人脸识别干货讲解：活体检测算法总结

这些年，我们可以看到人脸识别在超市、高铁站、机场等场所的应用，大大提高了我们购物和出行的效率，但同时也带来了人脸识别的安全隐患，尤其是在金融支付领域。很多头部大厂都在争夺这方面的制高点，刷脸支付领域是他们的必争之地，都在研发安全性更高的人脸支付产品，彰显了活体检测的重要地位。活体检测更多知识点见文章：https://www.quickconn.net.cn/#/insight/showPaper.html?paperId=62，学习活体检测的原理与应用。

下面介绍三种较为流行、效果较好的活体检测算法。

Learning Facial Liveness Representation for Domain Generalized Face Anti-Spoofing

脸部反欺骗（FAS）的目的是将脸部欺骗攻击与真实攻击区分开来，这通常是通过学习适当的模型来完成相关的分类任务。在实践中，人们希望这种模型能够被推广到不同图像领域的FAS。此外，假设事先知道欺骗攻击的类型是不现实的。在本文中，Zih-ChingChen和Lin-HsiTsao提出了一个深度学习模型来解决上述领域通用的人脸反欺骗任务。值得一提的是，他们提出的网络能够将面部的有效性表示与不相关的表示（即面部内容和图像领域特征）分开。由此产生的活泼性表征表现出足够的领域不变性，因此它可以被应用于执行领域通用的FAS。

图1 目标网络框架概览

如图2所示，Zih-Ching Chen和Lin-HsiTsao的方法在所有四个任务中都优于现有的FAS方法。提出的方法可以更好地推广到未见过的恶作剧攻击，因为它学习了领域不变的活泼性表征，能够推广到未见过的目标领域。如同在liveness loss Llive中的解释，分类器CL在看到训练数据中不同的欺骗攻击后，可以学习到更好的liveness特征原形。因此，学习到的欺骗性分类器的假原型可以更好地泛化到未见过的欺骗性攻击。

图2 在未知领域的FAS与新型欺骗攻击的HTER和AUC方面的比较

另外，Zih-Ching Chen和Lin-HsiTsao解决了领域泛化FAS问题的挑战性任务，在这个问题上，需要识别未见过的目标领域中的新型欺骗攻击。基于表征解构的思想，他们提出了一个网络架构，能够提取面部活泼性、内容和领域特征。在基准数据集上的广泛实验证明了Zih-ChingChen和Lin-HsiTsao等人提出的网络的有效性，并且在解决FAS方面上显示出了领域通用性，包括在推理过程中处理新型欺骗攻击的能力。由于目前提出的模型只观察到图像的输入，所以采取视频输入，从而处理视觉-时间信息将是未来的研究方向之一，以实现领域通用的FAS。

A Dual-stream Framework for 3D Mask Face PresentationAttack Detection

人脸呈现攻击检测（PAD）在人脸识别系统中起着至关重要的作用。以前的许多人脸反欺骗方法主要集中在二维人脸呈现攻击上，然而，在面对高保真三维面具攻击时，这些方法的性能下降得很厉害。

图3 HIFIMask数据集中的三个典型的坏图像

尽管HIFIMask数据集已经提供了由Dlib检测的人脸作物探测到的人脸，但这些图像仍然存在一些问题。这些图像仍然存在一些问题。图3总结了HIFIMask数据集中三种典型的不良图像，即小脸、噪音图像和黑边。在这项工作中，Shen Chen和Taiping Yao等人提出了几种策略来通过使用高精度人脸检测器、去除噪声和去除黑边，来解决上述问题。

图4 研究提出的方法的框架

为了解决这个问题，Shen Chen和Taiping Yao等人提出了一个新的双流框架，包括虚构卷积流和中央差分卷积流。这两个流相互补充，为三维掩码攻击检测学习更全面的特征。此外，他们将3D PAD扩展到一个包含真实脸部、石膏攻击和透明攻击的多分类任务，并利用各种数据增强和标签平滑技术来提高对未见攻击的通用性。

图5 通过tSNE对二元分类法和多元分类法的特征分布进行可视化分析

Shen Chen和Taiping Yao等人提出的双流网络结合了香草卷积分支和中心差分卷积分支，用于高保真的3D人脸攻击检测。相应的多类损失和多头损失被引入以促进双流网络的学习。此外，研究者们引入了标签平滑和对数温度缩放技术来提高对未见攻击的性能。实验结果表明，所提出的方法达到了有希望的性能，并取得了第二名的成绩。Chalearn 3D高保真面具面部展示攻击 检测挑战中获得第二名。

Cross Modal Focal Loss for RGBD Face Anti-Spoofing

在这项工作中，Anjith George3和S´ebastienMarcel提出了一个新的PAD框架，它使用RGB和深度通道以及一个新的损失函数。新的架构使用两种模式的互补信息，同时减少过度拟合的影响。从本质上讲，提出了一个跨模态的焦点损失函数来调节每个通道的损失贡献，作为单个通道置信度的函数。在两个公开可用的数据集中进行的广泛评估证明了所提出的方法的有效性。

图6 PAD框架的目的

对于每个分支，可以被正确分类的样本准确分类的样本应该在分数空间中被很好地分开。同时，Anjith George3和S´ebastien Marcel鼓励各个分支产生不确定的分数，而不是过度适应训练数据中的一些统计偏差。然而，这只适用于当其他分支能够自信地对样本进行正确分类。

图7 双流多头模型的图示

Anjith George3和S´ebastienMarcel等人在WMCA和HQWMCA数据集上进行了实验，特别是留出了协议，以评估对未见攻击的鲁棒性和未见攻击的稳健性，实验结果见下面的表格。

图8 基线系统和建议在WMCA和HQ-WMCA上的表现

总体来说，在这项工作中，研究者所提出的框架可以简单地扩展到多通道和不同的分类问题，该框架的结构使其使用所有可用的通道来训练模型，并使用一个子集的通道进行部署。在两个公开可用的数据集中进行的广泛评估，证明了所提方法的有效性。