手机html5活体检测,手把手教你做实时活体检测系统

随着深度卷积神经网络(CNN)的发展，人脸识别已经取得了近乎完美的识别性能，并已经应用于我们的日常生活中，如手机解锁，门禁，人脸支付等。然而，这些人脸识别系统容易受到各种方式的攻击，如打印攻击、视频回放攻击等，使得识别结果变得不可靠。本场 Chat 我们就来做一个简单的实时活体检测系统，可应用于人脸识别的前置环节，使人脸识别系统更加可靠。

常用活体检测算法介绍

学术界对活体检测的研究很早就开始了，也有很多种实现方式，但效果和性能各不相同。主要分为传统方法和基于 CNN 的方法。

传统方法是通过 SVM(支持向量机)将面部反欺骗视为二元分类问题，通过以下两个步骤进行：

1) 手工精心设计检测特征，使用各种滤波器来检测呈现特征的点。 广泛采用的特征包括：局部二值模式(LBP)，尺度不变特征变换(SIFT)，加速鲁棒特征(SURF)，定向梯度直方图(HOG)，高斯差分(DoG)等。

2)通过 SVM 或随机森林算法进行分类。

但是，传统方法特征检测受环境影响很大，例如照明条件。此外，传统方法都使用手工设计特征，很多隐性的特征我们是考虑不到的，所以效果上也就比较一般。

基于 CNN 的方法也是将活体检测看做二元分类问题(真脸或者假脸)，使用深度卷积网络来提取人脸特征，最后综合考虑所有特征，做出分类判断。在工程上，为了使用模型能应付各攻击，可以从以下三个方面进行改进：

1) 收集更多的数据集，如打印、视频回放等各种各样的攻击数据集。

2)使用多模态输入，比如 RGB 图片、深度图像(Depth)、红外图像(IR)。三种模态中，RGB 数据具有丰富的外观细节，深度数据对图像平面与相应脸部之间的距离敏感，IR 数据测量从面部辐射的热量。通过多模型融合，提高模型性能。

3) 多种模型集成，比如训练三四个模型，通过一定的规则得到综合判断。

大部分读者可能对深度图像、红外图像不是很理解，下面给出这方面的补充知识：

深度图像(depth image) 也被称为距离影像(rangeimage)，是指将从图像采集器到场景中各点的距离(深度)作为像素值的图像，它直接反映了景物可见表面的几何形状。可以通过基于双目结构光技术的深度相机( Intel RealSense SR300 摄像头)拍摄得到。这种深度相机的特别之处就是它有两个红外成像相机，分别被标记为左红外相机和右红外相机，它们具有相同的硬件设计和参数设定。工作原理是：红外投射器投射出红外散斑，左右两个红外相机采集两张红外图像，处理器根据两张红外图像中的散斑特征点匹配计算视差图，最终得到深度图。

IR 图像，即红外图像。红外图像是通过 “测量” 物体向外辐射的热量而获得的。

本文只是起到一个抛砖引玉的作用，我们只训练一个模型，只使用一种常用模态的图片输入，即 RGB 图片。主要是展示一个系统从 0 开始，到最后可用的过程。