人脸识别之活体检测

感谢@刘明峰 @卢海峰 @徐桦 我的同事们所做的工作

一、任务目标

判断捕捉到的人脸是真实人脸，还是伪造的人脸攻击

二、应用场景

金融支付、门禁、打卡机等应用场景

三、难点

• 攻击源分布过于广泛
• 不同攻击源之间差距不明显
• 使用场景限制检测方法
• 当前开放样本数据不足

四、解决方案

目前主流的活体解决防范分为配合式和非配合式：

• 配合式活体需要用户根据提示做出相应的动作从而完成判别
• 非配合式活体在用户无感的情况下直接进行活体检测，具有更好的用户体验

本文主要针对的是非配合式活体所尝试的解决方法

五、定义问题

5.1 分类问题

二分类问题（真或假）或者多分类问题（真人、纸张、屏幕等）

Reference:2019 FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing
Pipeline:

Innovative Points;

• 提出了一个轻量级的CNN框架FeatherNet（0.35M）,准确率更高，计算代价更小
• 提出了Streaming Module模块可用来替换Global Average Pooling和fully connected layer.原因是人脸任务中不适合用GAP，因为他们的特征并不是等价的如上图对于识别来说，蓝色块应该要比红色块更重要。
• 设计了一种新的分类器融合结构用于融合多模态数据
  Loss:
  focal loss

5.2 假体攻击问题

活体检测的主要难点在于假体的攻击类型是一个开集问题，因而当作分类问题看待时很难覆盖所有的假体类型，分类边界也很难确定。

Reference1:
Learning Generalized Spoof Cues for Face Anti-spoofing

这篇文章从异常检测的角度来解决活体问题，基于这样一个假设：所有的活体样本都具有某种共同的属性，属于一个闭集，而所有的攻击样本是一个开集

Pipeline：

文章的主要贡献有三个点：

• 定义了一个spoof cue map来表征活体和假体之间的difference
• 网络结构上采用U-Net作为spool cue map的生成器
• 用Triplet loss, Regression loss, Classification loss作为监督

Reference2:Deep Anomaly Detection for Generalized Face Anti-spoofing
这篇文章同样的从异常检测的角度出发解决活体检测问题

Pipeline:

作者设计了一种新的loss，称之为Triplet Focal Loss，

$L=-\sum log\frac{e^{D(a,n)}}{e^{D(a,p)}+e^{D(a,n)}}+\lambda \sum max(0,e^{\frac{D(a,p)}{\sigma }}-e^{\frac{D(a,n)}{\sigma }}+m)$

安利一个博客：https://www.cnblogs.com/aoru45/p/13192969.html#_lab2_0_0

包含上述两篇假体攻击的论文总结，作者写的很不错~