什么是活體檢測
隨著人臉識別、人臉解鎖等技術(shù)在金融、門禁、考勤、人證合一等日常生活中的廣泛應(yīng)用，人臉防偽/活體檢測技術(shù)在近年來得到了越來越多的關(guān)注。
簡單來說，活體檢測就是要識別出成像設(shè)備（攝像頭等）上檢測到的人臉圖像是來自真實(shí)的人臉，還是某種形式的攻擊。這些攻擊形式主要包括照片（包括紙質(zhì)照片、平板等電子設(shè)備上的照片）攻擊、視頻回放攻擊、面具攻擊等。
活體檢測技術(shù)類型
活體檢測包括普通彩色（RGB）攝像頭上的檢測，也包括紅外攝像頭、三維深度攝像頭上的檢測。后面兩種相對容易實(shí)現(xiàn)，這里主要討論普通RGB攝像頭上的活體檢測。
動作活體檢測的方式具有很高的安全性，但要求用戶配合做幾個(gè)動作，因此體驗(yàn)不好?，F(xiàn)在的活體檢測不需要用戶動作配合，被稱作靜默活體檢測。 此外，活體檢測要求實(shí)時(shí)完成，在不超過1秒，在300毫秒內(nèi)完成識別。
活體檢測算法
現(xiàn)在主流的活體識別算法基本可以分為兩種類型。個(gè)類型使用特定的某種物理特征，或多種物理特征的融合，通過深度學(xué)習(xí)方面的訓(xùn)練分類器，來區(qū)分是活體，還是攻擊（或者是哪種形式的攻擊）。
另一個(gè)方式是使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）的方法，直接在RGB圖像（或者轉(zhuǎn)換到其它色度空間）上使用深度神經(jīng)網(wǎng)絡(luò)來提取特征，后通過分類器來區(qū)分是活體還是非活體。為了提取時(shí)間上多幀而不是單幀的信息，也可以結(jié)合使用RNN的方法。
CNN的方法能達(dá)到很好的效果，但通常比較耗時(shí)，不能滿足實(shí)際應(yīng)用中嵌入式設(shè)備的實(shí)時(shí)識別的要求。而且，當(dāng)物理特征挑選使用恰當(dāng)時(shí)，種方法能夠達(dá)到非常好、甚至超越CNN的效果。
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(yùn)動特征、圖像質(zhì)量特征等，此外，還包括心跳特征等。其中紋理特征包括很多，但主流的是LBP、HOG、LPQ等。顏色特征除了RGB之外，學(xué)術(shù)界發(fā)現(xiàn)HSV或YCbCr具有更好的區(qū)分活體非活體的性能，被廣泛用作不同的紋理特征上。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(yīng)。運(yùn)動特征提取目標(biāo)在不同時(shí)間上的變化，是一個(gè)有效的辦法，但通常耗時(shí)較久，達(dá)不到實(shí)時(shí)的要求。圖像質(zhì)量特征有很多描述方式，比如反射、散射、邊緣或形狀等。
神目活體檢測算法優(yōu)勢
經(jīng)過多種算法的比較，我們的活體檢測選用了多種物理特征融合加上分類器的算法。我們的計(jì)算優(yōu)勢體現(xiàn)在以下幾個(gè)方面。
1） 我們的物理特征選用了上面描述的其中幾種，涵蓋了紋理特征、顏色、頻譜特征、圖像質(zhì)量特征，和可選的運(yùn)動特征。
2） 我們研究了幾種融合方式：i)在特征上進(jìn)行融合；ii）在自動編碼器（auto encoder）上進(jìn)行融合；iii）在分類得分上融合。我們選用了準(zhǔn)確率高，易用性好，速度快的方法。
3） 我們使用的分類器算法超越傳統(tǒng)的支持向量機(jī)（SVM）算法，使用了深度學(xué)習(xí)方法，比如center loss。
算法經(jīng)過優(yōu)化之后，可以有效提取各種攝像頭上的活體和非活體的不同響應(yīng)。根據(jù)我們在多個(gè)主流廠家攝像頭的測試結(jié)果表明，識別準(zhǔn)確率達(dá)到99%以上。同時(shí)，實(shí)時(shí)性能優(yōu)異，能在300毫秒內(nèi)快速完成識別。
當(dāng)然，泛化性能對所有活體識別來說都是一個(gè)挑戰(zhàn)，這需要采集海量的數(shù)據(jù)來進(jìn)行訓(xùn)練，涵蓋市面上主要的攝像頭型號。我們希望聯(lián)合平臺的所有關(guān)注者，在使用我們的SDK同時(shí)，分享你們能獲取的活體、非活體照片，以便于我們進(jìn)一步優(yōu)化我們算法的準(zhǔn)確率。
會員1.png)