文章 11

访客 611

声望 49

第23名

Blog

一种人脸识别活体检测方法

一种人脸识别活体检测方法:基于背景的活体判断方法目前活体判断的方法很多,但很难基于一种方法就能达到理想的效果,往往需要多种算法的交叉判断,本文主要介绍一种简单有效的活体判断方法。在很多情况下,高清照片和真人在某些光线条件下在相机中的成像很接近,这就导致仅仅基于面部的特征很难准确判断活体。但是肉眼在某些情况下可以轻易的分辨活体与非活体,这时大脑的工作原理不是基于面部特征去判断的,而是基于某些可疑的背景信息,例如人手拿着pad或者照片在摄像头前,这是我们可以从背景信息中识别到活体攻击。基于上述的原理,我们可以检测Pad,手机,照片等攻击媒介来过滤一些活体攻击。首先在检测到人脸后,以人脸为中心向外扩,形成一个比较大的区域,然后在此区域内进行攻击媒介的检测。如下图所示,在真人,照片攻击,Pad攻击时此区域的特征明显不同。

人脸识别活体检测技术探讨

随着人脸识别、人脸解锁等技术在金融、门禁、考勤、人证合一等日常生活中的广泛应用,人脸防伪/活体检测(Face Anti-Spoofing)技术在近年来得到了越来越多的关注。简单来说,活体检测就是要识别出成像设备(摄像头、手机等)上检测到的人脸图像是来自真实的人脸,还是某种形式的攻击或伪装。这些攻击形式主要包括照片(包括纸质照片和手机、平板等电子设备上的照片)攻击、视频回放攻击、面具攻击等。活体检测包括普通彩色(RGB)摄像头上的检测,也包括红外摄像头、三维深度摄像头上的检测。后面两种相对容易实现,这里主要讨论普通RGB摄像头上的活体检测。以前的动作活体检测的方式具有很高的安全性,但要求用户配合做几个动作,因此体验不好。现在的活体检测不需要用户动作配合,被称作静默活体检测。 此外,活体检测要求实时完成,在不超过1秒,最好在300毫秒内完成识别。现在主流的活体识别算法基本可以分为两种类型。第一个类型使用特定的某种物理特征,或多种物理特征的融合,通过深度学习方面的训练分类器,来区分是活体,还是攻击(或者是哪种形式的攻击)。另一个方式是使用卷积神经网络(CNN)的方法,直接在RGB图像(或者转换到其它色度空间)上使用深度神经网络来提取特征,最后通过分类器来区分是活体还是非活体。为了提取时间上多帧而不是单帧的信息,也可以结合使用RNN的方法。CNN的方法能达到很好的效果,但通常比较耗时,不能满足实际应用中嵌入式设备的实时识别的要求。而且,当物理特征挑选使用恰当时,第一种方法能够达到非常好、甚至超越CNN的效果。

 ©2017 studyai.com 版权所有

关于我们