【FAS】《Review of Face Anti-Spoofing》

于 2025-04-25 09:20:24 发布
阅读量444 收藏 10
点赞数 5
CC 4.0 BY-SA版权
分类专栏： CNN / Transformer 文章标签： 计算机视觉 深度学习 人脸活检 人工智能 FAS
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bryant_meng/article/details/147498370

在这里插入图片描述

[1]任宇.人脸活体检测研究综述[J].现代计算机,2021,(09):109-112+116.

文章目录

1、Background

人脸活体检测是在人脸识别系统中用于检测并拒绝伪造数据的重要技术

2、Related Work

近些年的人脸活体检测研究主要分为以下几个方向：

（1）针对人脸活体检测任务和其他计算机视觉任务的差异性，设计针对性的网络结构

（2）使用辅助信息或者结合多模态数据的优点；

（3）针对人脸活体检测网络的实际部署需求，结合 MobileNet 和 ShuffleNet 等网络框架设计轻量级的网络；

（4）针对现有方法泛化性能差的问题，结合域泛化技术提高网络泛化性能。

3、Method

传统人脸活体检测方法

  • 基于纹理的方法
  • 基于运动的方法
  • 基于多光谱的方法

基于深度学习的人脸活体检测方法

  • 使用卷积神经网络代替手工提取特征
  • 使用 CNN-RNN 结构获取深度和 rPPG 信号作为辅助监督手段使得网络能够有针对性地进行学习
  • 可见光图、深度图和近红外多模态数据融合
  • 基于域泛化的方法

