人脸识别检测系统实现原理 基于传统特征的世纪晟静默活体检测

过去一年与以往几年相比，在方法和技术层面的一个核心趋势是：人脸识别相关技术已经全面深度化。

一般的人脸识别检测流程

(1)人脸检测
在人脸检测方面，目前主流的方法是通用目标检测中的R-CNN等这类方法。人脸检测曾被认为是一个已经解决的问题，事实上并不是，在人脸分辨率极低、姿态很大、背光、偏光、极低照度等恶劣光照条件下，还是会有很多漏检。
(2)人脸关键点检测
对于第二个步骤，即特征点定位，我们感觉去年的一个趋势是从过去流行的基于深度特征学习的Cascaded Shape Regression策略，到引入RNN这样的循环神经网络策略。主流的方法仍然是采用各种深度卷积神经网络（DCNN），特别是ResNet，来学习更有判别力的特征。
(3) 处理信息
通过关键点拿到有关人脸的信息，直接绘制人脸的轮廓

人脸检测是人脸识别的第一步。随着人工智能技术的逐渐成熟，人脸识别的商业化应用越来越多，然而在安全概念上却都存在很大的局限性。事实上，人脸识别的下一个科技爆发点将是广泛的利用生物识别，但如何低成本的遏制恶意利用仿真头套、全息投影等方式破解人脸识别。活体检测在无人值守场景下的人脸识别商业应用中显得至关重要。

基于传统特征实现的静默活体检测技术

静默活体检测与动态活体检测相反，主要是在没有眨眼、张嘴、数数等一系列的动作配合下来判断到底是不是一个真活人，不仅技术上实现难度更高，在实际应用中对准确性要求也更高，提高准确度。

静默活体检测主要特性：

1) 速度快：无需动作指令配合，能够在更短时间内出结果；
2) 自然性好：不论是在有意识和无意识的情况下，均不影响检测结果，不同与步态识别可以有意识的后天模仿和改变；
3) 简单方便：无需携带卡,识别速度快，操作简单便捷；
4) 非接触性：无需接触设备，不用担心病毒的接触性传染，既卫生，又安全。

基于PCA和SURF的活体检测
（1）检测系统实现原理：
传统特征有LBP、SIFT、SURF、HOG等，这里我们使用了SURF，计算生成特征描述子，并利用PCA将这些特征描述子投影到主成分，然后利用GMM进行主成分编码，得到一个长度为76800的特征码，最后送入SVM二分类。
（2）基于PCA和SURF的活体检测

基于传统图像处理特征算子的方法在实际应用和测试过程中，或多或少的都会受到光线、角度和距离等不可抗因素的影响，所以我们在算法实际设计过程中做了相关改进，如引入PCA主成分分析，以及加入LBP特征，实现双重特征的重检，以增加算法的鲁棒性能。
目前，基于PCA技术的静默活体检测系统（IOS版）的主要目的，便是在提高用户体验感的前提下实现人脸识别活体检测的配合，并提供最佳的活体检测方案。在活体检测方案，世纪晟科技一直在不断努力，在拥有自主核心算法的三维人脸检活识别技术之后又推出了世纪晟静默活体检测技术，基于传统特征的世纪晟静默活体检测在未来落地应用上还将拥有更大的优势。