通過對(duì)目前可以找到的開源活體檢測(cè)項(xiàng)目進(jìn)行調(diào)研后，找到一個(gè)合適的工程，該工程使用的是caffe進(jìn)行建模，主要使用的是opencv來進(jìn)行活體檢測(cè)。目前有許多活體檢測(cè)方法，包括：

- 紋理分析（Texture analysis），包括計(jì)算面部區(qū)域上的局部二進(jìn)制模式（LBP）并使用SVM將面部分類為真臉或假臉；

- 頻率分析（Frequency analysis），例如檢查面部的傅里葉域；

- 可變聚焦分析（ariable focusing analysis），例如檢查兩個(gè)連續(xù)幀之間的像素值的變化；

- 基于啟發(fā)式的算法（Heuristic-based algorithms），包括眼球運(yùn)動(dòng)、嘴唇運(yùn)動(dòng)和眨眼檢測(cè)；

- 光流算法（Optical Flow algorithms），即檢查從3D對(duì)象和2D平面生成的光流的差異和屬性；

- 3D臉部形狀，類似于Apple的iPhone臉部識(shí)別系統(tǒng)所使用的臉部形狀，使臉部識(shí)別系統(tǒng)能夠區(qū)分真人臉部和其他人的打印輸出的照片圖像；

? --------------------------------------------------------------------------------------------------------------------------------------

? ?? ? 我們目前所找到的工程采用圖像處理中常用方法——卷積神經(jīng)網(wǎng)絡(luò)（CNN）來構(gòu)建一個(gè)能夠區(qū)分真實(shí)面部和假面部的深度神經(jīng)網(wǎng)絡(luò)（稱之為“LivenessNet”網(wǎng)絡(luò)），將活體檢測(cè)視為二元分類問題。側(cè)重于區(qū)分真實(shí)面孔與屏幕上的欺騙面孔。且該算法可以很容易地?cái)U(kuò)展到其他類型的欺騙面孔，包括打印輸出、高分辨率打印等。

? ? 目前在跑通該項(xiàng)目的過程中已經(jīng)可以很熟練的進(jìn)行數(shù)據(jù)采集，數(shù)據(jù)訓(xùn)練，以及效果展示，該模型的特點(diǎn)是輕便，對(duì)數(shù)據(jù)的要求不高，很容易采集到測(cè)試訓(xùn)練數(shù)據(jù)，很輕便易與粘合，適合后續(xù)開發(fā)。