活体检测

shaoheshaohe

在生物识别系统中，为防止恶意者伪造和窃取他人的生物特征用于身份认证，生物识别系统需具有活体检测功能，即判断提交的生物特征是否来自有生命的个体。</p>
<p style="text-indent: 2em;">
        一般生物特征的活体检测技术利用的是人们的生理特征，例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息，活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息，活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩扩张反应特性等。</p>
<p style="text-indent: 2em;">
        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活体检测方法，已经取得了一定的进步。</p>
<p style="text-indent: 2em;">
        动作指令活体检测</p>
<p align="center">
        <img src="http://file.elecfans.com/web1/M00/4F/DC/pIYBAFrkKvaAOnkxAAEB6ZaN1Hs017.jpg" /></p>
<p style="text-indent: 2em;">
        为防止恶意者伪造和窃取他人的生物特征用于身份认证，生物识别系统需具有活体检测功能，即判断提交的生物特征是否来自有生命的个体。</p>
<p style="text-indent: 2em;">
        一般活体检测技术利用的是人们的生理特征，例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息，活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息，活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩扩张反应特性等。</p>
<p style="text-indent: 2em;">
        目前，人脸识别技术通行的活体检测技术一般采用指令动作配合的方式，如人脸左转、右转、张嘴、眨眼等，指令配合错误则认为是伪造欺骗。</p>
<p style="text-indent: 2em;">
        人脸识别技术对于活体检测的研究仍然需要&ldquo;时空&rdquo;（时间和空间，是天诚盛业公司独创的概念）的突破。无论是通过摄像头拍摄真人还是照片，最终得到的都是一张二维图片，因此对于摄像头前是真人还是一张照片，目前的人脸识别技术难以判断。另外，人脸识别对于双胞胎、整容这类群体的识别也有待深入研究。人脸识别归根结底是按照人的判断标准，利用深度神经网络和计算机技术，从人脸图像中提取有效的识别特征进行身份判断。人通过肉眼都难以判断的情况下，以目前的技术和理论，还难以做出正确的识别。</p>
<p style="text-indent: 2em;">
        近红外人脸活体检测</p>
<p style="text-indent: 2em;">
        近红外人脸活体检测主要是基于光流法而实现。</p>
<p style="text-indent: 2em;">
        近红外人脸活体检测无需指令配合，检测成功率较高。根据光流法，利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的&ldquo;运动&rdquo;，从图像序列中得到各个像素点的运行信息，采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。同时，光流场对物体运动比较敏感，利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无配合的情况下实现盲测。</p>
<p align="center">
        <img src="http://file.elecfans.com/web1/M00/4F/DC/pIYBAFrkKvaAECzoAACU4cDpbcU442.png" /></p>
<p style="text-indent: 2em;">
        活体</p>
<p align="center">
        <img src="http://file.elecfans.com/web1/M00/4F/DC/pIYBAFrkKvaABZDoAAB9-e7ssXQ215.png" /></p>
<p style="text-indent: 2em;">
        照片</p>
<p style="text-indent: 2em;">
        由以上两张对比图可以看出，活体的光流特征，显示为不规则的向量特征，而照片的光流特征，则是规则有序的向量特征，以此即可区分活体和照片。</p>
<p style="text-indent: 2em;">
        3D人脸检活</p>
<p align="center">
        <img src="http://file.elecfans.com/web1/M00/4F/DC/pIYBAFrkKvaAK6bIAABKFbp8DDQ562.jpg" /></p>
<p style="text-indent: 2em;">
        利用3D摄像头拍摄人脸,得到相应的人脸区域的3D数据,并基于这些数据做进一步的分析, 最终判断出这个人脸是来自活体还是非活体。这里非活体的来源是比较广泛的,包括手机和Pad等介质的照片和视频、各种打印的不同材质的照片（这里包含各种情形的弯曲、折叠、剪裁、挖洞等情形）等。</p>
<p style="text-indent: 2em;">
        基于活体和非活体的3D人脸数据，选择最具有区分度的特征来训练分类器，利用训练好的分类器来区分活体和非活体。特征的选择是至关重要的，这里我们选择的特征既包含了全局的信息，也包含了局部的信息，这样的特征有利于算法的稳定性和鲁棒性。</p>
<p style="text-indent: 2em;">
        下面是3D人脸检活原理的几个步骤：</p>
<p style="text-indent: 2em;">
        首先，我们提取了活体和非活体人脸区域的256个特征点的三维信息，并对这些点之间的几何结构关系进行了初部的分析处理；</p>
<p style="text-indent: 2em;">
        其次，我们提取了整个人脸区域的三维信息，并对相应的特征点做进一步的处理，再采用协调训练Co-training的方法训练了正负样本数据，之后利用得到的分类器进行了初分类；</p>
<p style="text-indent: 2em;">
        最后，利用以上两个步骤所提取的特征点进行曲面的拟合来描述三维模型特征，然后根据曲面的曲率从深度图像中提取凸起区域，再对每个区域提取EGI特征，最后利用其球形相关度进行再分类识别。</p>

