OpenCV中文网站

 找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
热搜: 安装 配置
查看: 459|回复: 3

人脸识别活体检测技术探讨

[复制链接]
发表于 2019-1-22 09:32:54 | 显示全部楼层 |阅读模式
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。
活体检测中的物理特征主要分为纹理特征、颜色特征、频谱特征、运动特征、图像质量特征等,此外,还包括心跳特征等。其中纹理特征包括很多,但最主流的是LBP、HOG、LPQ等。颜色特征除了RGB之外,学术界发现HSV或YCbCr具有更好的区分活体非活体的性能,被广泛用作不同的纹理特征上。频谱特征的原理是活体、非活体在某些频段具有不同的响应。运动特征提取目标在不同时间上的变化,是一个有效的办法,但通常耗时较久,达不到实时的要求。图像质量特征有很多描述方式,比如反射、散射、边缘或形状等。
经过多种算法的比较,我们的活体检测选用了多种物理特征融合加上分类器的算法。我们的计算优势体现在以下几个方面。
1) 我们的物理特征选用了上面描述的其中几种,涵盖了纹理特征、颜色、频谱特征、图像质量特征,和可选的运动特征。
2) 我们研究了几种融合方式:i)在特征上进行融合;ii)在自动编码器(auto encoder)上进行融合;iii)在分类得分上融合。我们选用了准确率最高,易用性好,速度快的方法。
3) 我们使用的分类器算法超越传统的支持向量机(SVM)算法,使用了最新深度学习方法,比如center loss。
算法经过优化之后,可以有效提取各种摄像头上的活体和非活体的不同响应,根据我们在多个主流厂家摄像头及手机的测试结果表明,识别准确率达到99%以上。同时,实时性能优异,能在300毫秒内快速完成识别。  
当然,泛化性能对所有活体识别来说都是一个挑战,这需要采集海量的数据来进行训练,涵盖市面上主要的手机、摄像头型号。我们希望使用我们的SDK的开发者们,可以分享你们能获取的活体、非活体照片,以便于我们进一步优化我们算法的准确率。



回复

使用道具 举报

 楼主| 发表于 2019-1-22 09:39:32 | 显示全部楼层
现在有一个网站可以免费下载并使用人脸识别及活体检测SDK ,有需要的私信我,我将链接发给大家
回复 支持 反对

使用道具 举报

发表于 2019-1-23 20:41:09 | 显示全部楼层
mark!
回复 支持 反对

使用道具 举报

发表于 2019-1-30 21:07:22 | 显示全部楼层
您好,能分享下链接么
回复 支持 反对

使用道具 举报

*滑动验证:
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

手机版|小黑屋|blog|OpenCV中文网站 ( 粤ICP备13079875号-2

GMT+8, 2019-2-16 10:57 , Processed in 0.051373 second(s), 20 queries .

Powered by Discuz! X3.4

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表