Learning Deep Models for Face Anti-Spoofing_ Binary or Auxiliary Supervision要点分析

算法思想：

       通过估计人脸姿态、人脸深度，对从rgb图像提取的人脸特征图进行姿态转正与约束，从而利用时许特征图提取人体心率信号来判断是否是活体。

主要技术：

人脸深度图估计->精细人脸区域提取；

3D人脸姿态估计-》人脸特征图转正。

基于LSTM的rPPG（heart pulse signal）活体检测。

 

结论：

跨数据集验证结果：

HTER：Half Total Error Rate. The HTER is half of the summation fo the False Rejection Rate(FRR) and the False Acceptance Rate(FAR).

False Rejection Rate(FRR) ：错误拒绝率，本来不该拒绝，但是被拒绝了。在分类问题中，若实际上两个样本为同类（同一个人）却被系统误认为是异类（非同一个人），则为错误拒绝案例。FRR为错误拒绝案例在所有同类匹配案例中的比例。

False Acceptance Rate(FAR):错误接受率，本来不该接受，但是被接受了。在分类问题中，如果实际上两个样本为一类（非同一个人），却被系统误认为是同类（同一个人），则为错误接受案例。错误接受率为错误接受案例在所有异类匹配案例的比例。

准确率(Accuracy，ACC)：调整阈值，使得FAR＋FRR最小，1减去这个值即为识别准确率，即ACC=1 - min(FAR+FRR)

 

阈值：在接受/拒绝二元分类系统中，通常会设定一个阈值，分数超过该值时才做出接受决定。调节阈值可以根据业务需求平衡FAR与FRR。 当设定高阈值时，系统做出接受决定的得分要求较为严格，FAR降低，FRR升高；当设定低阈值时，系统做出接受决定的得分要求较为宽松，FAR升高，FRR降低。在不同应用场景下，调整不同的阈值，则可在安全性和方便性间平平衡，如下图所示：

 

HTER rate:约28%左右。也就是准确率大概是72%左右，基本上无法商用。

 

关于评价指标的理解参考如下博客：

https://zhuanlan.zhihu.com/p/33199485

https://zhuanlan.zhihu.com/p/46714763

https://www.zhihu.com/question/39840928

https://www.cnblogs.com/dlml/p/4403482.html

视频参考:

https://www.bilibili.com/video/av63309371/?p=6