活体检测学习2

活体人脸检测方法

交互式

基于随机动作的方法和基于唇语声音混合的方法，防范：照片和视频中的假体人脸。
优点：对二维类假体人脸准确率高，通用性强。
缺点：需要用户配合，用户体验差；不能防止眼部、嘴部挖洞的面具攻击，使用范围窄。

非交互式

基于纹理的方法

LBP、HOG、Gabor等描述符从灰度图中抽取灰度纹理特征；LBP、LPQ等描述符从HSV、YCbCr颜色空间图像中抽取的颜色纹理特征。
防范：照片、视频和面具。
优点：容易实现，计算量少，单张图片可预测结果，速度快。
缺点：容易被拍摄设备、光照条件、图像质量影响。跨数据集通用能力不强。

基于图像质量的方法

手工设计特征抽取图像镜面反射、颜色分布、清晰度方面的图像质量特征
防范：照片、视频
优点：针对蛋类假体人脸的跨数据集通用能力相对强，速度快。
缺点：需要根据假体人脸的类别设计具体特征，跨假体类型的通用能力不强；需要高质量图像；难以抵御高清哑光照片、视频攻击。

基于生命信息的方法

光流法、运动成分分解检测活体不自主的眨眼，脸部、唇部的微运动
防范：照片
优点：对照片类假体人脸准确率高，通用性高。
缺点：需要视频为输入；计算量大，速度慢；难以防范视频攻击；对假体制造的微运动鲁棒性不强。

远程光学体积描记术（rPPG）信息检测待测对象是否具有心率
防范：面具
优点：特定约束条件下准确率高
缺点：需要视频为输入；鲁棒性不强，受外界光照、个体运动的影响大。

基于其他硬件的方法

近红外图像特征；短波红外图像特征；热红外图像特征；400nm至1000nm的多个波段图像特征；光场图像信息；深度图像信息
防范：照片、视频、面具
优点：准确率高
缺点：需要增加新的昂贵硬件；设备采集、处理图像的时间增加。

基于深度特征的方法

从头训练CNN抽取深度特征分类；利用预训练的ResNet-50、VGG等模型抽取特征；深度特征与手工特征融合；三维卷积抽取时空深度特征；
防范：照片、视频、面具
优点：准确率较高
缺点：模型参数多，计算量大，训练时间长；过拟合问题；对数据量和数据丰富性上有高要求；

混合特征类方法

纹理信息和运动生命信息的混合；纹理信息和人脸结构信息的混合；人脸结构信息与运动生命信息的混合；背景信息和其他特征的混合
防范：照片、视频、面具
优点：融合多特征的优点提升识别准确率和通用性
缺点：计算量、存储量大，相对识别时间增长；算法实现和维护的工作量增加。

主流人脸活体检测数据集

参考文献

[1]蒋方玲,刘鹏程,周祥东.人脸活体检测综述[J/OL].自动化学报:1-24[2019-06-22].https://doi.org/10.16383/j.aas.c180829.