shaoheshaohe

Reference:</strong></p><p>[1] Di Wen, Hu Han, Anil K. Jain. Face Spoof Detection with Image Distortion Analysis. IEEE Transactions on Information Forensics and Security, 2015</p><p>

[2] Zinelabidine Boulkenafet, Jukka Komulainen, Abdenour Hadid. Face Spoofing Detection Using Colour Texture Analysis. IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, 2016</p><p>

[3] Samarth Bharadwaj. Face Anti-spoofing via Motion Magnification and</p><p>Multifeature Videolet Aggregation, 2014</p><p>[4] Santosh Tirunagari, Norman Poh. Detection of Face Spoofing Using Visual Dynamics. IEEE TRANS. ON INFORMATION FORENSICS AND SECURIT, 2015</p><p>

[5] Xiaobai Li, , Guoying Zhao. Generalized face anti-spoofing by detecting pulse</p><p>from face videos, 2016 23rd ICPR</p><p>[6] Zhenqi Xu. Learning Temporal Features Using LSTM-CNN Architecture for Face Anti-spoofing, 2015 3rd IAPR</p><p>

[7] Gustavo Botelho de Souza, On the Learning of Deep Local Features for</p><p>Robust Face Spoofing Detection, 2017</p><p>[8] Yousef Atoum, Xiaoming Liu. Face Anti-Spoofing Using Patch and Depth-Based CNNs, 2017</p><p>[9] Yaojie Liu, Amin Jourabloo, Xiaoming Liu, Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision ，CVPR2018</p><p>

[10] Discriminative Representation Combinations for Accurate Face Spoofing Detection，2018 PR</p><p>[11] Amin Jourabloo, Face De-Spoofing: Anti-Spoofing via Noise Modeling, ECCV2018</p><p>[12]Zinelabidine Boulkenafet, Face Antispoofing Using Speeded-Up Robust Features and Fisher Vector Encoding, IEEE SIGNAL PROCESSING LETTERS, VOL. 24, NO. 2, FEBRUARY 2017</p><p>

[13]Tae-Hyun Oh, Learning-based Video Motion Magnification, ECCV2018</p><p>[14]Xiaobai Li, Remote Heart Rate Measurement From Face Videos Under Realistic Situations</p><p>[15]Xudong Sun, Context Based Face Spoofing Detection Using Active Near-Infrared Images, ICPR 2016</p><p>

[16]Javier Hernandez-Ortega, Time Analysis of Pulse-based Face Anti-Spoofing in Visible and NIR, CVPR2018 workshop</p><p>[17]Sooyeon Kim, Face Liveness Detection Using a Light Field Camera, 2014</p><p>

[18]Xiaohua Xie, One-snapshot Face Anti-spoofing Using a Light Field Camera, 2017</p></div>