未經(jīng)同意，不得轉(zhuǎn)載

人臉活體檢測（Face Anti-spoofing），在人臉識別前判斷當(dāng)前輸入的人臉是否是真人，可以有效防止欺騙攻擊。

一、Spoofing方式

1. 照片：打印的彩色人臉照片；
2. 視頻：錄制的一段人臉視頻；
3. 3D面具：3D打印人的頭部模型

二、Face Anti-spoofing方法

人臉活體檢測本質(zhì)可以理解為真假人臉的二分類問題，基本的方法有：

1. 基于紋理特征

利用真假人臉在紋理細節(jié)上的差異，提取人臉的LBP，DoG和SURF等特征，訓(xùn)練一個二分類的分類器如SVM，LDA。
存在問題：
（1）對光照和相機條件比較敏感；
（2）魯棒性較差。

2. 基于運動信息

從視頻中提取人臉區(qū)域的特定運動信息判斷真假人臉，利用用戶的眨眼、嘴部運動，點頭搖頭等信息進行判斷。
存在問題：
（1）需要用戶配合
（2）多用于金融安全身份驗證，對實時門禁系統(tǒng)不太適用

3. 基于深度學(xué)習(xí)

利用深度學(xué)習(xí)網(wǎng)絡(luò)如CNN、RNN等訓(xùn)練判斷真假人臉的二分類網(wǎng)絡(luò)模型。
存在問題：
（1）容易過擬合，目前數(shù)據(jù)集種類有限，難以覆蓋spoofing的方式；
（2）domain shift問題。實際測試場景往往非可控，測試集和訓(xùn)練集分布有很大差異，這時候就會出現(xiàn)過擬合問題，模型在測試集上效果不理想。

4. 借助輔助設(shè)備

利用近紅外成像技術(shù)，選取兩個波段結(jié)合可見光成像進行人臉偽裝檢測。
存在問題：
（1）對采集條件要求比較嚴格，成本高于普通可見光系統(tǒng)。

三、數(shù)據(jù)集

人臉活體檢測數(shù)據(jù)集.png

• NUAA: http://parnec.nuaa.edu.cn/xtan/data/nuaaimposterdb.html
• http://parnec.nuaa.edu.cn/xtan/NUAAImposterDB_download.html
• Replay-Attack dataset: https://www.idiap.ch/dataset/replayattack
• CASIA Face Anti-Spoofing Database: http://www.cbsr.ia.ac.cn/english/FaceAntiSpoofDatabases.asp
• MSU Mobile Face Spoofing Database (MSU MFSD): http://biometrics.cse.msu.edu/Publications/Databases/MSUMobileFaceSpoofing/index.htm#Download_instructions

四、基于HSV + YCrCb顏色特征訓(xùn)練簡單的CNN模型

項目地址：https://github.com/Oreobird/Face-Anti-Spoofing
基于tensorflow keras實現(xiàn)，網(wǎng)絡(luò)模型比較簡單，如下圖所示，多輸入單輸出，對人臉圖像轉(zhuǎn)換為HSV和YCrCb顏色空間，分別輸入到VGG16提取特征，將兩者融合后，再加入幾層全連接，最終以softmax輸出真假人臉的分類概率。模型的訓(xùn)練與測試都封裝在models.py文件的FasNet類中。

image