人臉門禁活體檢測有哪些方法？
來源：$article_from_name$ 2024/3/14 8:26:06 點擊：
倍加信人 臉 識 別技術在我國越來越成熟，在我們生活中的應用越來越廣泛，倍加信人 臉 識 別技術賦能的無感通行智能快捷，深受廣大用戶的青睞。
為避免被惡意破解，活體檢測的人臉防偽技術成為必備的檢測技術，其中以動作活體檢測的方式的安全性最高，但由于需要用戶指定動作，在用戶體驗度仍需進一步優化，事實上，為了達到無感通行的最佳效果，有些設備并沒有采用動作活體檢測，例如人臉門禁，通常采用圖像和光效效果的方式來進行活體辨別，下面倍 加信智能將與大家一起來探討一下：
1)、普通攝像頭類型的活體檢測
即便沒有要求配合各種動作指令，但當人站在門禁識別儀面前，人臉也不是絕對的靜止，仍然可以從一些微表情進行甄別，例如眼皮和眼球的律動、眨眼、嘴唇及其周邊面頰的伸縮等。
利用特定的某種物理特征，或多種物理特征的融合，我們可以通過深度學習訓練神經網絡分類器，以區分是活體，還是攻擊。活體檢測中的物理特征主要分為紋理特征、顏色特征、頻譜特征、運動特征、圖像質量特征，此外，還包括心跳特征等。
紋理特征包括很多，但最主流的是LBP、HOG、LPQ等。
顏色特征除了RGB之外，學術界發現HSV或YCbCr具有更好的區分活體非活體的性能，被廣泛用于不同的紋理特征上。
頻譜特征的原理是活體、非活體在某些頻段具有不同的響應。
運動特征提取目標在不同時間上的變化，是一個有效的辦法，但通常耗時較久，達不到實時的要求。
圖像質量特征有很多描述方式，比如反射、散射、邊緣或形狀等。
2)、紅外攝像頭類型的活體檢測
紅外人臉活體檢測主要是基于光流法而實現。光流法是利用圖像序列中的像素強度數據的時域變化和相關性來確定各像素位置的“運動”，即從圖像序列中得到各個像素點的運行信息，采用高斯差分濾波器、LBP特征和支持向量機進行數據統計分析。
同時，光流場對物體運動比較敏感，利用光流場可以統一檢測眼球移動和眨眼。這種活體檢測方式可以在用戶無配合的情況下實現盲測。
從上述兩張圖的對比可以看出，活體人臉的光流特征顯示為不規則的向量特征，而照片人臉的光流特征則是規則有序的向量特征，以此即可區分活體和照片。
3)、3D攝像頭類型的活體檢測
通過3D攝像頭拍攝人臉，獲取相應的人臉區域的3D數據，基于這些數據，選擇最具有區分度的特征來訓練神經網絡分類器，最終利用訓練好的分類器區分活體和非活體。特征的選擇至關重要，我們選擇的特征既包含了全局的信息，也包含了局部的信息，這樣的選擇有利于算法的穩定性和魯棒性。
3D人臉活體檢測分為以下3個步驟：
首先，提取活體和非活體人臉區域的N個（推薦256個）特征點的三維信息，對這些點之間的幾何結構關系進行初步的分析處理；
其次，提取整個人臉區域的三維信息，對相應的特征點做進一步的處理，再采用協調訓練Co－training的方法訓練正負樣本數據，利用得到的分類器進行初分類；
最后，利用以上兩個步驟所提取的特征點進行曲面的擬合來描述三維模型特征，根據曲面的曲率從深度圖像中提取凸起區域，對每個區域提取EGI特征，然后利用其球形相關度進行再分類識別。
倍加信人 臉 識 別門禁技術日益普及地運用在各行各業，為用戶提供更智能和快捷功能的同時，我們仍要將安全系數作為首要條件進行考慮。
為避免被惡意破解，活體檢測的人臉防偽技術成為必備的檢測技術，其中以動作活體檢測的方式的安全性最高，但由于需要用戶指定動作，在用戶體驗度仍需進一步優化，事實上，為了達到無感通行的最佳效果，有些設備并沒有采用動作活體檢測，例如人臉門禁，通常采用圖像和光效效果的方式來進行活體辨別，下面倍 加信智能將與大家一起來探討一下：
1)、普通攝像頭類型的活體檢測
即便沒有要求配合各種動作指令，但當人站在門禁識別儀面前，人臉也不是絕對的靜止，仍然可以從一些微表情進行甄別，例如眼皮和眼球的律動、眨眼、嘴唇及其周邊面頰的伸縮等。
利用特定的某種物理特征，或多種物理特征的融合，我們可以通過深度學習訓練神經網絡分類器，以區分是活體，還是攻擊。活體檢測中的物理特征主要分為紋理特征、顏色特征、頻譜特征、運動特征、圖像質量特征，此外，還包括心跳特征等。
紋理特征包括很多，但最主流的是LBP、HOG、LPQ等。
顏色特征除了RGB之外，學術界發現HSV或YCbCr具有更好的區分活體非活體的性能，被廣泛用于不同的紋理特征上。
頻譜特征的原理是活體、非活體在某些頻段具有不同的響應。
運動特征提取目標在不同時間上的變化，是一個有效的辦法，但通常耗時較久，達不到實時的要求。
圖像質量特征有很多描述方式，比如反射、散射、邊緣或形狀等。
2)、紅外攝像頭類型的活體檢測
紅外人臉活體檢測主要是基于光流法而實現。光流法是利用圖像序列中的像素強度數據的時域變化和相關性來確定各像素位置的“運動”，即從圖像序列中得到各個像素點的運行信息，采用高斯差分濾波器、LBP特征和支持向量機進行數據統計分析。
同時，光流場對物體運動比較敏感，利用光流場可以統一檢測眼球移動和眨眼。這種活體檢測方式可以在用戶無配合的情況下實現盲測。
從上述兩張圖的對比可以看出，活體人臉的光流特征顯示為不規則的向量特征，而照片人臉的光流特征則是規則有序的向量特征，以此即可區分活體和照片。
3)、3D攝像頭類型的活體檢測
通過3D攝像頭拍攝人臉，獲取相應的人臉區域的3D數據，基于這些數據，選擇最具有區分度的特征來訓練神經網絡分類器，最終利用訓練好的分類器區分活體和非活體。特征的選擇至關重要，我們選擇的特征既包含了全局的信息，也包含了局部的信息，這樣的選擇有利于算法的穩定性和魯棒性。
3D人臉活體檢測分為以下3個步驟：
首先，提取活體和非活體人臉區域的N個（推薦256個）特征點的三維信息，對這些點之間的幾何結構關系進行初步的分析處理；
其次，提取整個人臉區域的三維信息，對相應的特征點做進一步的處理，再采用協調訓練Co－training的方法訓練正負樣本數據，利用得到的分類器進行初分類；
最后，利用以上兩個步驟所提取的特征點進行曲面的擬合來描述三維模型特征，根據曲面的曲率從深度圖像中提取凸起區域，對每個區域提取EGI特征，然后利用其球形相關度進行再分類識別。
倍加信人 臉 識 別門禁技術日益普及地運用在各行各業，為用戶提供更智能和快捷功能的同時，我們仍要將安全系數作為首要條件進行考慮。
- 上一篇：物聯網是概念泡沫,還是是技術革新的機遇？ 2024/3/14
- 下一篇：云對講為老舊小區升級改造提供助力 實現智慧上云 2024/3/14
粵公網安備 44030602004070號
