分析人脸识别中的几种人脸活体检测算法类型

目前已经有了越来越多的基于人脸识别的应用，例如我们现在应用极广的“刷脸支付”、“刷脸打卡”等。但随着技术的发展，当年很多电影中的画面慢慢变成了现实，坏人可以通过带上提前准备好的照片或者面具，甚至是一副眼镜，轻而易举的被识别成其他人，随着这种人脸伪造的风险和隐患逐日增加，人脸活体检测技术得到了越来越多的关注。

目前人脸识别面临以下三种常见欺诈手段：

合法用户的人脸图片：用户的人脸图片是最容易获取的，可以通过偷拍，在互联网上搜索（例如微博，朋友圈，小红书）等形式得到。恶意用户可以打印其照片或使用屏幕和其他投影装置欺骗人脸识别系统。

合法用户的人脸视频：可以直接盗取用户现有视频，或偷拍，也可以通过Deepfake[2]等技术手段合成视频，如果可以获得含眨眼，头部运动等活体信息的视频将会对图像人脸识别系统有较大威胁。恶意用户可以通过屏幕或投影设备等播放视频来欺骗人脸识别系统。

合法用户的3D模型（包括面具或头套）：直接三维合成人脸对系统进行欺诈可能会比上述两种手段更具威胁。恶意用户可以直接头戴或者摆放模型等方式欺骗人脸识别系统。

人脸活体检测技术主要分为以下三大类：

图片人脸活体检测：通过静态图片进行活体检测，通常基于传统图像处理，主要的方式有基于纹理特征的方式、基于图像质量的方式、以及基于深度特征的方法。

其中，基于纹理特征的方法主要专注使用人脸照片或视频进行的攻击，照片或视频中的人脸在摄像头下二次成像时面部的纹理会带有纸质或者屏幕的纹理（例如摩尔纹等），而与普通活体人脸皮肤的纹理存在差异。除此之外，真实人脸与图片或视频人脸主要的差异也在于三维结构与二位结构的差异，光在三维结构和二维结构表面形成不同的反射也会造成颜色阴暗区域的差异。这些差异可以有效的帮助基于纹理特征的活体检测方法区分真实人脸与虚假人脸。

基于图像质量的方式主要通过呈现的虚假人脸与真实人脸之间图像质量的差异，由于虚假人脸通常需要通过中介（如照片、显示器等）呈现在人脸识别系统前，容易导致虚假人脸的图像质量和活体人脸存在差距，例如图像颜色的失真、显示器反光导致的色差、与人脸图像的模糊程度等。目前比较常用的基于图像质量的人脸活体检测方式会利用人脸的失真程度、图像模糊程度、颜色分类等特征，使用SVM，二次判别分析等分类模型区分活体人脸与虚假人脸

基于深度特征的方法主要是在前两种方法的基础上，利用深度学习方法高效抽取高层语义的特征表达。为了达到更好的区分度，基于深度特征的方法首先利用传统的方式对人脸图像进行处理后，利用卷积神经网络抽取分类特征。

配合式人脸活体检测：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，主要包括随机动作指令人脸活体检测和语音活体检测。

随机动作指令人脸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。随机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。

静默人脸活体检测：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结合了图片活体检测，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，连续性特征等用于人脸活体检测。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。

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。

审核编辑黄宇