件 ...37

表 8 臉型辨識技術分類關鍵字...37

表 9 幾何分析法檢索條件 ...38

表 10 整體外觀法檢索條件...38

表 11 統計學習法檢索條件 ...38

表 12 階層影像法檢索條件...39

表 13 最終檢索專利件數...39

表 14 各類技術 IPC 分類號前 5 名 ...50

表 15 各類技術 UPC 分類號前 5 名...51

表 16 幾何分析法─專利權人引證分析...62

表 17 整體外觀法─專利權人引證分析...63

表 18 統計學習法─專利權人引證分析...64

表 19 階層影像法─專利權人引證分析...64

表 20 各類技術專利權人研發強度 ...65

表 21 歷年專利樣本數量...69

表 22 幾何分析法-珀爾曲線不同 L 值產生之預測...70

表 23 幾何分析法-珀爾曲線不同 L 值之誤差分析...71

表 24 幾何分析法-甘培茲曲線不同 L 值產生之預測...72

表 25 幾何分析法-甘培茲曲線不同 L 值之誤差分析...73

表 26 灰預測-幾何分析法 ...74

表 27 幾何分析法-灰預測不同期數預測值之誤差分析 ...74

表 28 整體外觀法-珀爾曲線不同 L 值產生之預測...75

表 29 整體外觀法-珀爾曲線不同 L 值之誤差分析...76

表 30 整體外觀法-甘培茲曲線不同 L 值產生之預測...77

表 31 整體外觀法-甘培茲曲線不同 L 值之誤差分析...78

表 32 灰預測-整體外觀法 ...79

表 33 整體外觀法-灰預測不同期數預測值之誤差分析 ...79

表 34 統計學習法-珀爾曲線不同 L 值產生之預測...80

表 35 統計學習法-珀爾曲線不同 L 值之誤差分析...81

表 36 統計學習法-甘培茲曲線不同 L 值產生之預測...82

表 37 統計學習法-甘培茲曲線不同 L 值之誤差分析...83

表 38 灰預測-統計學習法 ...84

表 39 統計學習法-灰預測不同期數預測值之誤差分析 ...84

表 40 階層影像法-珀爾曲線不同 L 值產生之預測...85

表 41 階層影像法-珀爾曲線不同 L 值之誤差分析...86

表 42 階層影像法-甘培茲曲線不同 L 值產生之預測...87

表 43 階層影像法-甘培茲曲線不同 L 值之誤差分析...88

表 44 灰預測-階層影像法 ...89

表 45 階層影像法-灰預測不同期數預測值之誤差分析 ...89

表 46 幾何分析法-誤差分析比較...90

表 47 整體外觀法-誤差分析比較...91

表 48 統計學習法-誤差分析比較...92

表 49 階層影像法-誤差分析比較...93

表 50 2009 年各類技術預測值...93 表 51 各類技術樂觀、悲觀、中觀分析...94

圖次 圖次 圖次 圖次

圖 1 研究流程 ... 4

圖 2 臉型辨識系統示意圖... 8

圖 3 生物辨識產值預估...13

圖 4 臉型辨識市佔率比較...13

圖 5 台灣臉型辨識技術產業架構 ...16

圖 6 專利檢索流程 ...32

圖 7 USPTO 搜尋頁面 ...33

圖 8 ADVANCED SEARCH頁面 ...34

圖 9 1984-2008 年臉型辨識專利分析-公告日 ...40

圖 10 各國臉型辨識專利成長圖...41

圖 11 臉型專利分析-依專利權人...42

圖 12 各類技術專利總件數分析...43

圖 13 各類技術歷年件數曲線圖...44

圖 14 幾何分析法-前五大國與台灣歷年專利數量...45

圖 15 整體外觀法-前五大國與台灣歷年專利數量...46

圖 16 統計學習法-前五大國與台灣歷年專利數量...47

圖 17 階層影像法-前五大國與台灣歷年專利數量...48

圖 18 IPC 分類號分析...49

圖 19 IPC 技術趨勢分析-前 5 名 ...51

圖 20 UPC 技術趨勢分析-前 5 名...52

圖 21 IPC 技術雷達圖-前 5 名 ...53

圖 22 UPC 技術雷達圖-前 5 名...53

圖 23 IPC 技術趨勢分析-前 5 名 ...54

圖 24 UPC 技術趨勢分析-前 5 名...55

圖 25 IPC 技術雷達圖-前 5 名 ...55

圖 26 UPC 技術雷達圖-前 5 名...56

圖 27 IPC 技術趨勢分析-前 5 名 ...57

圖 28 UPC 技術趨勢分析-前 5 名...57

圖 29 IPC 技術雷達圖-前 5 名 ...58

圖 30 UPC 技術雷達圖-前 5 名...59

圖 31 IPC 技術趨勢分析-前 5 名 ...59

圖 32 UPC 技術趨勢分析-前 5 名...60

圖 33 IPC 技術雷達圖-前 5 名 ...61

圖 34 UPC 技術雷達圖-前 5 名...61

圖 35 預測模型建立流程 ...68

圖 36 幾何分析法技術最佳 L 值-珀爾曲線...71

圖 37 幾何分析法技術最佳 L 值-甘培茲曲線...73

圖 38 整體外觀法技術最佳 L 值-珀爾曲線...76

圖 39 整體外觀法技術最佳 L 值-甘培茲曲線...78

圖 40 統計學習法技術最佳 L 值-珀爾曲線...81

圖 41 統計學習法技術最佳 L 值-甘培茲曲線...83

圖 42 階層影像法技術最佳 L 值-珀爾曲線...86

圖 43 階層影像法技術最佳 L 值-甘培茲曲線...88

圖 44 幾何分析法預測技術之比較...90

圖 45 整體外觀法預測技術之比較...91

圖 46 統計學習法預測技術之比較...92

圖 47 階層影像法預測技術之比較...93

圖 48 幾何分析法之技術生命週期曲線 ...95

圖 49 幾何分析法之珀爾趨勢分析...95

圖 50 幾何分析法之灰預測趨勢分析 ...96

圖 51 整體外觀法之技術生命週期曲線 ...97

圖 52 整體外觀法之珀爾趨勢分析...97

圖 53 整體外觀法之灰預測趨勢分析 ...98

圖 54 統計學習法之技術生命週期曲線 ...99

圖 55 統計學習法之珀爾趨勢分析...99

圖 56 統計學習法之珀爾趨勢分析...100

圖 57 階層影像法之技術生命週期曲線 ...101

圖 58 階層影像法之珀爾趨勢分析...101

圖 59 階層影像法之灰預測趨勢分析 ...102

第一章 第一章 第一章

第一章 緒論 緒論 緒論 緒論 第一節

第一節 第一節

第一節 研究背景與動機 研究背景與動機 研究背景與動機 研究背景與動機

從美國發生恐怖攻擊至今已十餘年，資訊安全領域之生物辨識技術，包括：

臉型辨識、指紋辨識、虹膜辨識、掌紋辨識……等技術快速蓬勃發展，其中指 紋辨識技術在台灣已發展成熟，相關產品應用非常多元，常見運用於筆記型電 腦、隨身碟、門禁刷卡機…等產品上。相較之下，臉型辨識產品能見度就非常 稀少，同樣的出發點，發展進度卻相差甚多；近幾年來，智能住宅、資訊安全、