如果结合伪造攻击行为本身的特征，例如攻击者的手势、攻击介质边框等，再结合基于面部图像的方法，可能会更适合于实际应场景。

4、Datasets

在这里插入图片描述
人脸活体检测可能面对的攻击介质可能有如下几种：照片或者打印人脸（纸张可以弯曲或是裁剪掉面部关键部位）、手机和平板等各种智能设备、3D 面具

5、Future work

设计一个高精度、高性能、高泛化能力的人脸活体检测方案是目前人脸活体检测任务的主要目标

更多论文解读，请参考 【Paper Reading】

FM-CLIP: Flexible Modal CLIP for Face Anti-Spoofing
志在山顶的人，不会贪念山腰的风景
12-20 231
FM-CLIP: Flexible Modal CLIP for Face Anti-Spoofing”由澳门科技大学、中国科学院等单位的Ajian Liu、Hui Ma等人撰写。文章提出了一种名为FM-CLIP的新型灵活模态人脸反欺诈（FAS）方法，通过利用文本特征动态调整视觉特征以实现模态独立性，在多模态数据集上取得了优于现有方法的性能。
强化学习与网络安全资源-论文和环境
AI拉呱，专注于人工智与网络安全方面的研究，关注一起学习。
05-14 285
【代码】强化学习与网络安全资源-论文和环境。
Face Anti-Spoofing FAS 综述
qingmengEL的博客
11-29 3071
FAS综述整理
活体检测Face Anti-spoofing前世今生：作者（Fisher Yu ）
小花生的博客
09-06 1万+
活体检测Face Anti-spoofing前世今生 摘录：https://zhuanlan.zhihu.com/p/43480539 1. 什么是活体检测？ –> 判断捕捉到的人脸是真实人脸，还是伪造的人脸攻击（如：彩色纸张打印人脸图，电子设备屏幕中的人脸数字图像 以及 面具 等） 2. 为什么需要活体检测？ –> 在金融支付，门禁等应用场景，活体检测一般是嵌套在人脸检...
[人脸活体检测] 人脸活体检测简介
yegeli的博客
12-03 2617
人脸活体检测 一、简介 ​ 随着人脸识别、人脸解锁等技术在金融、门禁、移动设备等日常生活中的广泛应用，人脸防伪/活体检测（Face Anti-Spoofing）技术在近年来得到了越来越多的关注。设想一下，假设你的Face Verification算法做的再漂亮，而Face Anti-Spoofing做的很烂，如果这个时候恰恰有某位同学拿着马云脸的视频去刷了支付宝，那… 人脸验证（Face Verification）：意思就是说，给定两张图，算法要判断出这两张图是不是同一个人，这是近年来一个非常热门的研究
活体检测——简介
热门推荐
小花生的博客
07-23 2万+
随着人脸识别、人脸解锁等技术在金融、门禁、移动设备等日常生活中的广泛应用，人脸防伪/活体检测（Face Anti-Spoofing）技术在近年来得到了越来越多的关注。在大多数人的印象中，人脸识别技术就是让机器把人认出来。没错，用机器来认人，这正是人脸识别系统的最核心功能。然而，很多人不知道的是，一个可以正常工作的人脸识别系统，除了实现“认人”以外，还包括许多其他重要的技术，其中就包括今天要给大家介...
强化学习与网络安全资源
AI拉呱，专注于人工智与网络安全方面的研究，关注一起学习。
05-21 418
【代码】强化学习与网络安全资源。
【Paper Reading】
bryant_meng
08-09 4084
欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。《International Comference on Computer Vision》，正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。那么一年过去了，合格的论文评审人员的增幅是否赶得上论文的增幅呢？
【今日CV 计算机视觉论文速览 第108期】Tue, 30 Apr 2019
TomRen
05-01 2854
第108期 视觉论文速览 自拍卡通风格化 任意区域文字检测 动态minibatch的大规模弹性计算 快速人脸检测 行车事故预测数据集 非刚体重建 刚体配准
活体检测论文研读五：Face De-Spoofing: Anti-Spoofing via Noise Modeling
DeepHao'Blog
02-26 1978
摘要：许多先前的工作都是研究和开发判别模型通过区别真假脸的的细微差异来实现人脸反欺骗，这些方法将图像视为一个不可分割的整体，对图片进行整体处理而没有对欺骗过程进行清楚的建模。受到噪声建模以及去噪算法的影响，提出噪声建模的人脸反欺骗方法：通过将伪造人脸分解为伪造噪声以及真实人脸，然后利用伪造噪声进行分类来实现人脸反欺骗，本文通过CNN架构实现，通过提出适当约束以及监督来弥补分解图像没有ground truth的问题。通过在大量人脸反欺骗数据集上的评估，其结果显示噪声建模的反欺骗模型有希望改进人脸反欺骗性能，此
FACE ANTI-SPOOFING
06-02
FACE ANTI-SPOOFING
face-anti-spoofing:防欺骗，mob​​ilenetv2，焦点丢失
03-18
使用MXNet进行FaceNet Spoofing的MobileNetV2的复制 我建议使用mxnet版本进行分类，该版本已在ImageNet上进行了预训练。 项目说明 创建于： lxy和shj 时间： 2018/12/10 15:09 项目面部反欺骗 公司： 版本： 0.1 工具： python 2.7 修改的： 描述：培训和测试代码 要求 张量流> = 1.5.0 python> = 2.7.15 opencv> = 3.4.0 咖啡 ga 训练数据 培训数据使用工具从Internet下载 我们创建了包括4类的数据集（手机：1电视：2 telectroller：3背景：0）。 运行培训和测试演示 配置参数位于Root / src / configs / config.py中 目录 数据用于存储训练和测试数据。 日志用于存储训练日志。 模型用于存储网络参数。 src用于存储培训和测
【活体人脸识别】FaceBagNet论文翻译详解
Roaddd的博客
01-25 3064
