人脸活体检测技术在企业中的应用研究

[摘要]人工智能、物联网等科学技术推动了城市发展和人类进步。人脸活体检测作为先进技术，在许多领域有着广泛的应用。基于人脸活体检测的优势，分析该技术在应用中常用的方法及原理，重点探究人脸活体检测技术在实际中的应用，将静态人脸活体检测与动态视频监管相结合，更准确地落实日常考勤、身份核实、安全防护等相关工作。通过结合实际，指明人脸活体检测在企业和社会中发挥的作用：在企业内部，人脸活体检测技术保障企业安全，规范职员行为标准，提升业务水平，增加企业利润；在社会层面，人脸活体检测技术可增加就业机会，维护公共安全，改善人民的生活水平，释放更多的劳动力，为社会发展作出更多贡献。最后在隐私保护、数据安全、数据共享、事后补救方面给出了建议。

[关键词]人脸活体检测;企业;应用

一、 引言

新一轮科技革命方兴未艾，新兴技术遍布社会生活的方方面面。人脸信息有着真实、高效、直观的优点，在当今数据化时代，生物信息是各个领域着重发掘与应用的战略资源。人脸识别技术在采集面部特征的基础上，分析、比对、识别和验证目标人员的身份。随着人脸识别技术的广泛应用，常有冒名顶替者盗用用户面部信息进行利益骗取和金钱勒索。因此，人脸活体检测逐渐走向公众视野，在应用中起到至关重要的作用。人脸活体检测技术的主要功能是检测人脸是否真正来自具有生命特征的合法用户，进而更准确地辅助人证检验、身份核实、安全防护等相关工作。人脸活体检测技术作为高效率、高精度的生物特征识别技术，正朝着自动化、无人监督化的方向发展。近年来，由于新冠疫情的暴发，很多企业受到严重影响，具体表现为营业收入困难、客户流量下降、运营成本增大、交易市场萎缩等。人脸活体检测技术的应用不仅可以积极帮助企业复工，保障生命安全，维持企业稳定收入，保证企业正常运营，而且有利于企业响应国家政策，配合政府工作，更有助于增加就业机会。人脸活体检测技术在人类发展与前进途中具有巨大潜力和重大价值。

二、 人脸活体检测技术的优势

在当前数字化时代，大数据技术、云计算、云储存助力了人脸活体检测技术的发展。人脸活体检测技术具有高精确度、高准确率的特点，同时可以实现不同场景和24小时任意时间段的应用，有助于企业大力推进新技术的应用，把先进的技术融入资源、管理、安防等方方面面。

1. 安全高效

早期传统的身份识别方式为钥匙、锁、字迹，步入现代社会后身份鉴别工具有密码、IC卡。随着物联网的普及与发展，攻击者轻易便可破解传统的身份识别方式，安全性大大降低。新的智能识别方法即生物识别技术得到了开发及应用，例如根据指纹、声音、人脸等生物固有的生理特征进行识别。对比其他生物特征信息，人脸信息具有自然性、非强制性、非接触性等优势。以指纹识别为例，接触设备时，手指的清洁度和指纹的质量就使得指纹识别的次数和时间存在不确定性。指纹识别完成后，留下的指纹痕迹容易被攻击者窃取及利用。面部检测时不用接触检测装备，在不被察觉的情况下即可进行。面部检测的有效距离为7米[1]，检测仪器可以在环境光不稳定时创造较好的光电环境，通过多角度对人脸进行采集。人脸活体检测技术搜集到人脸，若人脸存在偏差，设备经过精准且快速的运算，采集或识别正面人脸，几乎在短短几秒内就可以无差错地完成人脸识别且没有留下任何痕迹。人脸活体检测技术可以满足高要求的用户体验，快捷、高效且安全系数更高。

2. 简单便捷

对于特殊用户而言，尤其是老人、孩童、残疾人等用户，指纹、字迹等需要用户刻意学习操作，学习过程经常使特殊人群难以理解。IC卡一类需要随身携带，当IC卡丢失时通常会耽误原有的计划，延误时间。基于RGB摄像头的交互式人脸活体检测，用户只需要完成相应简单动作即可，如眨眼、转头、张嘴，甚至基于静默式人脸活体检测只需正对镜头，在几秒毫无意识的情况下就可以完成检测。近年来受疫情的影响，口罩成了重要场所及人员聚集地必需的防护用品。原先需要整张脸框入屏幕，而现在戴着口罩对准镜头一样能快速检测成功。研究者通过算法先训练一个戴口罩的人脸模型，调节权重分配，将人脸未遮挡部分的比重增大，使得检测时能够定位到戴口罩的人脸中，用注意力掩模处理后提取未被遮挡部分的人脸信息，与模板库进行对比得出验证结果。这样，在疫情防控期间，无需摘下口罩也能识别成功。在应用过程中，个体的基本信息及个人隐私可通过数据的直观性清晰表达，相较传统方式更好地维护了用户的心理及隐私，最大限度保护用户信息。

