CV學習筆記(二十七)：活體檢測總結①
在一些業務需要中，需要識別場景中的使用者是否為“真人”，因此需要活體檢測技術，這篇文章將針對當前行業中的活體檢測技術進行總結。
一：活體檢測面臨的問題
在人臉檢測之中，攻擊者往往會透過PA（presentation attacks）對系統進行攻擊，常見的PA操作包括
列印照片，虛假錄製影片，面部偽裝，3D-人臉面具
等方式，如果沒有活體檢測，系統的安全性會比較低。在2017年之前，行業主要的實現方向是使用傳統的機器視覺方法，在17年之後，較多的使用CNN卷積網路來輔助效能，在2019年CVPR中就有多篇關於活體檢測的paper，已成熱門方向。
二：常見活體檢測方式調研
Ⅰ：基於傳統影象處理的活體檢測
傳統的活體檢測主要的思路是捕捉影象的紋理，從而進行分類。
這類方法整體的流程大致如下：
1：影象預處理，對影象進行裁剪，對齊，分割等操作，同時對影象的空間進行變換和疊加，透過
從時域到頻域，空域或者改變其顏色空間來進行操作。
2：使用如SIFT，HOG，LBP，SURF以及各種魔改變種來對影象的特徵進行提取。
3：使用如降維，編碼，多通道組合的方法進行進一步的特徵提取，進行分類前的預處理
4：使用SVM/LR等特徵分類器進行二分類
Ⅱ：傳統方法論文思想總結：
①：透過活體和PA攻擊紋理統計特性不一致，基於紋理特徵進行分類
比較具有代表性的論文：
1：Face Spoofing Detection Using Colour Texture Analysis
透過HSV空間人臉多級LBP特徵 + YCbCr空間人臉LPQ特徵
Link：
https：//
ieeexplore。ieee。org/abs
tract/document/7454730
2： Face anti-spoofing based on color texture analysis
透過觀測在頻域上分佈不同，先區分活體還是照片攻擊 （因為照片中的人臉提取的頻域分佈不同），若判別上述結果是活體，再設計一個紋理LBP分類器，來區分活體還是螢幕攻擊（因為螢幕影片中人臉頻率分佈與活體相近）
Link：
https：//
ieeexplore。ieee。org/abs
tract/document/735128
在這類論文中，活體和PA紋理不一致，如下圖
可以透過LBP（區域性二值）來提取其紋理特徵，再對LBP進行分類：
使用到的模型架構：
②：基於紋理統計特性進行分類
代表論文：
1：Chromatic cooccurrence of local binary pattern for face presentation attack detection
Link：
https：//
ieeexplore。ieee。org/doc
ument/8487325
模型架構：
②：On the effectiveness of local binary patterns in face anti-spoofing
Link：
https：//
ieeexplore。ieee。org/abs
tract/document/6313548
模型架構：
③：LBP-TOP based countermeasure against face spoofing attacks
Link：
http：//
citeseerx。ist。psu。edu/v
iewdoc/download；jsessionid=271BCC281BDD5D9B869D3DB92A278BB0？doi=10。1。1。493。6222&rep=rep1&type=pdf
模型架構：
④：Face Liveness Detection with Component Dependent Descriptor
這篇文章也是用的紋理統計，但是比較有意思的是使用了面部分割的方法
模型流程：
1：檢測面部位置，將面部分割為輪廓，面部，左右眼，鼻，嘴，六個區域
2：提取面部特徵，LBP+HOG，將不同部位進行特徵聯結
3： SVM分類器進行二分類
以上為比較傳統的機器學習的活體檢測方法，雖然這些演算法有一些歷史，但大致流程不變，我們仍可以學習其處理的核心精神，下一篇文章將介紹下現在比較主流的基於深度學習的活體檢測！
五：參考文章
活體檢測Face Anti-spoofing綜述 - Fisher Yu餘梓彤的文章 - 知乎
CVPR & AAAI 2020 |人臉活體檢測最新進展 - Fisher Yu餘梓彤的文章 - 知乎
https：//
zhuanlan。zhihu。com/p/11
4313640
