作者：雲時之間
來源：知乎
鏈接：https://zhuanlan.zhihu.com/p/162334650
編輯：王萌
在一些業務需要中，需要識別場景中的用戶是否爲"真人"，因此需要活體檢測技術，這篇文章將針對當前行業中的活體檢測技術進行總結。
一：活體檢測面臨的問題
在人臉檢測之中，***者往往會通過PA（presentation attacks）對系統進行***，常見的PA操作包括打印照片，虛假錄製視頻，面部僞裝，3D-人臉面具等方式，如果沒有活體檢測，系統的安全性會比較低。在2017年之前，行業主要的實現方向是使用傳統的機器視覺方法，在17年之後，較多的使用CNN卷積網絡來輔助性能，在2019年CVPR中就有多篇關於活體檢測的paper，已成熱門方向。
二：常見活體檢測方式調研
Ⅰ：基於傳統圖像處理的活體檢測
傳統的活體檢測主要的思路是捕捉圖像的紋理，從而進行分類。
這類方法整體的流程大致如下：
1：圖像預處理，對圖像進行裁剪，對齊，分割等操作，同時對圖像的空間進行變換和疊加，通過從時域到頻域，空域或者改變其顏色空間來進行操作。
2:使用如SIFT，HOG，LBP，SURF以及各種魔改變種來對圖像的特徵進行提取。
3:使用如降維，編碼，多通道組合的方法進行進一步的特徵提取，進行分類前的預處理
4：使用SVM/LR等特徵分類器進行二分類
Ⅱ：傳統方法論文思想總結：
①：通過活體和PA***紋理統計特性不一致，基於紋理特徵進行分類
比較具有代表性的論文：
1：Face Spoofing Detection Using Colour Texture Analysis
通過HSV空間人臉多級LBP特徵 + YCbCr空間人臉LPQ特徵
Link:https://ieeexplore.ieee.org/abstract/document/7454730
2: Face anti-spoofing based on color texture analysis
通過觀測在頻域上分佈不同，先區分活體還是照片*** （因爲照片中的人臉提取的頻域分佈不同），若判別上述結果是活體，再設計一個紋理LBP分類器，來區分活體還是屏幕***（因爲屏幕視頻中人臉頻率分佈與活體相近）
Link:https://ieeexplore.ieee.org/abstract/document/735128
在這類論文中，活體和PA紋理不一致，如下圖
可以通過LBP(局部二值)來提取其紋理特徵，再對LBP進行分類：
使用到的模型架構：
②：基於紋理統計特性進行分類
代表論文：
1：Chromatic cooccurrence of local binary pattern for face presentation attack detection
Link:https://ieeexplore.ieee.org/document/8487325
模型架構：
②：On the effectiveness of local binary patterns in face anti-spoofing
Link:https://ieeexplore.ieee.org/abstract/document/6313548
模型架構：
③：LBP-TOP based countermeasure against face spoofing attacks
模型架構：
④：Face Liveness Detection with Component Dependent Descriptor
這篇文章也是用的紋理統計，但是比較有意思的是使用了面部分割的方法
模型流程：
1：檢測面部位置，將面部分割爲輪廓，面部，左右眼，鼻，嘴，六個區域
2：提取面部特徵，LBP+HOG，將不同部位進行特徵聯結
3: SVM分類器進行二分類
以上爲比較傳統的機器學習的活體檢測方法，雖然這些算法有一些歷史，但大致流程不變，我們仍可以學習其處理的內核精神，下一篇文章將介紹下現在比較主流的基於深度學習的活體檢測！
五：參考文章
活體檢測Face Anti-spoofing綜述 - Fisher Yu餘梓彤的文章 - 知乎
https://zhuanlan.zhihu.com/p/43480539
CVPR & AAAI 2020 |人臉活體檢測最新進展 - Fisher Yu餘梓彤的文章 - 知乎 https://zhuanlan.zhihu.com/p/114313640