人臉活體檢測（Face Anti-spoofing），在人臉識别前判斷目前輸入的人臉是否是真人，可以有效防止欺騙攻擊。
一、概述
1、常見的欺騙方式
一般的人臉識别欺騙攻擊方式有：（1）照片列印的彩色人臉照片；（2）視訊：錄制的一段人臉視訊；（3）3D面具：3D列印人的頭部模型等。
2、活體檢測方法
要對人臉進行活體檢測，本質上可以了解為真假人臉的二分類問題，基本的方法有：
- 基于紋理特征
利用真假人臉在紋理細節上的差異，提取人臉的LBP，DoG和SURF等特征，訓練一個二分類的分類器如SVM，LDA。這種方式往往對光照和相機條件比較敏感，魯棒性較差。
- 基于運動資訊
從視訊中提取人臉區域的特定運動資訊判斷真假人臉，利用使用者的眨眼、嘴部運動，點頭搖頭等資訊進行判斷。此方法需要使用者配合，多用于金融安全身份驗證，對實時門禁系統不太适用。
- 基于深度學習
利用深度學習網絡如CNN、RNN等訓練判斷真假人臉的二分類網絡模型。由于深度學習的訓練需要基于大量的資料，而人臉活體欺騙的場景資料集種類有限，難以覆寫欺騙的方式，測試集和訓練集分布有很大差異，容易出現過拟合問題，模型在測試集上效果不理想。
- 借助輔助裝置
利用外部輔助裝置如近紅外等，選取兩個波段結合可見光成像進行人臉僞裝檢測。此方式對采集條件要求比較嚴格，成本高于普通可見光系統。
3、常用資料集
人臉活體檢測常用資料集
- NUAA - http://parnec.nuaa.edu.cn/xtan/data/nuaaimposterdb.html，http://parnec.nuaa.edu.cn/xtan/NUAAImposterDB_download.html
- Replay-Attack dataset - https://www.idiap.ch/dataset/replayattack
- CASIA Face Anti-Spoofing Database - http://www.cbsr.ia.ac.cn/english/FaceAntiSpoofDatabases.asp
- MSU Mobile Face Spoofing Database (MSU MFSD) - http://biometrics.cse.msu.edu/Publications/Databases/MSUMobileFaceSpoofing/index.htm#Download_instructions
二、基于HSV + YCrCb顔色特征訓練簡單的CNN模型
項目位址：
https://github.com/Oreobird/Face-Anti-Spoofing
1、網絡模型結構
基于tensorflow keras實作，網絡模型比較簡單，如下圖所示，模型為多輸入單輸出結構，對人臉圖像轉換為HSV和YCrCb顔色空間，分别輸入到VGG16基礎網絡中提取特征，然後将兩者融合後，再加入幾層全連接配接，最終以softmax輸出真假人臉的分類機率。
模型的訓練與測試都封裝在models.py檔案的FasNet類中。
網絡結構
2、資料集
資料集使用了NUAA，訓練資料的處理在datasets.py檔案，其中DataSet是通用的讀取資料類，NUAA類以DataSet提供的接口封裝了對NUAA資料集的相關操作。
3、測試
通過Dlib檢測攝像頭實時讀取的視訊資料中的人臉，送入到訓練好的模型做推理。
三、總結
本文簡單概述了人臉活體檢測相關的基礎知識，并基于Tensorflow + Keras通過圖像的HSV和YCrCb顔色特征訓練一個簡單的CNN分類模型，然後利用Dlib庫的人臉檢測子產品實作了實時視訊人臉活體檢測Demo。