人脸活体检测（Face Anti-spoofing），在人脸识别前判断当前输入的人脸是否是真人，可以有效防止欺骗攻击。
一、概述
1、常见的欺骗方式
一般的人脸识别欺骗攻击方式有：（1）照片打印的彩色人脸照片；（2）视频：录制的一段人脸视频；（3）3D面具：3D打印人的头部模型等。
2、活体检测方法
要对人脸进行活体检测，本质上可以理解为真假人脸的二分类问题，基本的方法有：
- 基于纹理特征
利用真假人脸在纹理细节上的差异，提取人脸的LBP，DoG和SURF等特征，训练一个二分类的分类器如SVM，LDA。这种方式往往对光照和相机条件比较敏感，鲁棒性较差。
- 基于运动信息
从视频中提取人脸区域的特定运动信息判断真假人脸，利用用户的眨眼、嘴部运动，点头摇头等信息进行判断。此方法需要用户配合，多用于金融安全身份验证，对实时门禁系统不太适用。
- 基于深度学习
利用深度学习网络如CNN、RNN等训练判断真假人脸的二分类网络模型。由于深度学习的训练需要基于大量的数据，而人脸活体欺骗的场景数据集种类有限，难以覆盖欺骗的方式，测试集和训练集分布有很大差异，容易出现过拟合问题，模型在测试集上效果不理想。
- 借助辅助设备
利用外部辅助设备如近红外等，选取两个波段结合可见光成像进行人脸伪装检测。此方式对采集条件要求比较严格，成本高于普通可见光系统。
3、常用数据集
人脸活体检测常用数据集
- 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颜色特征训练简单的CNN模型
项目地址：
https://github.com/Oreobird/Face-Anti-Spoofing
1、网络模型结构
基于tensorflow keras实现，网络模型比较简单，如下图所示，模型为多输入单输出结构，对人脸图像转换为HSV和YCrCb颜色空间，分别输入到VGG16基础网络中提取特征，然后将两者融合后，再加入几层全连接，最终以softmax输出真假人脸的分类概率。
模型的训练与测试都封装在models.py文件的FasNet类中。
网络结构
2、数据集
数据集使用了NUAA，训练数据的处理在datasets.py文件，其中DataSet是通用的读取数据类，NUAA类以DataSet提供的接口封装了对NUAA数据集的相关操作。
3、测试
通过Dlib检测摄像头实时读取的视频数据中的人脸，送入到训练好的模型做推理。
三、总结
本文简单概述了人脸活体检测相关的基础知识，并基于Tensorflow + Keras通过图像的HSV和YCrCb颜色特征训练一个简单的CNN分类模型，然后利用Dlib库的人脸检测模块实现了实时视频人脸活体检测Demo。