眨眼作為一種無意識的生物特征，一般健康人眨眼間隔2s至10s，眼睛閉合持續時間100ms至400ms。利用健康人的眨眼頻率特點，主要應用于疲勞檢測和活體檢測等兩個場景。對于疲勞檢測場景，疲勞特點是頻繁眨眼（眨眼間隔變短）和長時間閉眼（眼瞼閉合時間變長），算法實現主要是利用疲勞特點做文章。對于活體檢測場景，對于紙質打印以及手機照片等靜態人臉圖像是不會有眨眼動作的，關注點是有沒有眨眼動作，本人關注的是門禁機場景，對實時性要求更高。

對眨眼檢測論文大致按照時間脈絡做了下調研。

• Eye blink based fatigue detection for prevention of computer vision syndrome(2009)

思路：利用光流法獲取眼睛運動，提取眼睛主要的垂直運動分析眨眼情況，文中總結特意提到了其方法滿足實時性，眨眼分析關注的是眨眼頻率（眨眼間隔、眨眼持續時間），因為是用來分析疲勞。有個前提條件是人臉相對較大

• Eyeblink-based Anti-Spoofing in Face Recognition from a Generic Webcamera（2007）
• Blinking-Based Live Face Detection Using Conditional Random Fields（2007）

思路：這兩篇文章來自同一個團隊，采用無方向的隨機場框架推斷眼睛的閉合度從而判斷眼睛閉合，細節比較繁瑣興趣的可以自己看論文。

• Robust eyelid tracking for fatigue detection(2012)

思路：用一對參數化拋物曲線對眼睛形狀建模，在每幀中通過眼睛最大化似然方式擬合眼睛形狀模型，從而獲得眼睛形狀。兩種典型的疲勞特點是頻繁眨眼和長時間閉眼。

• Automatic Eye State Recognition and Closed-eye Photo Correction (2014)

思路：通過人臉檢測和特征點提取的方法獲得歸一化的眼睛圖像，然后通過adaboost訓練的open eye分類器判斷眼睛是否睜開。如果判斷為閉合，對閉合人眼采用PCA generative model的方式替換成打開的人眼

• Eye blink detection using variance of motion vectors(2014)

思路：分析眼睛區域的垂直運動向量的方差判斷眼睛的閉合。具體流程是通過Viola-Jones方法（haar特征、adaboost分類器、cascade方法）獲取人臉和眼睛區域，然后將人眼分為3*3的網格，對網格點利用KLT方式進行跟蹤，然后得到每個跟蹤點的運動向量進行方差計算。

• Real-Time Eye Blink Detection using Facial Landmarks（2016）

思路：該方法以face landmarks為基礎（ps:隨著facial landmarks對光照變化和距離的魯棒性變好，該方法也越來越通用）定義了EAR（Eye Aspect Ratio），對當前幀以及前后各6幀檢測到的EAR組成一個13維特征向量，送到一個SVM中來進行分類，判斷是否有眨眼動作。文中實驗證明比簡單的使用EAR 閾值魯棒性更好，因為單純的閾值可能會因為面部表情，face landmarks的波動產生眨眼的誤檢。

• In Ictu Oculi: Exposing AI Generated Fake Face Videos by Detecting Eye Blinking（2018）

https://github.com/danmohaha/WIFS2018_In_Ictu_Oculi

思路：提到deepfack訓練數據缺乏閉眼數據，所以仿真視頻人不是眨眼這一特點，通過檢測眨眼方式來找出仿真視頻破綻。具體實現流程是通過face landmark方式crop眼睛區域，然后通過CNN+LSTM的方式利用時域和空域特征，判斷視頻序列是否有眨眼。

PS：對于上述論文打包放在百度盤。

鏈接：https://pan.baidu.com/s/14UQ6mW7ShfjYzLhtKPmXjQ

提取碼：af4z

調研工作粗淺做完了。對于活體檢測門禁機場景，計劃將眨眼檢測放置在系統中如下位置，優點是降低了spoof人臉數據的FAR，缺點是降低live人臉數據的通過率。眨眼檢測的實時性、對光照變化的魯棒性和距離的魯棒性都比較重要。如果眨眼漏檢的話，真人就通不過了。

活體檢測系統流程圖

Real-Time Eye Blink Detection using Facial Landmarks這篇論文的方法，對于當前的系統有天然的優勢，實時性能滿足，EAR對距離也不敏感，另外EAR閾值設定在0.15，眨眼基本上不會漏檢（后續有需要可以增加adaboost訓練的open eye分類器提升準確性），目前唯一隱患是門禁機通過時間的用戶體驗需要實測。

論文解讀

https://blog.csdn.net/hongbin_xu/article/details/79033116

https://yq.aliyun.com/articles/336184

對應github

https://github.com/m3rc3n4ry/Eye-blink-detection

https://github.com/mans-men/eye-blink-detection-demo

https://github.com/dilawar/eye-blink-detector(依賴框出人眼位置)

Dlib提取人臉特征點（68點，opencv畫圖）

https://blog.csdn.net/zmdsjtu/article/details/52422847

Dlib 人臉Landmark檢測速度優化

https://blog.csdn.net/hnsywangxin/article/details/80213501

目前已經實現了上述方法，效果如下

總結

以上是生活随笔為你收集整理的3皮卡丘眨眼代码_眨眼检测调研以及活体检测应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。