監控系統、遠端居家照顧議題相當熱門，臉型辨識技術因具有非接觸性及高度 便利性及接受度的優勢，在這些議題中，位居相當重要的一塊拼圖。

臉型辨識產品因技術不斷進步，加上早期臉型辨識技術因光線、陰影造成 辨識率差的障礙一一被克服，在國外各國運用於各領域上，都有不錯的發展，

例如：法國將臉型辨識軟體搭配街道監視系統以完成查緝的利器，然而台灣直 至這一兩年才漸漸有相關臉型辨識產品運用的實例產生，例如：智能住宅議題 的遠雄二代宅、內政部入出國及移民署建置臉型、虹膜、指紋三合一辨識系統…

等。 2009年7月日本發表透過臉型辨識系統之儀器輔助訓練人員微笑之功能，

可知臉型辨識運用之領域越來越廣，此時，看到國外將臉型辨識技術運用的如 此成功，進而想了解台灣臉型辨識技術之相關資訊，如：研發技術廠商、代工、

經銷商等資訊。

長久以來，台灣許多產業關鍵技術都掌握在國外廠商手中，甚至連發展都 沒有，那臉型辨識這個產業技術是否與其他產業一樣呢?若有自行研發之技術，

掌握在哪些專利權人手中?!未來臉型辨識趨勢發展為何呢?

若能透過本研究提供台灣業界發展參考方向，加速發展完整供應鏈，進而 降低臉型辨識系統建置成本，促進產業發展，將是不錯的研究議題。

第二節 第二節 第二節

第二節 研究目的 研究目的 研究目的 研究目的與內容 與內容 與內容 與內容

臉型辨識系統造價費用都非常昂貴，一套完整的臉型辨識系統，動輒數十 萬至上千萬元，台灣企業又以中小企業居多，實非單一企業所能負擔。再者，

臉型辨識產品國內自行研發廠商少，產品價格無法降低，再加上大多由代理商 或經銷商引進國外較成熟的產品，一套臉型辨識系統建置成本往往居高不下，

產品價格及建置成本昂貴，連帶影響產品普及率。相較於指紋辨識在台灣，不 論是代理商\經銷商、應用研發、代工、週邊設備等方面，都擁有完整的產業供 應鏈，因此，本研究主要的目的希望透過專利分析與技術預測兩大區塊了解臉 型辨識技術之目前的發展。

1. 專利分析

透過專利分析希望得到以下資訊：

(1) 各國之技術發展與趨勢。

(2) 各專利權人之技術發展與趨勢。

(3) 不同臉型辨識技術之發展與趨勢。

(4) 台灣臉型辨識技術之發展與趨勢。

2. 技術預測

根據預測之結果，希望得到以下資訊：

(1) 臉型辨識技術成熟與否。

(2) 臉型辨識技術未來之發展。

(3) 哪些國家或哪些公司比較強，未來我們可與誰合作。

(4) 提出未來技術發展之樂觀、中觀、悲觀情境。

所得結果，能提供給管、產、學各領域之參考，進而加速臉型辨識之技術 與供應鏈之發展。

第三節 第三節 第三節

第三節 研究範圍 研究範圍 研究範圍 研究範圍與假設 與假設 與假設 與假設

本研究之範圍與假設如下：

3. 專利資料庫-美國專利資料庫(U.S. Patent and Trademark Office,USPTO) 4. 專利資料時間-1976 年至 2008 年公告日為基準。

5. 由於專利係屬地主義，因此本研究範圍僅侷限美國專利申請與公告。

6. 生命週期曲線之預測方式係假設最小誤差之成長上限為實際成長上限，而 非專家公認之物理或化學上限。

7. 研究方法僅使用成長曲線法-珀爾曲線、甘培茲曲線，以及灰色預測法。

第 第 第

第四 四 四節 四 節 節 論文章節與架構 節 論文章節與架構 論文章節與架構 論文章節與架構

本研究之研究流程，步驟一、尋找研究主題及確定研究動機；步驟二、確 認研究主題及目的；步驟三、透過文獻探討定義技術分類及關鍵字；步驟四、

透過美國專利資料庫進行檢索；步驟五、依檢索後之樣本資料進行專利分析；

步驟六、依檢索後之樣本資料，透過技術方法進行技術預測與比較分析；步驟 七、結論與建議。本研究流程如圖1所示。

圖1 研究流程 第一章 第一章 第一章

第一章 緒論緒論緒論緒論 第

第 第

第二二二二章章章章 文獻探討文獻探討文獻探討文獻探討 第第第第三三三三章章章章 研究方法研究方法研究方法研究方法

第 第 第

第四四四四章章章章 專利分析專利分析專利分析專利分析

第第 第第五五五五章章章章 技術預測技術預測 技術預測技術預測 結果與分析 結果與分析 結果與分析 結果與分析

第 第 第 第六六六六章章章章 結論與建議 結論與建議 結論與建議 結論與建議

1. 臉型辨識技術概述 2. 產業分析

3. 專利分析 4. 技術預策

1. 珀爾曲線 2. 甘培茲曲線 3. 灰色預測法 4. 誤差分析

第二章 第二章 第二章

第二章 文獻探討 文獻探討 文獻探討 文獻探討

本章節透過文獻之回顧，作為本研究探討及理論基礎。其內容分為：第一 節臉型辨識技術概述，第二節產業分析，第三節專利分析，第四節技術預測。

第一節 第一節 第一節

第一節 臉型辨識技術概述 臉型辨識技術概述 臉型辨識技術概述 臉型辨識技術概述

完整的臉型(形)辨識系統約略分為臉型偵測及臉型辨識這兩大部份，臉型偵 測技術約略分為：特徵比對(feature matching)、學習比對(learning matching)，國 內有許多學者針對此部份有相當的研究，如以數位訊號處理器(Digital Signal Processing/Processor, DSP)實現人臉辨識系統(尹安志，2006)、自適性臉部特徵 擷取的動態人臉偵測(李宗岳，2006)、運用膚色過濾的人臉偵測法(吳宣諭，2006) 等；臉型辨識技術相關研究如：以即時影像處理人臉辨識系統之設計(陳師奇，

