活体检测
活体检测-，他们是人脸识别中最重要的一部分，为了防止照片攻击。下面介绍自己应用的两种方案。
下面的眨眼和张嘴，摇头和点头，都是通过连续的图片，计算变化距离与不变距离的比，进行上一帧图像与下一帧图像的比，来判断是否为活体。这里用的是dlib，速度很快，可以做到实施检测，每秒20帧是可以做到的。
眨眼和张嘴
这个是根据相关论文来的，可以延伸到张嘴检测。
首先说眨眼检测
公式为
下面介绍张嘴检测，见下图。模仿眨眼，取点的时候需要注意，内圈的点变化更加明显。变化距离建议取内圈，固定距离选用外圈
公式为
摇头与点头
摇头和点头的方法近视，用到一和上面的想法几乎一样。
首先说摇头，当摇头的时候，你的脸颊会变窄，而你的鼻子长度几乎是不变的。
公式为
点头的时候，鼻子的距离会变短，而脸颊的会几乎不会边窄。
公式为
防止照片攻击
用到的技术很简单，就是图像哈希算法。
过程是这样的。
1、通过摄像头检测常见，如果没有人脸，保存当前的背景图片。
2、如果5分钟内没有检测到人脸，用现在时间的场景图像代替内存中的图像。看作5分钟内场景内的光线变化不大。
3、如果检测人脸目标，随机截取背景图片，同时截取内存中对应位置的图像。两者进行哈希图像运算，比较两者的汗名距离。
4、关于随机截取多少个图像，和多大。这个要根据本地服务性能来决定。我设计的用了7个截图。
其他--关于哈系图像的比较
平均哈希
1.图片缩放，一般为8*8，或者32*32
2.将图片灰度化
3.求平均值，并根据平均值将每一个像素二值化
4.将8*8=64位bit，每8个比特为一个十六进制值，转换成字符串，生成哈希值（指纹）
感知哈希
1.图片缩放 为32*32大小
2.将图片灰度化
3.对图片进行离散余弦变换（DCT），转换的频域
4.取频域左上角8*8大小（图片的能量都集中在低频部分，低频位于左上角）
5.计算平均值，并根据平均值二值化（同平均哈希）
6.生成哈希值
差异值哈希
1.图片缩放为9*8大小
2.将图片灰度化
3.差异值计算（每行相邻像素的差值，这样会生成8*8的差值，前一个像素大于后一个像素则为1，否则为0）
4.生成哈希值
计算距离
生成每一个图片的哈希值后，需要计算哈希值的距离，来判断两张图片的相似度。一般使用汉明距离，也就是逐位计算两张图片的哈希值是否相同。
import cv2
import numpy as np
import time
#均值哈希算法
def aHash(img):
#缩放为8*8
img=cv2.resize(img,(8,8),interpolation=cv2.INTER_CUBIC)
#转换为灰度图
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#s为像素和初值为0，hash_str为hash值初值为''
#求平均灰度
#遍历累加求像素和
gray_mean=np.mean(gray)
#灰度大于平均值为1相反为0生成图片的hash值
hash_value = np.where(gray => gray_mean,1,0).flatten()
return hash_value.tolist()
#差值算法
def dHash(img):
#缩放8*8
img=cv2.resize(img,(9,8),interpolation=cv2.INTER_CUBIC)
#转换灰度图
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
hash_value=[]
#每行前一个像素大于后一个像素为1，相反为0，生成哈希
for i in range(8):
tmp = np.where(gray[:,i]=>gray[:,i+1],1,0)
hash_value.extend(tmp)
return hash_value
# 感知哈希
def pHash(imgfile):
img_list=[]
#加载并调整图片为32x32灰度图片
img=cv2.imread(imgfile, 0)
img=cv2.resize(img,(64,64),interpolation=cv2.INTER_CUBIC)
img = np.float32(img)
#二维Dct变换
vis1 = cv2.dct(vis0)[:8,:8]
img_mean = np.mean(vis1)
#计算均值
hash_Value = np.where(vis1 >= img_neam,1,0).flatten()
return hash_value
def hammingDist(v1, v2):
assert len(v1) == len(v2)
return 1 - np.sum(v1==v2)/64
if __name__ == '__main__':
img1 = cv2.imread("F:\\Humpback Whale\\phash\\4.jpg")
img2 = cv2.imread("F:\\Humpback Whale\\phash\\2d6610b9.jpg")
time1 = time.time()
hash1 = aHash(img1)
hash2 = aHash(img2)
n = cmpHash(hash1, hash2)
print('均值哈希算法相似度：', n, "-----time=", (time.time() - time1))
time1 = time.time()
hash1 = dHash(img1)
hash2 = dHash(img2)
n = cmpHash(hash1, hash2)
print('差值哈希算法相似度：', n, "-----time=", (time.time() - time1))
time1 = time.time()
HASH1=pHash("F:\\Humpback Whale\\phash\\4.jpg")
HASH2=pHash("F:\\Humpback Whale\\phash\\2d6610b9.jpg")
out_score = hammingDist(HASH1,HASH2)
print('感知哈希算法相似度：', out_score, "-----time=", (time.time() - time1))
并做了一些实验，来比较三种哈希的特点：
1.同一张图片
均值哈希算法相似度： 1.0 -----time= 0.0
差值哈希算法相似度： 1.0 -----time= 0.0
感知哈希算法相似度： 1.0 -----time= 0.031249523162841797
2.图片resize成其他大小
均值哈希算法相似度： 0.890625 -----time= 0.0
差值哈希算法相似度： 0.859375 -----time= 0.0
感知哈希算法相似度： 0.921875 -----time= 0.03124713897705078
3.改变图片亮度
均值哈希算法相似度： 0.984375 -----time= 0.0
差值哈希算法相似度： 0.9375 -----time= 0.0
感知哈希算法相似度： 0.95703125 -----time= 0.0312497615814209
4. 改变图片对比度
均值哈希算法相似度： 1.0 -----time= 0.0
差值哈希算法相似度： 1.0 -----time= 0.0
感知哈希算法相似度： 0.8828125 -----time= 0.04687380790710449
5.改变图片锐度
均值哈希算法相似度： 0.984375 -----time= 0.0
差值哈希算法相似度： 0.890625 -----time= 0.0
感知哈希算法相似度： 0.94921875 -----time= 0.031252145767211914
6.色度增强
均值哈希算法相似度： 1.0 -----time= 0.015625715255737305
差值哈希算法相似度： 0.984375 -----time= 0.0
感知哈希算法相似度： 0.99609375 -----time= 0.0312497615814209
7.图片旋转
均值哈希算法相似度： 0.484375 -----time= 0.0
差值哈希算法相似度： 0.46875 -----time= 0.0
感知哈希算法相似度： 0.4609375 -----time= 0.031249046325683594
均值哈希算法相似度： 0.375 -----time= 0.0
差值哈希算法相似度： 0.515625 -----time= 0.0
感知哈希算法相似度： 0.62890625 -----time= 0.03132271766662598
从上面的实验结果可以得出一下结论：
1.均值哈希和差值哈希算法的时间都比感知哈希少，因为感知哈希resize为32*32，并且要进行DCT离散余弦变换，这个计算比较耗时
2.改变图片的亮度，色度，对比度，锐度，均值哈希的效果都是最好的，几乎不受影响，其次是差值哈希，最差是感知哈希
3.但是感知哈希在图片旋转以及resize后，效果比前两者要好