人脸识别技术在我国越来越成熟,在我们生活中的应用越来越广泛,人脸识别技术赋能的无感通行智能快捷,深受广大用户的青睐。
为避免被恶意破解,活体检测的人脸防伪技术成为必备的检测技术,其中以动作活体检测的方式的安全性最高,但由于需要用户指定动作,在用户体验度仍需进一步优化,事实上,为了达到无感通行的最佳效果,有些设备并没有采用动作活体检测,例如人脸,通常采用图像和光效效果的方式来进行活体辨别,下面辅信智能将与大家一起来探讨一下:
1、普通摄像头类型的活体检测
即便没有要求配合各种动作指令,但当人站在门禁识别仪面前,人脸也不是绝对的静止,仍然可以从一些微表情进行甄别,例如眼皮和眼球的律动、眨眼、嘴唇及其周边面颊的伸缩等。
利用特定的某种物理特征,或多种物理特征的融合,我们可以通过深度学习训练神经网络分类器,以区分是活体,还是攻击。活体检测中的物理特征主要分为纹理特征、颜色特征、频谱特征、运动特征、图像质量特征,此外,还包括心跳特征等。
纹理特征包括很多,但最主流的是LBP、HOG、LPQ等。
颜色特征除了RGB之外,学术界发现HSV或YCbCr具有更好的区分活体非活体的性能,被广泛用于不同的纹理特征上。
频谱特征的原理是活体、非活体在某些频段具有不同的响应。
运动特征提取目标在不同时间上的变化,是一个有效的办法,但通常耗时较久,达不到实时的要求。
图像质量特征有很多描述方式,比如反射、散射、边缘或形状等。
2、红外摄像头类型的活体检测
红外人脸活体检测主要是基于光流法而实现。光流法是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像素位置的“运动”,即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。
从上述两张图的对比可以看出,活体人脸的光流特征显示为不规则的向量特征,而照片人脸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。
3、3D摄像头类型的活体检测
通过3D摄像头拍摄人脸,获取相应的人脸区域的3D数据,基于这些数据,选择最具有区分度的特征来训练神经网络分类器,最终利用训练好的分类器区分活体和非活体。特征的选择至关重要,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,这样的选择有利于算法的稳定性和鲁棒性。
3D人脸活体检测分为以下3个步骤:
首先,提取活体和非活体人脸区域的N个(推荐256个)特征点的三维信息,对这些点之间的几何结构关系进行初步的分析处理;
其次,提取整个人脸区域的三维信息,对相应的特征点做进一步的处理,再采用协调训练Co-training的方法训练正负样本数据,利用得到的分类器进行初分类;
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,根据曲面的曲率从深度图像中提取凸起区域,对每个区域提取EGI特征,然后利用其球形相关度进行再分类识别。
技术日益普及地运用在各行各业,为用户提供更智能和快捷功能的同时,我们仍要将安全系数作为首要条件进行考虑。