2006)、區域式主動表現模型演算法應用於人臉特徵匹配(林育弘，2007)、以特 徵臉為識別特徵的人臉辨識法(黎科樺，2006)等。

表 1

回顧臉型辨識技術

年代 學者 論文題目 主要內容 研究範圍

1994 王銘欽 人臉辨識 之研究

分為定位與辨識兩部份，定位部份 利用五官的對稱性、眼睛與頭髮的 相關位置以及他們在影像中的灰 階值特性，找出眼睛位置並切割出 臉部的區域。辨識部份採用特徵臉 辨識法

偵測：定位切 割法

辨識：特徵臉 法

1996 黃俊欽

灰階人臉 辨識之研

究

利用臉部左右對稱特徵，透過五官 相對位置及其灰階值變化進行臉 部擷取。利用特徵臉方式進行辨識

偵測：五官外 觀+灰階值 辨識：特徵臉

2001 王昭智

熱影像技 術應用於 人臉辨識 之研究

利用紅外線攝影機擷取人之臉部 所散發之熱分佈影像。利用三層架

構的倒傳遞類神經網路進行辨識

偵測：熱分佈 影像

辨識：倒傳遞 類神經網路

表 1(續)

年代 學者 論文題目 主要內容 研究範圍

2001 吳佳珍

以鑑別性 小波參數 為主之人 臉辨識系 統

以二維小波轉換(2-D Discrete Wavelet Transform)降低影像維 度，線性鑑別式分析(Linear Discriminant Analysis , LDA)進行 辨識，利用最接近特徵線(Nearest Feature Line)進行分類

偵測：

2D-DWT(二維 離散小波轉 換)

辨識：LDA 分 析

比對：最接近 特徵線

2005 葉又誠

應用隱馬 可夫模型 及基因演 算法於人 臉辨識之 研究

利用彩色影像取代灰階影像，利用 基因演算法提升辨識率。

偵測：2D-DCT (二維離散餘 弦轉換)、2D- DWT(二維離 散小波轉換)，

並利用隱馬可 夫模型加上基 因演算法提升 辨識率

2006 陳俊瑋

一個擷取 Gabor 特 徵的 SVM 人臉辨識 方法

利用賈伯(Gabor)濾波器進行特徵 擷取，利用支持向量機(support vector machine, SVM)進行辨識

偵測：賈伯 (Gabor)濾波器 辨識：支持向 量機(SVM)

2006 陳師奇

以即時影 像處理人 臉辨識系 統之設計

利用五官區塊進行影像擷取，並利 用特徵點進行辨識

偵測：區塊法 辨識：特徵點 比對：平均最 小平方法及 N 個標準差

2006 黎科樺

以特徵臉 為辨識特 徵的人臉 辨識法

定位：動態物件偵側、人臉膚色分 析與橢圓樣板定位

辨識：主成份分析(Principal component analysis, PCA)、LDA 分 析

偵測：動態物 件偵側、人臉 膚色分析與橢 圓樣板定位 辨識：PCA、

LDA 分析

2006 李宗岳

自適性臉 部特徵擷 取的動態 人臉偵測

利用膚色分割和連通成份找出人 臉候選區，再利用色彩分析與幾何 條件關係定位出人臉位置。

偵測：膚色分 割和連通成 份，色彩分析 與幾何條件關 係定位出人臉 位置

表 1(續)

年代 學者 論文題目 主要內容 研究範圍

2006 尹安志

以 DSP 實 現人臉辨 識系統

利用背景影像相減法取得膚色區 塊，再利用橢圓遮罩定位出人臉位 置，利用 LDA 辨識。

定位：臉膚色 分析與橢圓樣 板定位

辨識：LDA 分 析

2006 吳宣諭

運用膚色 過濾的人 臉偵測法

利用膚色偵測、雜訊處理進行人臉 偵測

偵測：膚色偵 測、雜訊處理

2007 林育弘

區域式主 動表現模 型演算法 應用於人 臉特徵匹 配

利用主動表現模型演算法(Active Appearance Models:AAM)找出眼 睛、嘴巴及其他區域利用主成份分 析法(PCA)製作區域式統計模型 並進行結合。

偵測：主動表 線模型演算法 (AAM) 辨識：主成份 分析法(PCA)

2007 邱柏智

基於主成 份分析法 與灰關聯 分析法之 動態人臉 辨識

利用膚色分割和連通成份找出人 臉候選區，再利用色彩分析與幾何 條件關係定位出人臉位置。利用主 成份分析法與灰關聯分析法進行 人臉辨識。

偵測：膚色分 割+色彩分析+

幾何關係位置 辨識：主成份 分析+灰關聯 分析

2007 楊晏和

多類支持 向量機混 合 LDA 演 算法之人 臉辨識研 究

人臉辨識以小波轉換+LDA 演算 法+SVM 分類器其辨識率最高。

辨識：小波轉 換+LDA+

SVM

2008 褚坤龍

基於賈伯 小波及區 域保留投 影之人臉 偵測與人 臉辨識

利用膚色偵測找出人臉區域，再利 用賈伯小波轉換取得特徵，再利用 類神經網路進行辨識。

偵測：膚色偵 測

辨識：類神經 網路

經整理學者之研究繪出臉型辨識系統示意圖(如圖2)。

生物辨識技術

(指紋、聲音(語音)、虹膜、手掌紋、臉型、靜脈、自動指紋辨識、中介軟 體、多模式、其他)

人臉辨識技術

人臉偵測 人臉辨識

特徵比對 學習比對

膚色偵測 類神經網路

橢圓偵測 Adaboost

霍夫轉換 支持向量機

(SVM) 動態物件偵

測

特徵擷取 分類比對

幾何分析法 (Geometric-analysis

approaches) 整體外觀法 (Appearance-based

approaches) 統計學習法 (Statistical learning

approaches) 階層影像法

(Range-image approaches)

歐式距離分類器 餘弦距離分類器 支持向量機分類器

最接近特徵線

圖2 臉型辨識系統示意圖

臉形辨識系統的好壞決定於其辨識技術之優劣，而辨識技術根據2004年學 者朱立年其論文所示，約略可以分為幾何分析法(geometric-analysis approach)、

整 體 外 觀 法 (appearance-based approach) 、 統 計 學 習 法 (statistical learning approach)、階層影像法(range-image approach等四大類。

