人臉識別系統(tǒng)需具備活體檢測功能 以判斷提交的人臉特征

人臉識別技術日趨成熟，商業(yè)化應用愈加廣泛。然而，人臉卻極易通過照片、視頻，甚至仿真模具等方式進行復制，通過提前準備這些“道具”，惡意者試圖在識別過程中進行偽裝，以圖通過驗證，達到非法入侵的目的。為防止惡意者偽造或竊取他人的人臉特征用于身份認證，人臉識別系統(tǒng)需具備活體檢測功能，以判斷提交的人臉特征是否來自有生命的真實個體。

人臉活體檢測的基本原理

人臉門禁的基本功能是人臉驗證（FaceVerification），而活體檢測屬于人臉防偽技術（FaceAnti-Spoofing）。人臉驗證和人臉防偽，兩種技術各有側重。

人臉驗證：人臉驗證是判斷兩個人臉圖是否為同一個人的算法，即通過人臉比對獲得兩個人臉特征的相似度，然后與預設的閾值比較，相似度大于閾值，則為同一人，反之則不同。這是近年來一個非常熱門的研究方向，也產生了一大批算法模型和損失函數(shù)。

人臉防偽：用戶刷臉的時候，算法要甄別這張臉是不是真人活體臉，而對于照片、視頻和假體面具等攻擊行為，算法應該予以拒絕。

1、照片攻擊與活體檢測

照片是最簡單的攻擊方式，利用社交媒體，例如微信朋友圈或微博，可以輕而易舉地獲得相關人員的照片。但照片畢竟是靜態(tài)的，不能做出眨眼、張嘴、轉頭等動作。利用這個特點，活體檢測系統(tǒng)可以下達幾個動作指令，通過對被檢測人員的動作符合性判斷，就可以實現(xiàn)交互式的動作活體檢測。

為了對付動作活體檢測，有攻擊者改進照片偽裝，按真人尺寸打印另外一個人的照片，在照片的眼睛和嘴巴部位鏤空，貼在臉上，露出眼睛和嘴巴。按照活體檢測系統(tǒng)的指令，執(zhí)行眨眼、張嘴、轉頭等動作。但是，這種偽造的效果與真實人臉實際的運動情況相去甚遠，很容易被檢測算法識別。

2、視頻攻擊與活體檢測

視頻攻擊則是將另一人的動作錄成視頻，對著檢測系統(tǒng)播放。但是，播放器的屏幕通過攝像頭成像，其人臉的畫面與真人也存在較大差別，最明顯的就是存在摩爾紋、反光、倒影、畫質模糊、失真等特點，十分容易甄別。更何況，播放的視頻與動作指令也存在不合拍的問題。

3、假體攻擊與活體檢測

假體攻擊就是做一個與真人相似的立體面具，這種方式解決了照片和視頻播放的平面性缺陷。假體有很多種，最普通的是塑料或者硬紙做成的面具，成本低廉，但材質相似度極低，用普通紋理特征就可以識別出來。高級一點的有硅膠、乳膠以及3D打印的的立體面具，這類面具的表觀與皮膚接近，但材料的表面反射率和真實人臉還是存在差異，因此在成像上仍然有差別。

人臉門禁活體檢測的常用方法

動作活體檢測的方式具有很高的安全性，但要求用戶配合做指定動作，因此實際用戶體驗較差。為了實現(xiàn)無感通行的效果，人臉門禁很少采用響應指令的動作活體檢測，通常基于圖像和光學效果的差別實施活體甄別。

1、普通攝像頭活體檢測

雖然沒有配合指令的動作響應，但真實的人臉也不是絕對靜止的，總有一些微表情的存在，比如眼皮和眼球的律動、眨眼、嘴唇及其周邊面頰的伸縮等。同時，真實人臉與紙片、屏幕、立體面具等攻擊媒介的反射特性不同，所以成像也不同。宇視配合基于摩爾紋、反光、倒影、紋理等特征的檢測，檢測系統(tǒng)可以輕松的對付照片、視頻、假體的攻擊。

利用特定的某種物理特征，或多種物理特征的融合，我們可以通過深度學習訓練神經網絡分類器，以區(qū)分是活體，還是攻擊。活體檢測中的物理特征主要分為紋理特征、顏色特征、頻譜特征、運動特征、圖像質量特征，此外，還包括心跳特征等。

紋理特征包括很多，但最主流的是LBP、HOG、LPQ等。

顏色特征除了RGB之外，學術界發(fā)現(xiàn)HSV或YCbCr具有更好的區(qū)分活體非活體的性能，被廣泛用于不同的紋理特征上。

頻譜特征的原理是活體、非活體在某些頻段具有不同的響應。

運動特征提取目標在不同時間上的變化，是一個有效的辦法，但通常耗時較久，達不到實時的要求。

圖像質量特征有很多描述方式，比如反射、散射、邊緣或形狀等。

2、紅外攝像頭活體檢測

紅外人臉活體檢測主要是基于光流法而實現(xiàn)。光流法是利用圖像序列中的像素強度數(shù)據的時域變化和相關性來確定各像素位置的“運動”，即從圖像序列中得到各個像素點的運行信息，采用高斯差分濾波器、LBP特征和支持向量機進行數(shù)據統(tǒng)計分析。

同時，光流場對物體運動比較敏感，利用光流場可以統(tǒng)一檢測眼球移動和眨眼。這種活體檢測方式可以在用戶無配合的情況下實現(xiàn)盲測。

從上述兩張圖的對比可以看出，活體人臉的光流特征顯示為不規(guī)則的向量特征，而照片人臉的光流特征則是規(guī)則有序的向量特征，以此即可區(qū)分活體和照片。

3、3D攝像頭活體檢測

通過3D攝像頭拍攝人臉，獲取相應的人臉區(qū)域的3D數(shù)據，基于這些數(shù)據，選擇最具有區(qū)分度的特征來訓練神經網絡分類器，最終利用訓練好的分類器區(qū)分活體和非活體。特征的選擇至關重要，我們選擇的特征既包含了全局的信息，也包含了局部的信息，這樣的選擇有利于算法的穩(wěn)定性和魯棒性。

3D人臉活體檢測分為以下3個步驟：

首先，提取活體和非活體人臉區(qū)域的N個（推薦256個）特征點的三維信息，對這些點之間的幾何結構關系進行初步的分析處理;

其次，提取整個人臉區(qū)域的三維信息，對相應的特征點做進一步的處理，再采用協(xié)調訓練Co-training的方法訓練正負樣本數(shù)據，利用得到的分類器進行初分類;

最后，利用以上兩個步驟所提取的特征點進行曲面的擬合來描述三維模型特征，根據曲面的曲率從深度圖像中提取凸起區(qū)域，對每個區(qū)域提取EGI特征，然后利用其球形相關度進行再分類識別。

結語

活體檢測是人臉門禁系統(tǒng)的必備技術，準確率可達99%以上，廣受客戶好評。在身份認證和無感通行日益普及的今天，活體檢測為大眾的工作和生活提供更多的安全保障