3. 实时监督

在企业中存在许多特殊场景，譬如银行业务中用到的金库、押钞车、自助提款机等，也存在许多特殊物品，譬如化工厂中昂贵的机械设备和易燃易爆易腐蚀的化学物品。在传统方法中，当发生意外需要追溯事物原始状态时，操作人员需对录像进行回放，用肉眼对回放中的人物特征观察、记忆及推理以找到嫌疑人。传统方法由于对时间的需求较大，会错失逮捕的最佳时间，并且为了尽可能地避免推测错误，减少耗费不必要的人力和财力。活体检测技术可实时定位、监督、跟踪，运用数字化手段在影像中对个体行为及动向做实时分析，从而在动态的数据分析过程中实现信息的实时预警[2]。视频中的人物特征、具体行为等皆可作为证据交予公安机关。

三、 人脸活体检测在企业中的应用

1. 人脸活体检测工作的关键流程

人脸活体检测主要检测人脸是否为活体人脸，是否满足特定场景所需要的真实条件。目前，如表1的总结，攻击者通常使用的欺诈方式[3]共分为3种。

第一种为照片攻击，该方式最为普遍且成本最低。人脸照片可在社交软件随意保存；在海量的网页链接中大批量下载；在户外经过无感应摄像头时轻易获取，甚至通过翻拍就可获取。攻击者根据需求打印相关人脸图像，经过扭曲、对折等欺骗人脸检测系统，或将照片中眼部区域剪去，对着检测设备人为配合眼部检测。当前的人脸活体检测技术经过不断改进与创新，照片攻击已然没有过多的攻击和威胁了。

第二种为视频攻击，具有一定的攻击性。攻击者将系统所需配合的随机动作提前录制，通过二次回放欺骗身份系统，更有甚者运用人工智能智能换脸进行犯罪活动，榨取金钱和利益。视频攻击中的人脸与真实人脸更为接近，面部微动作及微表情更能够欺骗人脸系统。视频攻击的获取方式通过电子设备并不困难，相对于照片略微复杂而已。

第三种为3D面具攻击。相对于照片和视频的二维平面，面具攻击是立体的三维结构。3D面具攻击在3种攻击方式中最具有侵略性，成本最高，获取途径最复杂。

近年来，攻击者不断寻找机会对人脸活体检测技术进行挑衅，新的攻击方式层出不穷。因此，人脸活体检测的方法也相应增加，分类的依据也相当多样，但是无论运用何种人脸活体检测方式，都具备4个关键流程：图像采集、图像预处理、特征提取、分类与匹配。

（1）图像采集

面部采集是人脸活体检测的基础工作。活体检测技术可以对具有生物特征及运动特征的人脸进行捕捉，进而形成人脸数据资源库。相关人员基于面部信息的录入完善面部信息资源库及人力资源信息管理系统，从而实现门禁的准确率和安全性。企业内人多且杂，当用户出现在采集设备拍摄范围内，采集设备会自动搜索并采集人脸图像，包括各种角度、位置、表情等。

（2）图像预处理

在采集的过程中，图像极容易受到外界因素的影响，如环境、角度、距离等因素。当图像中不慎引入噪声，轻度噪声不会干扰图像的可观性；重度噪声，会使图像呈现较多无用信息，通过图像滤波和卷积技术即可完成过滤。例如小波去噪，对图像进行小波分解后量化高频系数阈值，接着利用二维小波重新构造图像信号，这一方法相对较好地保持了图像细节。当图像采集的人脸有一定的变形时，将图像缩放、翻转、仿射等几何变换以最大程度地消除变形。当图像尺寸大小不一时，对人脸图像进行定位，并且分5个尺寸进行裁剪，最后归一化为64×64像素的图像[4]。

