摘要：雙活體，依然是前最可靠的防攻擊段之。詳解云識(shí)客活體檢測技術(shù)以下，我們分析一種多重人臉區(qū)域共享的深度學(xué)習(xí)算法。光流法輔助單目活體判斷最后，針對(duì)單目活體，云識(shí)客也采用光流法輔助活體判斷的校驗(yàn)機(jī)制。

以下這張照?，是真?實(shí)拍還是對(duì)著照?翻拍的？

如果告訴你，這張照?，是對(duì)著照?翻拍的照?，你會(huì)不會(huì)驚訝？

但就是對(duì)于這種?乎以假亂真的照?，雙?活體能很輕松地判斷出來這張照?到底是真?照?還是照片翻拍。在?融、征信、安防等?臉識(shí)別應(yīng)?最?泛的場景中，活體識(shí)別可以說是具備?規(guī)模應(yīng)?最關(guān)鍵環(huán)節(jié)。

雙?，就是有兩個(gè)眼睛。?個(gè)眼睛是可?光攝像頭，采集彩?照；還有?個(gè)眼睛是近紅外攝像頭，采集的??照。?雙?活體，實(shí)際上也對(duì)應(yīng)了兩種算法，單?活體檢測和近紅外活體檢測

? 可?光活體檢測的原理，是利?圖?中?像的破綻（摩爾紋、成像畸形等）來判斷?標(biāo)對(duì)象是否為活體，可有效防?屏幕?次翻拍等作弊攻擊

? 近紅外活體檢測的原理，是紅外攝像頭發(fā)射紅外光線，照射到物體表?，利?成像元件（CCD或 CMOS）去感受周圍環(huán)境反射回來的紅外光，因?yàn)椴煌馁|(zhì)的反射率不同等原因，再通過算法分析，即可識(shí)別是當(dāng)前?戶是否是真?。

近紅外活體由于?帶紅外光源，因此受環(huán)境光的影響較?，可以在完全?暗的環(huán)境下成像，對(duì)于?機(jī)屏幕有近 100%防攻擊能力

活體檢測的關(guān)鍵指標(biāo)包括：

? 識(shí)別速度：算法從接收到圖?到輸出結(jié)果的時(shí)間

? 通過率：設(shè)定好?個(gè)閾值，給定N個(gè)真?樣本，算法輸出的分值?于閾值(即正確判斷為真?)的樣本為M，則通過率=M/N

? 拒絕率：設(shè)定好?個(gè)閾值，給定N個(gè)攻擊樣本，算法輸出的分值低于閾值(即正確判斷為假?)的樣本為M，則拒絕率=M/N

通過率與拒絕率，是在同?個(gè)閾值下測試出來的，選取的閾值?，通過率低，拒絕率?；選取的閾值低，通過率越?，但是拒絕率?。

我們將從場景、商業(yè)、黑產(chǎn)三個(gè)維度，來分析雙目活體的重要性：

? 線下場景，?度契合

云識(shí)客將?前?臉識(shí)別的主要應(yīng)?場景分為兩類：線上遠(yuǎn)程認(rèn)證場景(?融開戶、刷臉注冊(cè)、刷臉 登錄等)、線下??值守場景(?臉?禁、刷臉取款、刷臉?付等)。

活體檢測的技術(shù)上，?前也主要有兩?類：對(duì)硬件依賴度?較低的，如動(dòng)作活體，靜默活體；對(duì)硬件有?定要求，需要和硬件適配的，?如雙?活體、3D結(jié)構(gòu)光活體等。雖然后者的成本?前者?，但是防攻擊效果更好，?在線下場景中，天然的需要硬件，因?后者也成為線下場景的最好選擇。

? 技術(shù)成熟，商用廣泛

雙?活體?3D結(jié)構(gòu)光活體的技術(shù)難度也更低，因?成本更低，市場上雙?攝像頭模組成本?概￥300左右，?3D結(jié)構(gòu)光模組要￥500～800；

產(chǎn)業(yè)結(jié)構(gòu)上，能夠批量做3D結(jié)構(gòu)光模組的，中國?前只有兩家；?能做雙?活體硬件的，則數(shù)不勝數(shù)。所以線下場景的主流還是雙?活體，普及度更?，?業(yè)發(fā)展更成熟。

? ?產(chǎn)博弈，依然可靠

有光明的地?，就會(huì)有?暗。如今的?產(chǎn)，已不僅僅是只會(huì)懂得?電信詐騙等?段來欺詐，他們也懂得利?AI和科技，并形成產(chǎn)業(yè)化，提供給上下游使?。

?如?前很多互?app的活體檢測，都采?動(dòng)作活體的?式(即系統(tǒng)出現(xiàn)隨機(jī)動(dòng)作，?戶即時(shí)做出指定動(dòng)作才被認(rèn)為是真?)，?產(chǎn)針對(duì)這種?式，使?3D建模技術(shù)，只需要?張照?，即可?成任何指定的動(dòng)作。?雙?活體，依然是?前最可靠的防攻擊?段之?。

