目前已經(jīng)有了越來越多的基于人臉識別的應(yīng)用，例如我們現(xiàn)在應(yīng)用極廣的“刷臉支付”、“刷臉打卡”等。但隨著技術(shù)的發(fā)展，當(dāng)年很多電影中的畫面慢慢變成了現(xiàn)實，壞人可以通過帶上提前準(zhǔn)備好的照片或者面具，甚至是一副眼鏡，輕而易舉的被識別成其他人，隨著這種人臉偽造的風(fēng)險和隱患逐日增加，人臉活體檢測技術(shù)得到了越來越多的關(guān)注。

目前人臉識別面臨以下三種常見欺詐手段：

合法用戶的人臉圖片：用戶的人臉圖片是最容易獲取的，可以通過偷拍，在互聯(lián)網(wǎng)上搜索（例如微博，朋友圈，小紅書）等形式得到。惡意用戶可以打印其照片或使用屏幕和其他投影裝置欺騙人臉識別系統(tǒng)。

合法用戶的人臉視頻：可以直接盜取用戶現(xiàn)有視頻，或偷拍，也可以通過Deepfake[2]等技術(shù)手段合成視頻，如果可以獲得含眨眼，頭部運動等活體信息的視頻將會對圖像人臉識別系統(tǒng)有較大威脅。惡意用戶可以通過屏幕或投影設(shè)備等播放視頻來欺騙人臉識別系統(tǒng)。

合法用戶的3D模型（包括面具或頭套）：直接三維合成人臉對系統(tǒng)進行欺詐可能會比上述兩種手段更具威脅。惡意用戶可以直接頭戴或者擺放模型等方式欺騙人臉識別系統(tǒng)。

人臉活體檢測技術(shù)主要分為以下三大類：

圖片人臉活體檢測：通過靜態(tài)圖片進行活體檢測，通?；趥鹘y(tǒng)圖像處理，主要的方式有基于紋理特征的方式、基于圖像質(zhì)量的方式、以及基于深度特征的方法。

其中，基于紋理特征的方法主要專注使用人臉照片或視頻進行的攻擊，照片或視頻中的人臉在攝像頭下二次成像時面部的紋理會帶有紙質(zhì)或者屏幕的紋理（例如摩爾紋等），而與普通活體人臉皮膚的紋理存在差異。除此之外，真實人臉與圖片或視頻人臉主要的差異也在于三維結(jié)構(gòu)與二位結(jié)構(gòu)的差異，光在三維結(jié)構(gòu)和二維結(jié)構(gòu)表面形成不同的反射也會造成顏色陰暗區(qū)域的差異。這些差異可以有效的幫助基于紋理特征的活體檢測方法區(qū)分真實人臉與虛假人臉。

基于圖像質(zhì)量的方式主要通過呈現(xiàn)的虛假人臉與真實人臉之間圖像質(zhì)量的差異，由于虛假人臉通常需要通過中介（如照片、顯示器等）呈現(xiàn)在人臉識別系統(tǒng)前，容易導(dǎo)致虛假人臉的圖像質(zhì)量和活體人臉存在差距，例如圖像顏色的失真、顯示器反光導(dǎo)致的色差、與人臉圖像的模糊程度等。目前比較常用的基于圖像質(zhì)量的人臉活體檢測方式會利用人臉的失真程度、圖像模糊程度、顏色分類等特征，使用SVM，二次判別分析等分類模型區(qū)分活體人臉與虛假人臉

基于深度特征的方法主要是在前兩種方法的基礎(chǔ)上，利用深度學(xué)習(xí)方法高效抽取高層語義的特征表達。為了達到更好的區(qū)分度，基于深度特征的方法首先利用傳統(tǒng)的方式對人臉圖像進行處理后，利用卷積神經(jīng)網(wǎng)絡(luò)抽取分類特征。

配合式人臉活體檢測：需要人臉識別使用者的配合交互，通過判斷用戶是否按照要求在鏡頭前完成指定動作來進行活體檢測，主要包括隨機動作指令人臉活體檢測和語音活體檢測。

隨機動作指令人臉活體檢測需要用戶根據(jù)提示做出相應(yīng)的動作，通過眨眼、點頭、搖頭、張嘴等面部動作驗證用戶是否為真實活體本人操作。隨機動作式活體檢測依賴于動作識別算法的性能和準(zhǔn)確率，通常方法是通過對一個連續(xù)多幀人臉活體圖像數(shù)據(jù)中包含的活體動作特征執(zhí)行區(qū)域信息進行動作特征識別抽取，例如二值化處理，然后通過分析多幀圖像之間特征變化是否大于指定動作對應(yīng)閾值來判斷用戶是否完成了該動作。

語音活體檢測則是需要用戶配合提示讀出相應(yīng)文字驗證碼，然后分別對視頻和音頻進行檢測。這種技術(shù)主要通過人臉關(guān)鍵點定位技術(shù)和人臉追蹤等技術(shù)，通過用戶配合完成的動作聲音是否與系統(tǒng)要求相符合來驗證用戶是否為真實的活體本人。也可以通過抽取嘴部區(qū)域的光流特征變化，然后使用SVM等分類器識別用戶是否完成了文字的朗讀。

靜默人臉活體檢測：無需用戶動作或語音配合，可以在不超過1秒的時間內(nèi)實時完成檢測。靜默活體檢測的主要原理是結(jié)合了圖片活體檢測，除了抽取圖片的紋理顏色特征，利用圖片的質(zhì)量進行判斷外，還利用了基于生命信息的方法與和時間相關(guān)的深度特征。

由于真實人臉并非絕對靜止，存在很多不自覺的輕微動作，活體人臉會有心跳導(dǎo)致血管抖，眨眼，微表情引起臉部肌肉跳動等生命特征，可以利用人臉識別過程中的多幀畫面提取運動特征，心跳特征，連續(xù)性特征等用于人臉活體檢測。通過遠程光體積變化描記圖法（Remote photoplethysmography, rPPG）等方法可以檢測到來自攝像頭的人體器官變化信息，通過計算人體心率以及人臉血流導(dǎo)致的顏色變化等有效信息來區(qū)分真假人臉?；谏畔⒌姆椒▽?D模型的虛假人臉攻擊有明顯的防御效果。

隨著現(xiàn)在技術(shù)的發(fā)展，人臉登錄、人臉支付、人臉閘機等商業(yè)化應(yīng)用也開始廣泛的在安全、金融、教學(xué)、醫(yī)院等領(lǐng)域落地。在大部分人臉識別技術(shù)的現(xiàn)實應(yīng)用場景中，如果被偽造人員攻擊成功，很有可能性就會對使用者產(chǎn)生重大損失。越是這樣，人臉活體檢測技術(shù)就越來越具備了重要的科研價值和現(xiàn)實的商業(yè)使用價值，因此活體檢測技術(shù)對于提高人臉識別系統(tǒng)的安全性、可信性有著非常關(guān)鍵的意義，已成為目前人臉識別應(yīng)用中不可缺少的重要部分。

審核編輯黃宇