活体检测再升级，3D头模数据增强“刷脸”保护罩

如今，人脸识别技术在各行各业中的应用越来越广泛。随着人脸识别系统给人们日常生活带来便利的同时，也面临着各类人脸欺诈攻击，随之而来的技术安全性也愈发受到重视。如何区分真实人脸与虚假人脸，对于人脸识别系统的安全具有十分重要的意义。

常见的人脸欺诈攻击行为

常见的人脸欺诈攻击方式包括打印人脸照片、屏幕播放人脸和3维面具等。其中面具类是最难解决的攻击方式，主要由于其真实度与真人比较接近。

活体检测技术能够抵御各种假脸的攻击，为人脸识别保驾护航。

目前，活体检测的主要方法可分为三种，一种是基于平面二维 RGB摄像机，另一种是基于红外摄像机，第三种是基于三维深度摄像机的活体检测方案。

根据RGB相机采集的图像，可以获取人脸的表观颜色、纹理和阴影等信息，从而可以根据表观特征或者成像质量来进行人脸伪装检测。脸部运动是一种重要的活体信号，如果采用视频，还可以进一步捕捉人脸的运动信息甚至估计人脸的3维信息、活性生理信息用于人脸活体检测。从而可以更好的区分是活体还是假体。

红外人脸活体检测主要是基于光流法而实现。光流法是利用图像序列中的像素强度数据的时域变化和相关性来确定各像素位置的“运动”，即从图像序列中得到各个像素点的运行信息，采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。 同时，光流场对物体运动比较敏感，利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无感的情况下实现盲测。

三维深度相机的活体检测方案主要是基于提取活体和非活体人脸区域的N个(推荐256个)特征点的三维信息，对这些点之间的几何结构关系进行初步的分析处理；据曲面的曲率从深度图像中提取凸起区域，对每个区域提取EGI特征，然后利用其球形相关度进行再分类识别。

活体检测常用算法方案

活体检测常用的算法方案通常可分为基于2D数据活体检测算法和基于3D数据的活体检测算法两大类。

基于2D数据的活体检测算法因为无法获取3D数据信息，因此更多采用多种人脸动作组合的方式来提高识别精度。例如某银行的远程身份认证系统要求人连续做出眨眼、转头、抬头低头等动作来确认真人身份。此外，算法也会对摩尔纹等翻拍产生的噪声做检测，以提高识别准确率。

基于3D数据的活体检测算法一般有两种，一种是将3D数据分成多个模态（RGB、红外、深度图）分别进行识别然后合并识别结果，另一种是直接对3D人脸的点云进行识别。不管用哪一种方案，由于3D数据多了深度维度，因此识别准确率上限远高于2D活体检测算法。

数据堂人脸欺诈相关数据集

其中40人3D活体检测数据利用苹果手机前置3D结构光镜头模组实现3D人脸及伪造人脸样本采集。涵盖了活体检测算法中要求的绝大多数数据形式，除了原始真实人脸动作、手机、人脸动作对抗样本-pad翻拍、照片对抗样本-人脸照片及面具欺骗之外，还包括3D面具或头模样本。在3D面具或头模的材质选择上，该数据集选择了砂岩、树脂等材质，大幅提升面具或头模的样本分布丰富性。在该数据中，每位被采集者采集126组共282张3D图像数据。由于是3D数据，因此每条数据均提供彩色图文件、深度信息文件和相机参数文件。

技术赋能“人脸识别”的初衷，是给人们的生活带去便利，并不是让个人隐私“裸奔”。在法律不断为人脸识别划定“红线”的同时，业界也需要树立起人脸识技术标准，设计并研发成熟的人脸识别解决方案。

数据堂严格遵守相关规定，所采集的数据均已获得被采集人授权，致力于用高质量的数据推动人脸识别技术的发展、有效保障用户“刷脸”的安全性。