以下，我們分析一種多重人臉區(qū)域共享CNN的深度學(xué)習(xí)算法。

? 如何兼顧識(shí)別準(zhǔn)確率與識(shí)別速度

雖然?前業(yè)界已經(jīng)有多種雙?活體檢測算法，但多數(shù)算法為了得到準(zhǔn)確率?的活體檢測模型，使?了?較?的神經(jīng)?絡(luò)，雖然提升了模型的表現(xiàn)能?，但是模型太?，運(yùn)算耗時(shí)。

如何兼顧識(shí)別準(zhǔn)確率與識(shí)別速度，?直是業(yè)界的??難題。

有一種方案：通過采集多張?臉區(qū)域，更有效的捕捉活體和?活體數(shù)據(jù)之間的區(qū)別，引?更多的有效判別信息到卷積神經(jīng)?絡(luò)，提升識(shí)別準(zhǔn)確率；同時(shí)多張?臉共享卷積神經(jīng)?絡(luò)，相?其他?張?臉對(duì)應(yīng)?個(gè)神經(jīng)?絡(luò)，有效減?模型計(jì)算復(fù)雜度。

? 詳解算法策略

從這個(gè)流程圖上，可以很清晰的看到，整體上有兩個(gè)關(guān)鍵步驟：?適應(yīng)扣取?臉、卷積神經(jīng)?絡(luò)。

? ?適應(yīng)扣取?臉

更有效地捕捉活體與?活體數(shù)據(jù)的區(qū)別，采集到更多的有效判別信息，幫助提升識(shí)別準(zhǔn)確率。

如上圖，我們依次扣取不同?臉占?的圖像送?同?個(gè)CNN?絡(luò)，增加了更多活體判斷的有效信息，其中藍(lán)?框主要捕獲摩爾紋、反光、?臉畸變等信息，紅?區(qū)域捕捉?機(jī)邊界、紙張邊界等明 顯攻擊信息，綠?區(qū)域是過渡區(qū)域，捕捉相關(guān)背景信息。

整體計(jì)算公式如下：

? 卷積神經(jīng)?絡(luò)

在?適應(yīng)扣取?臉中，我們截取的三個(gè)不同區(qū)域的圖像數(shù)據(jù)，共享CNN，相比其他算法模型一種圖像使用一種模型，能極大減少模型的復(fù)雜度，從而降低模型大小。

最后，融合三個(gè)圖像輸出的不同特征，并設(shè)計(jì)新穎的針對(duì)單?/活體?絡(luò)訓(xùn)練的損失函數(shù)，增加?絡(luò)的泛化性能。

使用這種算法模型，整體僅5M??, 即使在低性能硬件設(shè)備上，也能達(dá)到實(shí)時(shí)檢測的效果。

? 樣本搜集

最后，除了算法的維度，結(jié)合越來越高明的攻擊行為，還需要搜集海量的攻擊樣本數(shù)據(jù)，包括?機(jī)、屏幕、紙張、面具、面膜等攻擊樣本，覆蓋面廣，進(jìn)一步增加活體防攻擊的范圍。

? 光流法輔助單目活體判斷

最后，針對(duì)單目活體，云識(shí)客也采用光流法輔助活體判斷的校驗(yàn)機(jī)制。所謂的光流場，即物體在三維真實(shí)世界中的運(yùn)動(dòng)，在二維圖像平面上的投影

如圖：通過幀間信息求取光流場數(shù)據(jù)，對(duì)于紙張攻擊和手機(jī)攻擊來說，求得的光流場與實(shí)際活體人臉區(qū)域的光流場有很大區(qū)別。活體人臉區(qū)域的光流場存在方向不一致性，并且與背景分離，紙張和手機(jī)攻擊的光流場存在方向一致性并且人臉區(qū)域與背景是不分離的，通過此類規(guī)律可以過濾掉大部分運(yùn)動(dòng)狀態(tài)下的非活體攻擊數(shù)據(jù)。

? 測試關(guān)鍵指標(biāo)

? 識(shí)別速度

整體算法模型??僅5M，即使在低性能設(shè)備上，也能流暢運(yùn)?。在3288的CPU上，僅耗時(shí)398ms，?同類一般算法快200ms。

? 通過率與拒絕率

實(shí)際場景照?下的通過率達(dá)99.7%，拒絕率達(dá)99.9%。

云識(shí)客認(rèn)為：

算法不僅是深度學(xué)習(xí)，其核心在于算法策略；

算法也不是空中樓閣，更需要抓住行業(yè)痛點(diǎn)，才能發(fā)揮最大的價(jià)值。