（3）特征提取

特征提取在卷积神经网络中一般运用卷积核完成。计算机把输入图像转化为矩阵，卷积核设定为3×3或5×5大小矩阵，卷积核以一定步长在原始图像移动并做运算，输出得到一个新的矩阵，该过程称为卷积神经网络对图像的特征提取。特匹配模板法也是特征提取方法中的一种。当不便提取全部特征时，对五官进行比较，将图像与模板进行匹配[5]，由部分特征可刻画出全部特征以完成比较有难度的脸部特征提取，这是一种相对基础的方法。特征提取的方法随着计算机技术的发展越来越丰富，相关企业可根据应用的实际情况选择一种或多种进行融合或对单一的一种改进创新。

（4）分类与匹配

人脸活体检测的分类不仅是进行真假人脸的二分类，有研究学者表明多分类较二分类效果更好。因为人脸的攻击方式不断革新，图像信息的丢失程度和样本表现出的特征都各不相同，模型不易抽象和学习共同攻击特征。因此黄新宇等[6]认为采用多分类的方式，模型可以更好地学习不同攻击方式各自内部的共同特征，同时经过细分后数据集中的样本数目更加均衡，利于参数调整。在活体检测的同时，将人脸信息与数据库中人脸图像进行识别与匹配。通过该技术，企业对各个人员的个人基本信息及身份信息有充足的掌握，且活体人脸比攻击人脸判断准确率更高。

2. 人脸活体检测工作的方法

人脸活体检测发展已有一段历史，早期基于传统机器学习的检测方法发展到后来的基于深度学习的检测方法，再到新范式学习方法和面向未知类型攻击的检测方法[7]。早期，根据活体和假体之间的差异设计特征，提取特征后送入分类器中进行真假人脸分类。后期，通过神经网络自动提取特征，利用训练好的模型直接进行真假人脸分类。人脸活体检测技术在企业中的应用目前还在积极探索阶段，本文根据实际应用需要对六种活体检测方法简要阐述。

（1）交互式人脸活体检测

交互式人脸活体检测的关键部分在于动作指令的识别，系统通过判断用户是否完成随机指定动作从而判别该人脸是否为真实人脸[8]。真实人脸具有的运动特征，虚假人脸很难模仿。常用的动作指令为眨眼、转头、张嘴等，如图1所示。人脸检测与眼部定位、截取之后，系统会自动根据眼部的开合状态判断是否为真实人脸；常见的混合方法为朗读一句话或一个数字串，系统根据唇部的变化和声音识别共同判断是否完成朗读任务。交互式人脸活体检测准确率高，通用性强。

（2）基于生命信息的人脸活体检测

活体人脸和攻击人脸的生命特征、生理信息存在明显差异。3D人脸面具与真实人脸相似程度较高，深度和纹理特征判断存在困难，基于生命信息的人脸活体检测便显得尤为重要。由于眼睛、嘴巴在主体无意识情况下会不自觉地闭与合，攻击人脸无法高精度模拟，人脸是否具备运动及生命特征便成了关键性线索。研究者利用条件随机场来确定是否存在睁眼闭眼的行为动作，利用运动成分分解[9]的办法判断是否可以从输入的图像中分解出眼部、唇部、面部肌肉动作等，对基于生命信息的人脸活体检测进行探究。由于对检测精度和鲁棒性的考虑，可将基于生命信息的方法与深度学习的方法进行融合。在生物学中，真实主体与非真实主体最本质的区别在于是否存在心跳、呼吸、血液流动。远程光学体积描记术利用反射光穿过层到达血管，通过反射的周围光判断血液流动导致的皮肤细微的亮度变化[10]。

（3）基于图像纹理的人脸活体检测

图像采集过程中，攻击人脸难免会存在色彩信息的失真。由于真假人脸在色彩信息上存在差异，在常见的色彩空间中选用HSV或YCbCr，接着将色彩信息及亮度分离后进行LBP特征提取，最后进行分类。光在平面与三维立体结构上所反射的高光及阴影不同，在照片、视频中的攻击人脸与真实人脸频域中高频分量、空间信息、皮肤粗糙度等存在差异，图像的纹理特征差异在二维平面的欺骗中发挥重要作用。纹理特征一般具有旋转不变性、良好的抗噪性能[11]，例如LBP特征（图2）、HOG特征、DOG特征等。纹理的方法普遍易于理解、计算和实现，但是容易受到外界条件影响。