1. 幾何分析法

幾何分析法發展起於1984年發展已有一段時間，是在人臉辨識技術的發展 過程中相當早被提出來的方法，這個方法主要是利用人臉五官之間的距離當做 鑑別的依據，如眼睛、鼻子、嘴唇之間的相對距離。當然人臉上之特點並無強 制性，可由其系統之建構者所決定，就因為如此，這個方法效果會與臉上設定 的特點有非常高度的相關性，所以此方法並不能說是個非常標準、可靠的技術。

2. 整體外觀法

以整體外觀為主的方式，這種方式主要是收集同ㄧ類別或對像的數比影像 樣本，並且以這些資料代表此類別。另外透過對資料的處理並進ㄧ步用來做為 分類，主要包括主成份分析法(Principal Components Analysis, PCA)、線性鑑別法 (Linear Discriminant Analysis, LDA)為主要的辨識方法，這類的方法優點包括用 投影方式來降低資料量，找出具有代表性的特徵來表示原始資料，及用投影的 觀念取代代表性的特徵，加大類別之間的分別，縮小類別內部的差異。

3. 統計學習法

主要以類神經網路法、支持向量機法(Support Vector Machine, SVM)為主要 的辨識方法，這類方法優點為採用生物大腦神經的學習方式，辨識效果佳，可 與主成份分析法、線性鑑別法或小波轉換(Wavelet)結合，達到更佳效果。另外 此方法可以找到一個最佳的超平面，使得分類效果達到最好。

4. 階層影像法

不同於上述所介紹的方法，此方法主要以3D方法或階層式的圖形為主要的 辨識方法，這類方法優點為比2D圖片多了深度的資訊，利用3D中人臉動作的模 擬，使系統更貼近人類以達到更準確、更有效率的成果。另外此方法可處理不 同角度、不同光線的情況，以提高辨識的準確性。

故本研究技術分類即透過上述四類當搜尋之分類關鍵字。

第二節 第二節 第二節

第二節 產業分析 產業分析 產業分析 產業分析

ㄧ ㄧ

ㄧ ㄧ、 、 、 、全球安全需求興起 全球安全需求興起 全球安全需求興起 全球安全需求興起

2007年7月美國國會眾議兩院終於通過由「九一一獨立調查委員會」提議之

「反恐法案」，此法案提議加強飛機、機場與港口安全措施，未來三年內，凡客 機運載貨物，一律應通過檢查；此外，美國政府對境內各城市核撥反恐經費，

應依照各城市可能遭受恐怖攻擊的風險等級決定數額多寡。2007年11月日本法 務省出入境管理局為加強反恐措施，凡年滿十六歲以上入境日本的外國旅客在 日本各機場入境審查窗口，必須出示護照及出入境登記卡，並按指紋和拍攝臉

部圖像存證。

英國警方於2007年27日宣布破獲恐怖份子準備利用藏在手提行李中的爆炸 物炸毀飛往美國的客機後，全世界各地的機場都開始執行嚴格的安全措施。法 國當局宣佈將隨機搜索橫越英倫海峽，來往巴黎、布魯塞爾和倫敦的「歐洲之 星」火車。機場方面警告前往英國、以色列和美國的旅客提早到機場，以接受 額外的安全檢查。

此外，澳洲、加拿大、迦納、肯亞、匈牙利、義大利、荷蘭、瑞士對手提 行李採取與英美兩國同樣嚴格措施。亞洲與歐洲機場全面加強安全巡邏及X光檢 查，有些地方也會掃瞄旅客的鞋子，警犬則來往嗅尋爆裂物。2009年1月台灣內 政部入出國及移民署引進並架設指紋、臉型、虹膜三合一生物安全辨識之設備，

初期對象以中國旅客及中國新娘為主，進行身份驗證、建檔。

因各國政府因反恐佈攻擊行動及基礎公共安全需求大量投入經費發展及建 置，全球資訊安全科技產業成為積極推動的重點新興科技。安全科技產業包括：

控制、視訊監控、感測、無線感測網路、辨識技術(生物辨識、RFID)、資訊與 網路安全技術。可應用於：國土安全、校園安全、園區安全、企業安全、公共 安全、居家安全及資訊與網路安全等領域。

二 二

二 二、 、 、 、生物辨識技術 生物辨識技術 生物辨識技術 生物辨識技術

生物辨識技術泛指利用人體身上之器官如：臉、指紋、靜脈、聲音(語音)、

視網膜、虹膜、體形、手掌紋等，透過各種專門之技術取得其特徵，進行個人 身份之辨別。生物辨識因其擁有不可否認性、獨特性、專一性，就算兩個雙胞 胎其擁有的生物特徵仍舊不同，就因為擁有此些特性，也讓各國更積極發展此 類技術。

目前生物辨識技術大約分為：臉型辨識、指紋辨識、靜脈辨識、語音辨識、

視網膜辨識、虹膜辨識、手掌紋辨識、自動指紋辨識、多模式辨識等。目前生 物辨識技術之主流技術以指紋辨識、臉型辨識、虹膜辨識為主，生物辨識技術

之優劣的判別，可透過技術獨特性、穩定性、便利性、安全性、接受度、辨識 效能、技術成熟度進行評估。

8. 獨特性

即所謂的不可否認性，可與他人作區別的特性，例如：每一個人的虹膜都 不相同，即使是雙胞胎亦有所差別，因此虹膜就是很好的特徵，指紋亦然。

9. 穩定性

大部份的生物特徵並不會隨時間改變，然而對於發育中的兒童，手形或語 音特徵只能使用於特定時間。另外臉型易受外力、時間，甚至整形所影響其特 徵，故臉型特徵之穩定度相較之下，低於虹膜或是指紋辨識。

10. 便利性

為了縮短辨識時間，特徵須容易收集或驗證，且最好無需太繁瑣的過程與 儀器，更不能具有危險性。臉型辨識最大優點在於受測者不需接觸儀器且不具 任何危險性，相較於指紋及虹膜來說，便利性最高。

11. 安全性

生物特徵最安全、不易被有心人士所複製及偽造。

12. 接受度

不論是特徵收集或驗證的過程，受測者所能接受之程度。臉型辨識因不會 造成受測者任何感覺，其接受度相對於指紋或虹膜較高。虹膜因採樣時，具侵 入性，雖辨識率高，但因為受測者大多感覺不適，因此造成普及的困難。

13. 辨識效能

辨識效能必須符合實際需求的標準。意即從特徵採樣到驗證所耗時之多 寡、其辨識率之高低、誤判率及錯誤率之高低。

14. 技術成熟度

技術成熟度決定可否推廣應用到實際生活，尤其實用性與量產後的價格常 會決定技術是否具有市場性。虹膜另一令人望而卻步之原因，即是其特徵收集 的儀器太過昂貴。

透過下表2比較臉型技術與其他生物辨識技術可以發現，臉型辨識技術相較 於其他兩類辨識技術整體而言仍有高度發展空間，虹膜辨識趨於成熟，指紋辨 識發展已經成熟。另外，臉型與指紋辨識技術其便利性優於虹膜辨識；因臉型 辨識技術擁有不需接觸受測者及非侵入性之特性，其便利性與接受度又高於需 要受測者接觸驗證儀器的指紋辨識。而虹膜辨識因具高度侵入性之特性，故便 利性及接受性就相對較低。

