浅析人脸活体检测技术的两种方法

随着人脸识别技术日趋成熟,商业化应用愈加广泛,然而人脸极易用照片、视频等方式进行复制,因此对合法用户人脸的假冒是人脸识别与认证系统安全的重要威胁。目前基于动态视频人脸检测、人脸眨眼、热红外与可见光人脸关联等领先业界的人脸活体检测算法，已经取得了一定的进步。

目前的人脸活体检测技术比较常见为为配合式活体检测、静默活体检测。这里简单说说这两种比较常见的方法：

配合式活体检测：需要人脸识别使用者的配合交互，通过判断用户是否按照要求在镜头前完成指定动作来进行活体检测，主要包括动作活体检测和语音活体检测。

动作活体检测需要用户根据提示做出相应的动作，通过眨眼、点头、摇头、张嘴等面部动作验证用户是否为真实活体本人操作。动作式活体检测依赖于动作识别算法的性能和准确率，通常方法是通过对一个连续多帧人脸活体图像数据中包含的活体动作特征执行区域信息进行动作特征识别抽取，例如二值化处理，然后通过分析多帧图像之间特征变化是否大于指定动作对应阈值来判断用户是否完成了该动作。

语音活体检测则是需要用户配合提示读出相应文字验证码，然后分别对视频和音频进行检测。这种技术主要通过人脸关键点定位技术和人脸追踪等技术，通过用户配合完成的动作声音是否与系统要求相符合来验证用户是否为真实的活体本人。也可以通过抽取嘴部区域的光流特征变化，然后使用SVM等分类器识别用户是否完成了文字的朗读[8]。

配合式的活体检测出现时间较早，并且成本较低。目前很多金融机构的交易支付，例如支付宝等认证普遍使用配合式活体检测。但目前，由于交互式人体检测检测过程繁琐，所需时间较长，很多需要自然识别或快速识别的场景并不适用交互式人体检测。

静默活体检测：无需用户动作或语音配合，可以在不超过1秒的时间内实时完成检测。静默活体检测的主要原理是除了抽取图片的纹理颜色特征，利用图片的质量进行判断外，还利用了基于生命信息的方法与和时间相关的深度特征。

由于真实人脸并非绝对静止，存在很多不自觉的轻微动作，活体人脸会有心跳导致血管抖，眨眼，微表情引起脸部肌肉跳动等生命特征，可以利用人脸识别过程中的多帧画面提取运动特征，心跳特征，连续性特征等用于活体检测。通过远程光体积变化描记图法（Remote photoplethysmography, rPPG）等方法可以检测到来自摄像头的人体器官变化信息，通过计算人体心率以及人脸血流导致的颜色变化等有效信息来区分真假人脸。基于生命信息的方法对利用3D模型的虚假人脸攻击有明显的防御效果。

同时也可以结合人工智能的帮助，可以从连续多帧的图片中抽取空间深度特征，再将抽取到的特征输入循环神经网络中，学习帧间的时序变化信息，综合空间深度特征和时序信息进行真假人脸的判断。除了利用神经网络从图片中直接抽取的特征，也可以结合人为设计的特征提升算法性能。

虽然静默活体检测方法的计算成本相对较高，但用户体验更好。目前静默活体检测技术广泛应用于门禁/考勤、刷脸机器、闸机等需要快速验证的设备上。

随着现在技术的发展，人脸登录、人脸支付、人脸闸机等商业化应用也开始广泛的在安全、金融、教学、医院等领域落地。在大部分人脸识别技术的现实应用场景中，如果被伪造人员攻击成功，很有可能性就会对使用者产生重大损失。越是这样，人脸活体检测技术就越来越具备了重要的科研价值和现实的商业使用价值，因此人脸活体检测技术对于提高人脸识别系统的安全性、可信性有着非常关键的意义，已成为目前人脸识别应用中不可缺少的重要部分。

申明：文章为本人原创，禁止转载，如有疑问请致邮：[email protected]