人脸识别方法 人脸识别活体检测的一些方法

活体检测中的人脸识别

在生物特征识别系统中，为了防止恶意者伪造和窃取他人的生物特征进行身份认证，生物特征识别系统需要具备活体检测的功能，即判断提交的生物特征识别是否来自活体个体。

通常，生物特征的活体检测技术利用人的生理特征。比如活体指纹检测可以基于手指温度、汗液、电导率等信息；活体人脸检测可以基于头部运动、呼吸、红眼效应等信息；活体虹膜检测可以基于虹膜颤动特征、睫毛和眼睑运动信息、瞳孔收缩和扩张对可见光光源强度的响应特征等。

随着人脸识别技术的成熟，其商业应用越来越广泛。然而，通过照片和视频的方式复制人脸是很容易的。因此，伪造合法用户的人脸是对人脸识别和认证系统安全的重要威胁。目前，基于动态视频人脸检测、人脸眨眼、热红外和可见光人脸相关的活体检测方法已经取得了一些进展。

体内检测行动指南

为了防止恶意者伪造和窃取他人的生物特征进行身份认证，生物特征识别系统需要具备活体检测功能，即判断提交的生物特征是否来自活体个体。

一般来说，活体检测技术利用人的生理特征。比如活体指纹检测可以基于手指温度、汗液、电导率等信息；活体人脸检测可以基于头部运动、呼吸、红眼效应等信息；活体虹膜检测可以基于虹膜颤动特征、睫毛和眼睑运动信息、瞳孔收缩和扩张对可见光光源强度的响应特征等。

目前人脸识别技术中流行的活体检测技术一般采用指令动作协调的方式，如左转、右转、张口、眨眼等。指令配合错误的，视为伪造、欺骗。

人脸识别技术还需要突破“时间空”(时间和空，这是天成叶盛公司的原创理念)。无论是拍真人还是通过相机拍照片，最终的结果都是二维画面，很难判断相机是真人还是照片。另外，对于双胞胎和整容群体，人脸识别还需要进一步研究。归根结底，人脸识别是基于人的判断标准，利用深度神经网络和计算机技术从人脸图像中提取有效的识别特征进行身份判断。人们很难用肉眼判断，用目前的技术和理论很难做出正确的识别。

活体近红外人脸检测

近红外人脸活体检测主要基于光流法。

近红外人脸活体检测不需要指令配合，检测成功率高。光流法利用图像序列中像素强度数据的时域变化和相关性来确定每个像素位置的“运动”，从图像序列中获取每个像素点的运行信息。通过高斯差分滤波、LBP特征和支持向量机对数据进行统计分析。同时，光流场对物体的运动很敏感，利用光流场可以统一检测眼球运动和眨眼。这种活体检测的方法，不需要用户配合就可以实现盲检测。

活体

画

从上面两张对比图片可以看出，活体的光流特征是不规则的矢量特征，而照片的光流特征是规则的矢量特征，这样就可以区分活体和照片。

3D人脸检测

使用3D相机拍摄人脸，获取人脸区域对应的3D数据，并基于这些数据进行进一步分析，最终判断人脸是来自活体还是非活体。非生物来源广泛，包括手机、pad等媒体的照片和视频，以及各种不同材质的打印照片(包括折弯、折叠、切割、挖洞等)。

基于活体和非活体的三维人脸数据，通过选择最有区别的特征来训练分类器，并利用训练好的分类器来区分活体和非活体。特征选择很重要。这里选择的特征既包含全局信息，也包含局部信息，有利于算法的稳定性和鲁棒性。

以下是3D人脸检测原理的几个步骤:

首先，我们提取了活体和非活体人脸区域的256个特征点的三维信息，并对这些点之间的几何结构关系进行了初部的分析处理；其次，我们提取了整个人脸区域的三维信息，并对相应的特征点做进一步的处理，再采用协调训练Co-training的方法训练了正负样本数据，之后利用得到的分类器进行了初分类；最后，利用以上两个步骤所提取的特征点进行曲面的拟合来描述三维模型特征，然后根据曲面的曲率从深度图像中提取凸起区域，再对每个区域提取EGI特征，最后利用其球形相关度进行再分类识别。