表 2

主流生物辨識技術比較

臉型 指紋 虹膜

獨特性 低 高 最高

穩定性 中 高 最高

便利性 最高 高 中

安全性 中 高 最高

接受度 最高 高 低

辨識效能 中 高 最高

技術成熟度 發展中 最成熟 趨向成熟

資料來源：工業技術研究院

三 三 三

三、 、 、 、生物辨識市場概況 生物辨識市場概況 生物辨識市場概況 生物辨識市場概況

根據國際生物辨識組織（International Biometric Group，IBG）的研究指出，

2009~2014年全球生物辨識產業預估分別為2009年3422.3(百萬美元)、2010年 4356.9(百萬美元)、2011年5423.6(百萬美元) 、2012年6581.2(百萬美元)、2013 年7846.7(百萬美元)、2014年9368.9(百萬美元) 如圖3所示，生物辨識產業持續 快速發展中。

單位單位單位

單位：：：：$m USD

3422.3 4356.9 5423.6 6581.2 7846.7 9368.9 0

1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 9,000 10,000

2009 2010 2011 2012 2013 2014

圖3 生物辨識產值預估

Note From：International Biometric Group,2009,取自：http: //www.biometricgroup

com/。

2008年臉型辨識約佔整體產業市佔率11.4%，指紋辨識佔66.7%，其他生物 辨識類佔21.9%；IBG預估2009年臉型辨識將達到18.3%的市佔率，較2008年成 長6.9%(如圖4)。

圖4 臉型辨識市佔率比較

Note From：International Biometric Group,2009,取自：http: //www.biometricgroup

com/。

第三節 第三節 第三節

第三節 產業概況 產業概況 產業概況 產業概況

台灣業界擁有專利技術的廠商甚少，擁有自家產品公司為倚辰科技、蒙恬 科技及星創科技。其中蒙恬科技之產品為FaceMetrix、倚辰科技之產品為人臉辨 識門禁系統(Face Recognition Access Control System)、人臉辨識門禁機(Face-Tek GateKeeper)、人臉辨識門禁機(Face-Tek GateKeeper)、人臉辨識-整合型門口機 (Face-Tek Reader)、人臉辨識-整合型資訊台(Face-Tek Kiosk)、NotiFace II智慧型 人臉蒐尋辨識系統(Face Recognition Surveillance System)、訪客身份辨識系統 (ClientFace VIP Identification System)、人臉密碼開機系統(Face Recognition Login Control System) ， 星 創 科 技 之 產 品 為 FaceOn 門 禁 管 制 系 統 (FaceOn Access Control)，大多數產品為廠商由國外引進代理成熟度較高之臉型辨識系統產品，

如威波科技(Cognitec)、龍辰科技(Bioscrypt)、碲晞科技(BIOID)。

目前業界成功實例以搭配豪宅及醫院居多，例如：帝寶建案(倚辰科技)、遠 雄二代宅、國礎富裔山(威波科技)、新光醫院(星創科技)。近期則有2009年1月 內政部入出國及移民署宣佈建立臉型、指紋及虹膜三合一生物辨識安全系統，

測試初期對象為中國旅客及中國新娘進行身份驗證及建檔，預計2009年6月將全 面啟用系統。表3為台灣能見度較高之各臉型辨識產品的詳細列表。

表 3

各臉型辨識產品比較

公司名 產品名 功能面優勢 成功案例

基嘉科 技

FaceHunter® 臉 部 / 人臉辨識系統

取樣數約最高 800 個點

光線干擾幾乎完全克服，最高 達 50,000Lux

無 蒙恬科

技 FaceMetrix 自動擷取、主動辨識、身份確認、

影像儲存 無

星創科 技

FaceOn 門 禁 管 理 系統

影像檔案小

效能高幾乎達到與後端同步之 動作

三維空間影像技術來記錄人臉 特徵

新光醫院

表 3(續)

公司名 產品名 功能面優勢 成功案例

倚辰科 技

認臉王--智慧型人臉 辨 識 門 禁 機 Matrix Keeper

可遠端操控設置 Web-based 管理軟體

806 個特徵點進行辨識認證

紅外光影像技術

國礎富裔山 帝寶建設

宜昇科 技

PanoDome 360 度環 場取像系統

光電影像處理和 3D 視覺技術

擷取 360 度的全景影像

遠端遙控

3D 立體定位

日本松下電 工

德全科 技

FaceWin

人 臉 識 別 門 禁 系 統、人臉識別考勤系 統、人臉識別監視佈 防系統、人臉識別智 慧認證系統

識別精度高、誤識率低。誤識 率 FAR≦0.01%時，識別率 VR≧99％，適合門禁要求

識別和比對速度快：識別速度 1:1 時<0.5 秒，1:N 時<1 秒

無

威波科 技

FaceVACS®- 各 類 產 品

FaceVACS®核心技術

人像比對速度：300,000 次/

秒

人像照片資料：5-10KB/每張 照片

人 像 特 徵 點 資 料 ： 600~1000-bit

遠雄二代宅 新鳳翔

碲晞科

技 BioID 企業版 3.0
臉型模板辨識

模板大小：120K to 16K

中國文化大 學建教合作

龍辰科

技 3D 臉型辨識系統

3D 技術

辨認時間︰<1 秒

辨認(1︰n)

