人脸识别检测系统实现原理 基于传统特征的世纪晟静默活体检测

过去一年与以往几年相比，在方法和技术层面的一个核心趋势是：人脸识别相关技术已经全面深度化。

一般的人脸识别检测流程

(1)人脸检测
在人脸检测方面，目前主流的方法是通用目标检测中的R-CNN等这类方法。人脸检测曾被认为是一个已经解决的问题，事实上并不是，在人脸分辨率极低、姿态很大、背光、偏光、极低照度等恶劣光照条件下，还是会有很多漏检。
(2)人脸关键点检测
对于第二个步骤，即特征点定位，我们感觉去年的一个趋势是从过去流行的基于深度特征学习的Cascaded Shape Regression策略，到引入RNN这样的循环神经网络策略。主流的方法仍然是采用各种深度卷积神经网络（DCNN），特别是ResNet，来学习更有判别力的特征。
(3) 处理信息
通过关键点拿到有关人脸的信息，直接绘制人脸的轮廓

人脸检测是人脸识别的第一步。随着人工智能技术的逐渐成熟，人脸识别的商业化应用越来越多，然而在安全概念上却都存在很大的局限性。事实上，人脸识别的下一个科技爆发点将是广泛的利用生物识别，但如何低成本的遏制恶意利用仿真头套、全息投影等方式破解人脸识别。活体检测在无人值守场景下的人脸识别商业应用中显得至关重要。

基于传统特征实现的静默活体检测技术

静默活体检测与动态活体检测相反，主要是在没有眨眼、张嘴、数数等一系列的动作配合下来判断到底是不是一个真活人，不仅技术上实现难度更高，在实际应用中对准确性要求也更高，提高准确度。

静默活体检测主要特性：

1) 速度快：无需动作指令配合，能够在更短时间内出结果；
2) 自然性好：不论是在有意识和无意识的情况下，均不影响检测结果，不同与步态识别可以