活體檢測再升級，3D頭模數據增強「刷臉」保護罩

2022 年 8 月 19 日
AI
目標檢測, 行人檢測, 行人重識別

如今，人臉識別技術在各行各業中的應用越來越廣泛。隨著人臉識別系統給人們日常生活帶來便利的同時，也面臨著各類人臉欺詐攻擊，隨之而來的技術安全性也愈發受到重視。如何區分真實人臉與虛假人臉，對於人臉識別系統的安全具有十分重要的意義。

常見的人臉欺詐攻擊行為

常見的人臉欺詐攻擊方式包括列印人臉照片、螢幕播放人臉和3維面具等。其中面具類是最難解決的攻擊方式，主要由於其真實度與真人比較接近。

活體檢測技術能夠抵禦各種假臉的攻擊，為人臉識別保駕護航。

目前，活體檢測的主要方法可分為三種，一種是基於平面二維 RGB攝像機，另一種是基於紅外攝像機，第三種是基於三維深度攝像機的活體檢測方案。

根據RGB相機採集的影像，可以獲取人臉的表觀顏色、紋理和陰影等資訊，從而可以根據表觀特徵或者成像品質來進行人臉偽裝檢測。臉部運動是一種重要的活體訊號，如果採用影片，還可以進一步捕捉人臉的運動資訊甚至估計人臉的3維資訊、活性生理資訊用於人臉活體檢測。從而可以更好的區分是活體還是假體。

紅外人臉活體檢測主要是基於光流法而實現。光流法是利用影像序列中的像素強度數據的時域變化和相關性來確定各像素位置的「運動」，即從影像序列中得到各個像素點的運行資訊，採用高斯差分濾波器、LBP特徵和支援向量機進行數據統計分析。同時，光流場對物體運動比較敏感，利用光流場可以統一檢測眼球移動和眨眼。這種活體檢測方式可以在用戶無感的情況下實現盲測。

三維深度相機的活體檢測方案主要是基於提取活體和非活體人臉區域的N個(推薦256個)特徵點的三維資訊，對這些點之間的幾何結構關係進行初步的分析處理；據曲面的曲率從深度影像中提取凸起區域，對每個區域提取EGI特徵，然後利用其球形相關度進行再分類識別。

活體檢測常用演算法方案

活體檢測常用的演算法方案通常可分為基於2D數據活體檢測演算法和基於3D數據的活體檢測演算法兩大類。

基於2D數據的活體檢測演算法因為無法獲取3D數據資訊，因此更多採用多種人臉動作組合的方式來提高識別精度。例如某銀行的遠程身份認證系統要求人連續做出眨眼、轉頭、抬頭低頭等動作來確認真人身份。此外，演算法也會對摩爾紋等翻拍產生的雜訊做檢測，以提高識別準確率。

基於3D數據的活體檢測演算法一般有兩種，一種是將3D數據分成多個模態（RGB、紅外、深度圖）分別進行識別然後合併識別結果，另一種是直接對3D人臉的點雲進行識別。不管用哪一種方案，由於3D數據多了深度維度，因此識別準確率上限遠高於2D活體檢測演算法。

數據堂人臉欺詐相關數據集

其中40人3D活體檢測數據利用蘋果手機前置3D結構光鏡頭模組實現3D人臉及偽造人臉樣本採集。涵蓋了活體檢測演算法中要求的絕大多數數據形式，除了原始真實人臉動作、手機、人臉動作對抗樣本-pad翻拍、照片對抗樣本-人臉照片及面具欺騙之外，還包括3D面具或頭模樣本。在3D面具或頭模的材質選擇上，該數據集選擇了砂岩、樹脂等材質，大幅提升面具或頭模的樣本分布豐富性。在該數據中，每位被採集者採集126組共282張3D影像數據。

由於是3D數據，因此每條數據均提供彩色圖文件、深度資訊文件和相機參數文件。