登錄時間︰4-6 秒

鑑定時間︰<1 秒

台 灣 無 案 例，國外很 多成功案例

達寶科 技

FaceVACS®- 各 類 產 品 FaceHunter® 臉 部 / 人臉辨識系統 Face-Tek 各類產品

FaceVACS®核心技術

人像比對速度：300,00 次/秒

人像照片資料：5-10KB/每張 照片

人 像 特 徵 點 資 料 ： 600~1000 – bit

無

日昌安

全系統 3D 立體臉型登錄機

高解析 3D 登錄迅速，只佔用 4 到 8 秒時間

即時辨認少於 1 秒

擷取 ISO/IEC CD 19794-5 標 準 2D 圖像給 ePassports 及簽 證用途

無

台灣臉型辨識產業架構可分為代理/系統廠商、應用研發廠商、設備製造商 以及代工廠商四類，詳如下圖5所示。

圖5 台灣臉型辨識技術產業架構

1. 代理\系統商

台灣目前仍以代理國外知名產品為大多數，廠商部份分別有威波科技、龍 辰科技、碲晞科技、達寶科技、日昌安全系統。

(1) 威波科技：德國 Cognitec 授權在台灣的總代理商。

(2) 龍辰科技：引進美國知名品牌 Bioscrypt-3D 臉型辨識系統。

(3) 碲晞科技：德國研發廠商在台辦事處，產品為 BioID 企業版 3.0 版。

(4) 達寶科技：德國 Cognitec 授權在台灣的經銷商。

(5) 日昌安全系統：美國 GE 集團安全系統的台灣獨家代理商。

2. 應用研發

應用研發廠商包括蒙恬科技、基嘉科技、星創科技、倚辰科技等廠商。

(1) 蒙恬科技：於 2001 年開始投入研發生物認證相關技術，已研發之技術 包括 SSL 安全加解密技術，以及人臉辨識技術(FaceMetrix)。

(2) 基嘉科技：2008 年研發完成人臉辨識系統及臉部辨識，並以門禁及考勤 2 項產品積極拓展市場。

(3) 星創科技：星創科技成立於 1997 年，共同營運總部設在美國加州矽谷 Sunnyvale 與台北，星創科技以其在生物辨識產業的領導地位成為一國 際性廠商，星創科技的核心競爭力來自於深耕多年的臉部辨識技術。

(4) 倚辰科技：倚辰科技有限公司創立於 1994 年，積極投入生物辨識技術 中最具潛力的”人臉辨識系統(Face-Tek)”之開發。

(5) 宜昇科技：宜昇科技股份有限公司成立於西元 1990 年，由一群影像處 理及自動化專業人士所共同創立。專業於光電影像處理和 3D 立體視覺 技術，研發出 PanoDome 360 度環場取像系統。

(6) 德全科技：德全科技專注於“人臉識別技術”和“智慧視頻分析技術”

兩大核心技術演算法的研究和技術應用的開發。

3. 設備製造

設備製造廠商包括歐壹科技、德全科技、宜昇科技等廠商

(1) 歐壹科技：成立於 1999 年，主要是以影像處理之核心技術及自動檢測 系統之開發以提升客戶產品的品質及競爭力，主要產品為 CD 碟片、陶 瓷套筒及其他更多元化產品之檢測、量測及調整系統。

(2) 德全科技：係屬專業之光電、無線通訊、智慧影像分析、生物辨識等設 計開發生產與製造全方位公司。提供 OEM, ODM, SDK 之服務。

(3) 宜昇科技：結合 3 次元空間量測定位、影像處理等核心技術，研發出最 新一代智慧型 360 度環場監控系統產品，透過獨特且便利的「環場點控」

操控介面，可同時提供廣視野的 360 度環場影像以及任意局部地點的高

畫質影像。

4. 代工廠

代工廠商主要有德全科技，該公司係屬專業之光電、無線通訊、智慧影像 分析、生物辨識等設計開發生產與製造全方位公司。提供 OEM、ODM、SDK 之 服務。

第四 第四 第四

第四節 節 節 節 專利分析 專利分析 專利分析 專利分析

ㄧ ㄧ

ㄧ ㄧ、 、 、 、專利的意義與重要性 專利的意義與重要性 專利的意義與重要性 專利的意義與重要性

依據「世界智慧財產權組織」(World Intellectual Property Organization；WIPO) 之說明：專利是對發明授予的一種專利權利；發明是指提供新的做事方式或對 某一問題提出新的技術解決方案的產品或方法。

專利權屬於智慧財產權的一環，目的在鼓勵、保護、利用發明與創作，以 促進產業發展。其擁有排它性、屬地主義、優先權、及獨佔性之特性。下列針 對上述特性介紹。

1. 排它性

依專利法第五十六條第一項規定：物品專利權人，除依法另有規定者外，

專有排除他人未經其同意而製造、為販賣之要約、販賣、使用或為上述目的而 進口該物品之權。方法專利權人，除本法另有規定者外，專有排除他人未經其 同意而使用該方法及使用、為販賣之要約、販賣或為上述目的而進口該方法直 接製成物品之權。其意思即表示任何非專利權人未經專利權人透過任何法律有 效之方式同意者，不得進行製造、販賣、重製等行為。

2. 屬地主義

屬地主義之意思即因專利權之授予及後續所能受的的保護、遭侵害時之法 律行為等，因涉及各國的司法制度，且是各國主權之展現，故專利權在哪一國 申請成功，只代表擁有該國之保護。舉例說明，A 公司於美國申請專利獲得核 可，但並未於中國申請專利，若其專利在中國受侵害，是無法提出賠償之行為。

3. 優先權

專利權申請採取先申請主義，為了保障發明人權益，避免發生發明人在當 地國申請專利後，他國並未申請專利權或是他國有人先申請專利，造成發明人 之損失，保護工業財產權巴黎公約(Paris Convention for the Protection of Industrial Property)特別制定了優先權制度，其意即是說發明人在一個國家提出專利申請 案後，在一定的期間內再到他國申請專利時，可主張以其第一次提出專利申請 案的日期為他國申請專利之基準日。

4. 獨佔性

專利權其排他性之特性下，當發明人在本地國申請專利並核可後，發明人 可主張其專利之排他性，將形成獨佔市場。意思即表示說若本地國 A 公司其發 明或是產品侵害 B 發明人之專利範圍，B 發明人有權行使其權利，要求 A 公司 賠償並阻止 A 公司獲利。

因專利權其特性，只要企業擁有技術專利，在專利活動期間，可採用各種 法定的權利防止他人未經授權製造、販賣、重製、使用或進口，更可以阻止產 業內競爭者追隨之腳步，也可為企業帶來龐大的商業利益。

智財權的管理運用，將會是未來影響企業營運良窳的重要因素。根據 WIPO 的調查顯示，專利文件中含有 90 至 95%的研發成果，這些研發成果中又有 80%

是沒有記載在其他文獻中。也有很多的公司已不再要求研發人員撰寫研發記錄 簿，而要求一定要將研發成果申請專利保護，企業善用專利資訊，可節省 40%

研發經費、縮短研發時程 60%。(魯明德，解析專利資訊)

二 二

二 二、 、 、 、專利分析 專利分析 專利分析 專利分析

專利分析是指將各種與專利相關的資料，以統計的方法，加以整理成各種 可以做分析、解讀的圖表訊息。(魯明德，2006)專利資料可透過專利說明書中的 申請人、申請日期、核準日期、發明人、申請人、核准專利號碼、國別、摘要、

