三種活體檢測方式分析

人臉識別活體檢測

在生物識別系統(tǒng)中，為防止惡意者偽造和竊取他人的生物特征用于身份認(rèn)證，生物識別系統(tǒng)需具有活體檢測功能，即判斷提交的生物特征是否來自有生命的個體。

一般生物特征的活體檢測技術(shù)利用的是人們的生理特征，例如活體指紋檢測可以基于手指的溫度、排汗、導(dǎo)電性能等信息，活體人臉檢測可以基于頭部的移動、呼吸、紅眼效應(yīng)等信息，活體虹膜檢測可以基于虹膜振顫特性、睫毛和眼皮的運(yùn)動信息、瞳孔對可見光源強(qiáng)度的收縮擴(kuò)張反應(yīng)特性等。

隨著人臉識別技術(shù)日趨成熟，商業(yè)化應(yīng)用愈加廣泛，然而人臉極易用照片、視頻等方式進(jìn)行復(fù)制,因此對合法用戶人臉的假冒是人臉識別與認(rèn)證系統(tǒng)安全的重要威脅。目前基于動態(tài)視頻人臉檢測、人臉眨眼、熱紅外與可見光人臉關(guān)聯(lián)等領(lǐng)先業(yè)界的活體檢測方法，已經(jīng)取得了一定的進(jìn)步。

動作指令活體檢測

為防止惡意者偽造和竊取他人的生物特征用于身份認(rèn)證，生物識別系統(tǒng)需具有活體檢測功能，即判斷提交的生物特征是否來自有生命的個體。

一般活體檢測技術(shù)利用的是人們的生理特征，例如活體指紋檢測可以基于手指的溫度、排汗、導(dǎo)電性能等信息，活體人臉檢測可以基于頭部的移動、呼吸、紅眼效應(yīng)等信息，活體虹膜檢測可以基于虹膜振顫特性、睫毛和眼皮的運(yùn)動信息、瞳孔對可見光源強(qiáng)度的收縮擴(kuò)張反應(yīng)特性等。

目前，人臉識別技術(shù)通行的活體檢測技術(shù)一般采用指令動作配合的方式，如人臉左轉(zhuǎn)、右轉(zhuǎn)、張嘴、眨眼等，指令配合錯誤則認(rèn)為是偽造欺騙。

人臉識別技術(shù)對于活體檢測的研究仍然需要“時空”（時間和空間，是天誠盛業(yè)公司獨(dú)創(chuàng)的概念）的突破。無論是通過攝像頭拍攝真人還是照片，最終得到的都是一張二維圖片，因此對于攝像頭前是真人還是一張照片，目前的人臉識別技術(shù)難以判斷。另外，人臉識別對于雙胞胎、整容這類群體的識別也有待深入研究。人臉識別歸根結(jié)底是按照人的判斷標(biāo)準(zhǔn)，利用深度神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)技術(shù)，從人臉圖像中提取有效的識別特征進(jìn)行身份判斷。人通過肉眼都難以判斷的情況下，以目前的技術(shù)和理論，還難以做出正確的識別。

近紅外人臉活體檢測

近紅外人臉活體檢測主要是基于光流法而實(shí)現(xiàn)。

近紅外人臉活體檢測無需指令配合，檢測成功率較高。根據(jù)光流法，利用圖像序列中的像素強(qiáng)度數(shù)據(jù)的時域變化和相關(guān)性來確定各自像素位置的“運(yùn)動”，從圖像序列中得到各個像素點(diǎn)的運(yùn)行信息，采用高斯差分濾波器、LBP特征和支持向量機(jī)進(jìn)行數(shù)據(jù)統(tǒng)計(jì)分析。同時，光流場對物體運(yùn)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(shí)現(xiàn)盲測。

活體

照片

由以上兩張對比圖可以看出，活體的光流特征，顯示為不規(guī)則的向量特征，而照片的光流特征，則是規(guī)則有序的向量特征，以此即可區(qū)分活體和照片。

3D人臉檢活

利用3D攝像頭拍攝人臉,得到相應(yīng)的人臉區(qū)域的3D數(shù)據(jù),并基于這些數(shù)據(jù)做進(jìn)一步的分析, 最終判斷出這個人臉是來自活體還是非活體。這里非活體的來源是比較廣泛的,包括手機(jī)和Pad等介質(zhì)的照片和視頻、各種打印的不同材質(zhì)的照片（這里包含各種情形的彎曲、折疊、剪裁、挖洞等情形）等。

基于活體和非活體的3D人臉數(shù)據(jù)，選擇最具有區(qū)分度的特征來訓(xùn)練分類器，利用訓(xùn)練好的分類器來區(qū)分活體和非活體。特征的選擇是至關(guān)重要的，這里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，這樣的特征有利于算法的穩(wěn)定性和魯棒性。

下面是3D人臉檢活原理的幾個步驟：

首先，我們提取了活體和非活體人臉區(qū)域的256個特征點(diǎn)的三維信息，并對這些點(diǎn)之間的幾何結(jié)構(gòu)關(guān)系進(jìn)行了初部的分析處理；

其次，我們提取了整個人臉區(qū)域的三維信息，并對相應(yīng)的特征點(diǎn)做進(jìn)一步的處理，再采用協(xié)調(diào)訓(xùn)練Co-training的方法訓(xùn)練了正負(fù)樣本數(shù)據(jù)，之后利用得到的分類器進(jìn)行了初分類；

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