论文题目：Bag-of-local-features Model for Multi-modal Face Anti-spoofing 论文地址：FaceBagNet 代码地址：https://github.com/SeuTao/CVPR19-Face-Anti-spoofing 摘要        人脸反欺骗检测是人脸生物识别系统中的一个重要环节。最新的（SOTA）基于卷积神经网络(CNNs)的方法在该领域取得了良好的效果。然而，以前的
活体识别4：论文笔记之《Face Spoofing Detection Using Colour Texture Analysis》
yuanlulu的博客
02-01 786
在和打印假脸、视频假脸的对比中，灰度图无法有效区分假脸，因为它们与真脸图片的相似度都比较高（距离小），而在YCbCr空间中，Cb通道和Cr通道中真脸图片和假脸图片相似度较低（距离大），有较明显的区分度。本文的出发点仍然没变，由于缺乏高频信息，假的人脸经过两个不同型号的相机成像和一次打印或显示，将会导致图像质量下降，而且复制的图像也会引入额外的噪声。这个论文是芬兰奥卢大学(Oulu)课题组的一篇很有代表性的论文，写于2016年，使用的是“手工特征+SVM分类器”这种比较传统的方案，方案不复杂，效果还不错。
【FAS】《Face Anti-Spoofing Using Patch and Depth-Based CNNs》
bryant_meng
08-04 860
2017 IEEE International Joint Conference on Biometrics (IJCB) 文章目录1 Background and Motivation2 Innovation / Contribution3 Related Work4 Methods4.1 Patch-based CNN4.1.1 Input features4.1.2 CNN architecture4.2 Depth-based CNN5 Experiments5.1 Database5.2 Ab.
活体检测综述 Deep Learning for Face Anti-Spoofing: A Survey 阅读记录
chen_znn的博客
11-05 8330
这篇文章首次全面回顾了基于深度学习的活体检测算法的最新研究进展。
基于人脸的抗欺骗检测：Deep Tree Learning for Zero-shot Face Anti-Spoofing
qq_35133971的博客
09-06 4401
首先介绍一下作者：Yaojie Liu，a fourth-year Ph.D. student at the Department of Computer Science and Engineering, Michigan State University. I’m a current member of Computer Vision Lab (CVLAB), advised by Dr. Xi...
【论文翻译】Integration of image quality and motion cues for face anti-spoofing: A neural network approa
小C的博客
09-04 1981
【论文翻译】Integration of image quality and motion cues for face anti-spoofing: A   neural network approach 【翻译时间】2018.09.04            题目： 将图像质量和动作线索整合到面部反欺骗：一种神经网络方法   3. The proposed approach   ...
Face Anti-Spoofing
最新发布
01-22
### 面部防欺骗（活体检测）技术在生物特征认证中的应用 #### 定义与重要性 面部防欺骗(Face Anti-Spoofing, FAS) 技术旨在防止通过照片、视频或其他形式的伪造来绕过人脸识别系统。随着人脸识别技术的发展，FAS 成为了保障安全的重要组成部分[^2]。 #### 基本方法和技术 1. **多模态融合** 多模态融合是指结合多种传感器的数据来进行更精确的判断。例如，可以利用RGB摄像头捕捉的颜色信息以及红外线(IR)相机获取的热成像数据共同分析是否存在欺骗行为。这种组合能够有效提升系统的鲁棒性和准确性[^4]。 2. **基于深度学习的方法** 利用卷积神经网络(CNNs)，特别是那些经过大规模人脸数据库预训练过的模型如VGGFace，可以直接从原始图像中提取深层特征用于区分真实面孔和假面具等攻击手段。这些模型通常会引入额外损失函数项以增强对于不同种类攻击模式的学习能力。 ```python import torch.nn as nn class FaceAntiSpoofNet(nn.Module): def __init__(self): super().__init__() self.backbone = torchvision.models.vgg16(pretrained=True).features # Add custom layers for anti-spoofing task self.classifier = nn.Sequential( nn.Linear(512 * 7 * 7, 4096), nn.ReLU(True), nn.Dropout(), nn.Linear(4096, 2), # Binary classification (real or fake) nn.Softmax(dim=1) ) def forward(self, x): x = self.backbone(x) x = x.view(-1, 512 * 7 * 7) out = self.classifier(x) return out ``` 3. **时空一致性检验** 对于动态场景下的视频流输入，可以通过检查连续帧之间的时间连贯性和空间位置变化规律来识别人脸的真实性。如果某个对象不符合自然头部运动轨迹，则很可能是一个静态图片或屏幕重放攻击. 4. **物理特性探测** 这种方式侧重于测量特定物理属性差异，比如皮肤反射率、纹理细节或是微表情的存在与否。某些高级设备甚至能感知心跳信号作为辅助验证依据之一. #### 应对对抗样本威胁的研究进展 针对可能存在的恶意构造对抗样本问题，有研究表明同时优化面向FR（人脸识别）和FAS两个方面可以显著改善整体安全性性能指标。具体措施包括但不限于调整超参数配置使得模型更加敏感于细微差别从而降低被误导的风险。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值