參考文獻或專利、詳細說明書、圖示…等欄位所取得。透過專利資料匯整、統

計處理、收集分析可獲得非常重要的專利資訊。專利資訊可了解一個國家或是 企業技術之強弱、技術內容分類範圍(UPC 或 IPC)、引用之專利或文獻、專利活 動年限等。

另外，Hall(1986)也指出專利分析就是將專利資料轉換成有用的專利資訊，

是技術研發規劃與智慧財產權管理的有效工具，也可作為技術競爭分析、技術 趨勢分析及權利範圍判斷依據。

1. 技術競爭分析

(1) 不同公司的技術競爭策略與方式 (2) 技術成長之對比

(3) 可能技術的獲得與合資的對象 (4) 辨別有經濟效益的專利及其組合 (5) 潛在的技術銷售對象

(6) 研發計畫及項目評估(有效的研發資源分配) (7) 新專利內容之分析(技術突破的可能性) 2. 技術趨勢分析

(1) 技術內容及項目之設定

(2) 技術開發動向(技術依時間的變化) (3) 技術發明階段

(4) 技術內容之互動(以技術功能矩陣表示) (5) 技術演變之態勢

(6) 技術相關性(專利分類之主類與次分類之分布情況，或專家意見) 3. 專利權範圍分析

(1) 專利申請國別 (2) 權利構成要件 (3) 權利範圍重點

(4) 細分權利範圍展開。

透過專利分析可得想當多重要訊息，倘若企業能善加利用，在各方面得到 助益：

1. 研發方面：了解技術發展軌跡，競爭對手之技術情報及發展方向，技術瓶 頸之突破，縮短產品開發時程。

2. 行銷方面：透過與市場佔有率結合分析，可了解企業運用專利的獲利能力 表現。

3. 經營方面：可積極進行專利佈局，阻止同業競爭者或跟隨者之跟隨腳步，

並建立產業進入門檻。

4. 財務方面：可透過技術授權、轉移或合作方式，獲取權利金，增加企業獲 利。

第五 第五 第五

第五節 節 節 節 技術預測 技術預測 技術預測 技術預測

ㄧ ㄧ ㄧ

ㄧ、 、 、 、技術預測之定義 技術預測之定義 技術預測之定義 技術預測之定義

Porter et al.(1991)對「技術預測」之定義為「研究技術功能之變遷、創新的 顯著性及實現的時間點，包含技術能力的成長、新舊技術的替代率、技術的擴 散情形、市場的滲透程度，以及重大技術突破的時間及可能性」。

Martino(1993)對「技術預測」之定義為「針對有用的機器、程序或是技巧 之未來特徵進行預測，強調技術改變的預測活動，應著重在實務上的應用，而 非只挶限於瞭解科學上的知識」。

賴士葆等人(1997)對「技術預測」之定義為「對技術創新、科技改良以及可 能的科技發明等所做的描述與預測」。

張昌財等人(2004)對「技術預測」之定義為「企業在現有的機器設備、生產 製程、員工能力等資源的限制下，針對未來科技產品、市場技術的能力進行合 理的預測，乃是側重於科技變遷的預測活動，儘可能以文字或數字的形式來陳

述，其焦點可能在於敘述科技的演化或變革、具體的創新、執行與科技能具體 應用實現的時間」。

綜合上述學者所述，了解技術預測係指透過系統化、邏輯化的方式，針對 實務有限資源下，其技術轉變與創新、科技改良與變遷及未來可能的科技發展，

透過文字或數字之量化或質化的方式描述呈現。

二 二

二 二、 、 、 、技術預測之重要性 技術預測之重要性 技術預測之重要性 技術預測之重要性

為何要預測，人們對於未知之事物都會有莫名的恐懼及不安感。不論東西 方都如同一轍，從古代君王時期，在科技不發達的情況下，東方君王有利用紫 微斗數、天干地支、日月星辰……等方式來進行預測；而西方君王利用塔羅牌、

星座星象等方式來進行，透過這些預測方式對國家之發展及決策、未來方向進 行領導或修正；演變至現代，不論國家或企業仍不斷透過預測來調整、修正、

進行決策未來之發展與方向。

一個國家或企業之強弱，其科技技術發展佔了相當重要之地位，致使技術 預測相行重要；國家與企業應用之方向有所不同，以下將分成兩部份表示：

1. 國家方面

透過技術預測，可針對重點產業進行產業輔導、稅率優惠…等促進產業發 展之任何優惠政策，相反的也可針對弱勢產業進行輔導移轉或技術改進之方 案，這樣整體國家產業才能更具競爭力。

2. 企業方面

透過技術預測，可針對公司內部研發能力進行產品、政策或投資之調整，

輔助管理者進行決策，加強對產業發展之敏感度，或是進行外部技術轉移創造 企業再突破等。賴士葆等人(1997)提出若企業如能有效的利用技術預測可得到以 下的幫忙：

1. 廣泛的監視企業內外在的環境，以確認出可能影響產業未來或公司產品/市 場發展的趨勢。

2. 估計與公司決策、規劃有關之重要事件的時間性；並作為未來行動與否的指 標。

3. 預測所得的資訊可以幫助對可見外來的機會與威脅有更多的了解。不斷的監 視趨勢的演變，也許不需要企業採取立即性的因應行動，確可協助企業再必 要行動的時點迅速反應。

4. 調整公司的政策，以規避威脅並尋找機會，在新的技術競爭下，重新擬定公 司目標、修正公司策略及修正研究發展策略。

5. 修正作業決策包括研究發展組合、研究發展計畫的選擇、技術間資源的配 合、廠房與設備的投資以及人員招募政策等。

技術預測之樣本資料會因受地區、環境、文化、政策….等外在因素所影響，

故其所得之結果，並非未來必然發生之結果，但仍可提供給管理者當作參考依 據。

第三章 第三章 第三章

第三章 研究方法 研究方法 研究方法 研究方法

本研究所使用成長曲線法中最常使用的兩個曲線-珀爾曲線(Pearl curve)和 甘培茲曲線(Gompertz curve)、灰色預測法三種技術預測法來進行預測。其中「成 長曲線(growth curve)」一詞約略可以表現出各種的技術及生命體的成長方式。

舉凡自然界生物的成長曲線，常呈現出 S 型的成長軌跡。所以，「成長曲線」有 時也稱為「S 曲線(S-shaped curve)」。

成長曲線常常被用來預測單一技術(單一技術變量)的發展趨勢；也可以用來 預測一項新技術對舊技術的替代情形。常用的成長曲線法除了本研究使用之玻 爾曲線(Pearl curve)及甘培茲曲線(Gompertz curve)外，另外還有羅吉特曲線 (Logistic Curve)、Mansfield 模型、Blackman 模型、Fisher-Pry 模型、貝氏模型(Bass Model)等。

