文章目錄

• 一、人臉防欺詐簡介
• • • • 1.1 人臉欺騙攻擊（Face Spoofing Attacks）
      • 1.2 人臉防欺詐技術(FAS)
• 二、人臉活體檢測方法
• • • • 2.1 基于手工特征
      • 2.2 基于深度學習

一、人臉防欺詐簡介

1.1 人臉欺騙攻擊（Face Spoofing Attacks）

• 目前人臉識別技術已經在一些交互式智能應用中被廣泛使用，比如，身份驗證、移動支付、智能安防 等等。但是，現有的人臉識別系統很容易受到偽造的人臉攻擊，在下面圖（b）中給出了幾種具有代表性的欺騙攻擊類型，主要分為兩種典型情況:

模擬impersonation：包括打印照片、電子屏幕中的人臉數字圖像、3D面具（紙面具、樹脂面具、人體模型）等攻擊類型。

模糊處理obfuscation：包括眼鏡、化妝、假發和紋身等攻擊類型。

1.2 人臉防欺詐技術(FAS)

定義：人臉活體檢測技術，也叫人臉防欺詐（FAS）或呈現攻擊檢測（PAD），它的任務是判斷捕捉到的人臉是真實人臉，還是偽造的人臉攻擊。是人臉識別系統 安全性 的重要保障之一。

• 一般來說，對人臉識別系統的攻擊通常包括數字操作和物理呈現攻擊兩類。
  上面圖（a）中是人臉呈現物理攻擊的檢測流程，人臉防欺詐FAS與人臉識別AFR系統有兩種融合方案:
  （1）并行融合方案，將FAS與FR系統的預測分數融合，合并后的最終分數用于確定樣本是不是來自真正的用戶。
  （2）串行融合方案，先經過人臉防欺詐FAS系統，再經過人臉識別系統，能夠避免偽造人臉進入后續的人臉識別階段。

二、人臉活體檢測方法

2.1 基于手工特征

• 早期人臉活體檢測算法 主要從人工設計的特征層面出發，算法的目標就是找到活體與非活體的之間的差異性,然后根據這些差異來設計特征,最后將提取的特征送到分類器去判斷待測特征是否為活體特征。
• 一般活體與非活體差異包括：顏色紋理、非剛性運動變形、材料 （皮膚，紙質，鏡面）、圖像或者視頻質量

下面介紹比較有代表性的兩個方法：
（1）Motion mag.-HOOF + LBP-TOP, 2014

• 這是2014年提出的 一種基于運動估計的新型活體檢測算法，它是先對輸入的多幀圖像通過運動放大 來增強臉部微動作,然后使用兩種特征提取算法(局部二進制模式LBP-TOP和 定向光流直方圖的運動估計)分別對紋理和運動屬性進行編碼,最后對這兩個正交的融合之后的特征 利用SVM 進行分類,輸出結果是預測為活體或非活體的得分。這個算法將多種特征融合，具備有良好的魯棒性。
  

（2）Colour Texture, 2016

• 這個方法是2016年提出的，通過顏色紋理分析的方法 來檢測圖片是否為真實的人臉圖像。具體來說,就是從不同顏色空間中提取互補的低級特征描述, 把不同亮度和色度通道中的 聯合顏色紋理特征 作為待檢測特征進行檢測分類。在這個圖中，從單個圖像通道中提取 LBP 直方圖，然后將這些直方圖連接起來形成最終描述符。
• 在這個算法中，是通過提取HSV空間中的人臉多級LBP特征以及YCbCr空間的人臉 LPQ 特征線索進行SVM分類。
  
• 算法的原理：作者認為在RGB空間中很難區別活體與非活體,但在其他顏色空間里 紋理差異比較明顯.（比如圖4是不同空間中活體與非活體的比較，在 RGB 圖像或者灰度圖像中這種細微的差異 肉眼很難觀察到,但在其他空間中活體與非活體的差異非常明顯）

2.2 基于深度學習

• 傳統的人臉活體檢測一般從人工設計的紋理、顏色等特征入手,提取圖片和視頻中的統計特征,使用SVM進行分類,但是這類方法的特征提取的能力非常有限,分類器很多時候不能很好的區分輸入的細微差別,尤其是對視頻重放攻擊,視頻中的人臉和真實人臉十分相似。
• 后期隨著卷積神經網絡,循環神經網絡等特征提取器的逐漸流行,主流的方法變成了通過設計一些特定的網絡結構，從圖片中直接提取可識別信息,然后利用訓練好的模型直接區分活體與非活體。

下面介紹兩個比較有代表性的方法：
（1）2017年提出了一種基于兩流CNN的人臉反欺騙方法，用于照片和視頻攻擊檢測。

• 如圖所示，該方法創新點主要是提出了兩種卷積網絡用于人臉活體檢測，上面這個CNN用于提取局部的人臉特征,給每個隨機提取的圖像塊分配一個分數，然后用分數的平均值來計算整個人臉圖像；下面這個CNN利用深度信息來判斷圖片是否具有真實的人臉應有深度信息，然后根據估計的深度圖為人臉圖像提供一個真實性評分。最后將這兩個 CNN 的分數融合給出最終真假人臉的判斷。
  
• 盡管卷積和全卷積等網絡結構有很強的特征提取能力,但是在復雜多變的真實場景中,往往會面臨數據量欠缺、過擬合等問題,直到2018年提出了一種利用空間和時間輔助信息的方法，才超過了傳統的算法。

（2）2018年提出了一種利用空間和時間輔助信息的方法

• 這個算法的作者指出以前的深度學習方法將活體檢測看成二分類問題，直接讓DNN去學習，這樣學出來的特征信息缺乏普遍性和判別性。文中將二分類問題轉換成帶目標性的特征監督問題，設計了一種新型網絡架構CNN-RNN，利用深度圖和rPPG信號這兩種輔助信息作為監督。在圖1中可以看出來 真實人臉與欺騙人臉在深度圖像和rPPG信號方面有明顯的差異。
  
• 在這個算法中CNN部分利用深度圖監督來發現細微的紋理屬性，從而對真假臉的識別帶來不同的深度。然后，它將估計的深度和特征映射 喂入到新的 非剛性配準層以創建對齊的特征圖。RNN部分使用對齊的特征圖 和 檢查視頻幀間變化的rPPG作為監督進行訓練。
  
• 實驗結果表明，這個CNN-RNN方法在常用數據集上，超過了傳統算法中表現最好的顏色紋理分析Color Texture方法。

總結

以上是生活随笔為你收集整理的人脸防欺诈简介的全部內容，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。