摘要：雙活體，依然是前最可靠的防攻擊段之。詳解云識客活體檢測技術以下，我們分析一種多重人臉區域共享的深度學習算法。光流法輔助單目活體判斷最后，針對單目活體，云識客也采用光流法輔助活體判斷的校驗機制。

以下這張照?，是真?實拍還是對著照?翻拍的？

如果告訴你，這張照?，是對著照?翻拍的照?，你會不會驚訝？

但就是對于這種?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?臉識別應?最?泛的場景中，活體識別可以說是具備?規模應?最關鍵環節。

雙?，就是有兩個眼睛。?個眼睛是可?光攝像頭，采集彩?照；還有?個眼睛是近紅外攝像頭，采集的??照。?雙?活體，實際上也對應了兩種算法，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?標對象是否為活體，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）去感受周圍環境反射回來的紅外光，因為不同材質的反射率不同等原因，再通過算法分析，即可識別是當前?戶是否是真?。

近紅外活體由于?帶紅外光源，因此受環境光的影響較?，可以在完全?暗的環境下成像，對于?機屏幕有近 100%防攻擊能力

活體檢測的關鍵指標包括：

? 識別速度：算法從接收到圖?到輸出結果的時間

? 通過率：設定好?個閾值，給定N個真?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：設定好?個閾值，給定N個攻擊樣本，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、黑產三個維度，來分析雙目活體的重要性：

? 線下場景，?度契合

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

活體檢測的技術上，?前也主要有兩?類：對硬件依賴度?較低的，如動作活體，靜默活體；對硬件有?定要求，需要和硬件適配的，?如雙?活體、3D結構光活體等。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。

? 技術成熟，商用廣泛

雙?活體?3D結構光活體的技術難度也更低，因?成本更低，市場上雙?攝像頭模組成本?概￥300左右，?3D結構光模組要￥500～800；

產業結構上，能夠批量做3D結構光模組的，中國?前只有兩家；?能做雙?活體硬件的，則數不勝數。所以線下場景的主流還是雙?活體，普及度更?，?業發展更成熟。

? ?產博弈，依然可靠

有光明的地?，就會有?暗。如今的?產，已不僅僅是只會懂得?電信詐騙等?段來欺詐，他們也懂得利?AI和科技，并形成產業化，提供給上下游使?。

?如?前很多互?app的活體檢測，都采?動作活體的?式(即系統出現隨機動作，?戶即時做出指定動作才被認為是真?)，?產針對這種?式，使?3D建模技術，只需要?張照?，即可?成任何指定的動作。?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域共享CNN的深度學習算法。

? 如何兼顧識別準確率與識別速度

雖然?前業界已經有多種雙?活體檢測算法，但多數算法為了得到準確率?的活體檢測模型，使?了?較?的神經?絡，雖然提升了模型的表現能?，但是模型太?，運算耗時。

如何兼顧識別準確率與識別速度，?直是業界的??難題。

有一種方案：通過采集多張?臉區域，更有效的捕捉活體和?活體數據之間的區別，引?更多的有效判別信息到卷積神經?絡，提升識別準確率；同時多張?臉共享卷積神經?絡，相?其他?張?臉對應?個神經?絡，有效減?模型計算復雜度。

? 詳解算法策略

從這個流程圖上，可以很清晰的看到，整體上有兩個關鍵步驟：?適應扣取?臉、卷積神經?絡。

? ?適應扣取?臉

更有效地捕捉活體與?活體數據的區別，采集到更多的有效判別信息，幫助提升識別準確率。

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

整體計算公式如下：

? 卷積神經?絡

在?適應扣取?臉中，我們截取的三個不同區域的圖像數據，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雜度，從而降低模型大小。

最后，融合三個圖像輸出的不同特征，并設計新穎的針對單?/活體?絡訓練的損失函數，增加?絡的泛化性能。

使用這種算法模型，整體僅5M??, 即使在低性能硬件設備上，也能達到實時檢測的效果。

? 樣本搜集

最后，除了算法的維度，結合越來越高明的攻擊行為，還需要搜集海量的攻擊樣本數據，包括?機、屏幕、紙張、面具、面膜等攻擊樣本，覆蓋面廣，進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，針對單目活體，云識客也采用光流法輔助活體判斷的校驗機制。所謂的光流場，即物體在三維真實世界中的運動，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據，對于紙張攻擊和手機攻擊來說，求得的光流場與實際活體人臉區域的光流場有很大區別。活體人臉區域的光流場存在方向不一致性，并且與背景分離，紙張和手機攻擊的光流場存在方向一致性并且人臉區域與背景是不分離的，通過此類規律可以過濾掉大部分運動狀態下的非活體攻擊數據。

? 測試關鍵指標

? 識別速度

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

? 通過率與拒絕率

實際場景照?下的通過率達99.7%，拒絕率達99.9%。

云識客認為：

算法不僅是深度學習，其核心在于算法策略；

算法也不是空中樓閣，更需要抓住行業痛點，才能發揮最大的價值。