第一節 第一節 第一節

第一節 珀爾曲線 珀爾曲線 珀爾曲線 珀爾曲線

人口統計學家 Raymond Pearl 首度成功運用成長曲線預測美國人口成長，亦 稱為「Logistic 曲線」或「Fisher-Per 曲線」，其方程式如(1)式所示。

aebt

y L ₋ +

=

1 (1) 其中^y表因變數， t 表自變數(時間)，^L表成長上限， e 表自然對數， a、 b 表資 料套入曲線所求得之係數。而係數 a 可控制曲線的位置，但不會改變其形狀，而 係數 b 可控制曲線形狀，但不會影響其位置。此一曲線在時間軸上，存在一初始

值於t=−∞和t =+∞的時候(亦即為成長上限)，其反曲點係發生在 ^b t (lna)

=

或 2

y =L

，曲線約在這個點上呈現出對稱性，因此可由前半段的曲線推估下半段的 曲線。但因為是 S 型曲線，所以不能直接用線性迴歸方法，必須事先對歷史資 料進行處理，首先必須先運用「直線化(straighten out)」的技巧，即希望可將之 變成Y=A+Bt的形式，因此必須讓^e−bt變成 Kt 的形式，如(2)式，而最好的方法

是取自然對數ln(e^−bt)，將之變成 bt− ，如(3)式。

y y ae ^bt L −

− =

(2)



 



 −

=

− +

y y t L

b a ( ) ln

ln (3)

經由上述推導的公式以符合Y=A+Bt的形式，因此：







 −

= y

y Y ln L

， A=lna，

b

B=− 。再根據簡單線性迴歸之運算後，求得預測之^Y 值，對







 −

= y

y Y ln L

兩邊 取指數，得到(4)式以進行反轉換，求得原先之^y值。

eY

y L +

=

1 (4)

第二節 第二節 第二節

第二節 甘培茲曲線 甘培茲曲線 甘培茲曲線 甘培茲曲線

英國精算師 Benjamin 和數學家 Gompertz 運用成長曲線預測英國人的死亡 率，其方程式如(5)式所示。

be kt

Le y

− −

= (5) 其中^y表因變數， t 表自變數(時間)，^L表成長上限， e 表自然對數， b 、 k 表係

數。但甘培茲曲線並不對稱，其反曲點發生在 ^k

t (lnb)

=

處且 ^e y =L

。而直線化方式 如珀爾曲線一般，將之變成Y=A+Bt的形式，而最好的方法是取兩次自然對數 將之變成 kt− ，因此先取第一次對數，如(6)式。

be kt

L

y −

−

=



 

 ln

(6) 再根據指數法則，將^−be−kt的負號去掉，如(7)式。

be kt

y

L −

=





 ln

(7) 接著，在取第二次對數，如(8)式。

t k y b

L ln ( ) ln

ln = + −



















(8)

因此已符合Y=A+Bt的形式，其中





















=

y Y ln ln L

，A=lnb，B −= k。再根據迴 歸計算，求得預測的^Y 值後，只需取兩次指數運算，就可得到(9)式以進行反轉 換，求得原先之^y值。

eY

e y = L

(9)

第三節 第三節 第三節

第三節 灰預測 灰預測 灰預測 灰預測

灰色預測理論係由鄧聚龍教授於 1981 年學術會議中，首次使用「灰色系統 (Grey System)」。次年於國際雜誌中，針對系統模型之不明確性與資訊之不完整 性的狀況下，進行關於系統的關聯分析(Relational Analysis)及模型建構(Model Construction)，並藉著預測(Prediction)及決策(Decision Making)的方法來探討及 了解系統的情況。灰色預測是以 GM(1,1)模型為基礎，即一階微分且一個輸入 變數之模式，其主要的優點是所需的數據不需太多與方程式較為簡單，在不同 系統下建立模式時，其最佳之建模點數亦不相同，但最少包含兩點建模。

灰預測模型通常以 GM(h,N)表之，其中 h 代表微分階數，N 則是代表變數 數目，而 GM(1,1)的一階微分且一個輸入變數，因此以下簡單介紹此模型之推 導過程，首先根據灰色系統理論的定義，GM(h,N)模型的灰微分方程式定義為：

∑

∑

=

=

=

N

j

j i j

h i

i

i b x k

dt x a d

2 ) 1 ( )

( ) 1 ( 1 ) (

0

) (

(10)

其 中 a 、^{i bj} 表 係 數 ， a^o

=1 ， x₁⁽¹⁾(k) 表 標 準 序 列 ， x⁽_j¹⁾(k)

表 比 較 序 列 ，



 





=

∑ ∑ ∑

=

=

=

) ( ,

), ( ),

(

n

1 ) 0 ( 2

1 ) 0 ( 1

1 ) 0 ( )

1

( x k x k x k

x

k k

k

L

。由(10)式中代入 h=1 及 N=2，可得到 GM(1,1)模型的灰微分方程式為：

2 ) 1 ( 1 1 ) 1 (

1 a x b

dt

dx + =

(11) 再根據 GM 模型的推導：

一、 dt dx₁⁽¹⁾

可轉化成前後項的差， ₁⁽¹⁾( 1) ₁⁽¹⁾( )

) 1 (

1 x k x k

dt

dx → + −

。

二、而經由逆累加運算(IAGO)，得知x₁⁽¹⁾(k+1)−x₁⁽¹⁾(k)=x₁⁽⁰⁾(k+1)。 三、再由背景值x₁⁽¹⁾(t)的定義，x₁⁽¹⁾(t)→0.5x₁⁽¹⁾(k)+0.5x₁⁽¹⁾(k−1)=z₁⁽¹⁾(k)

。 綜合上述，可得到 GM(1,1)模型的灰差分方程式為：

2 )

1 ( 1 1 )

0 (

1 (k) a z (k) b

x + =

(12) 亦即具有一階微分及一個變量的灰色模型，即稱為 GM(1,1)模型。(12)式稱 為源模型，從數學的觀點而言，是利用序列建立近似的微分方程。通過非數學 手段用這種關係取代另一種關係稱為「白化」，GM(1,1)的白化模型，便是 GM(1,1) 源模型的白化，因此由前得知 GM(1,1)源模型為：

b k az k

x⁽⁰⁾( )+ ⁽¹⁾( ) = (13) (13)式雖然近似滿足微分方程式構成條件，但畢竟不是真正的微分方程，不 能對一個時間歷程作連續的分析與預測，因此以一般微分方程(14)式取代預測的 GM(1,1)源模型(13)式，所以稱(14)式為 GM(1,1)源模型的白化方程模型或影子 (shadow)方程。

b dt ax

dx + ⁽¹⁾ =

) 1 (

(14)