标签：市场 过渡 重要 cnn 接收 识别 海量 搜集 计算公式
以下这张照?，是真?实拍还是对着照?翻拍的？
如果告诉你，这张照?，是对着照?翻拍的照?，你会不会惊讶？
但就是对于这种?乎以假乱真的照?，双?活体能很轻松地判断出来这张照?到底是真?照?还是照片翻拍。在?融、征信、安防等?脸识别应?最?泛的场景中，活体识别可以说是具备?规模应?最关键环节。
双?，就是有两个眼睛。?个眼睛是可?光摄像头，采集彩?照；还有?个眼睛是近红外摄像头，采集的??照。?双?活体，实际上也对应了两种算法，单?活体检测和近红外活体检测
? 可?光活体检测的原理，是利?图?中?像的破绽（摩尔纹、成像畸形等）来判断?标对象是否为活体，可有效防?屏幕?次翻拍等作弊***
? 近红外活体检测的原理，是红外摄像头发射红外光线，照射到物体表?，利?成像元件（CCD或 CMOS）去感受周围环境反射回来的红外光，因为不同材质的反射率不同等原因，再通过算法分析，即可识别是当前?户是否是真?。
近红外活体由于?带红外光源，因此受环境光的影响较?，可以在完全?暗的环境下成像，对于?机屏幕有近 100%防***能力如下图
活体检测的关键指标包括：
? 识别速度：算法从接收到图?到输出结果的时间
? 通过率：设定好?个阈值，给定N个真?样本，算法输出的分值?于阈值(即正确判断为真?)的样本为M，则通过率=M/N
? 拒绝率：设定好?个阈值，给定N个***样本，算法输出的分值低于阈值(即正确判断为假?)的样本为M，则拒绝率=M/N
通过率与拒绝率，是在同?个阈值下测试出来的，选取的阈值?，通过率低，拒绝率?；选取的阈值低，通过率越?，但是拒绝率?。
我们将从场景、商业、黑产三个维度，来分析双目活体的重要性：
? 线下场景，?度契合
云识客将?前?脸识别的主要应?场景分为两类：线上远程认证场景(?融开户、刷脸注册、刷脸 登录等)、线下??值守场景(?脸?禁、刷脸取款、刷脸?付等)。
活体检测的技术上，?前也主要有两?类：对硬件依赖度?较低的，如动作活体，静默活体；对硬件有?定要求，需要和硬件适配的，?如双?活体、3D结构光活体等。虽然后者的成本?前者?，但是防***效果更好，?在线下场景中，天然的需要硬件，因?后者也成为线下场景的最好选择。
? 技术成熟，商用广泛
双?活体?3D结构光活体的技术难度也更低，因?成本更低，市场上双?摄像头模组成本?概￥300左右，?3D结构光模组要￥500～800；
产业结构上，能够批量做3D结构光模组的，中国?前只有两家；?能做双?活体硬件的，则数不胜数。所以线下场景的主流还是双?活体，普及度更?，?业发展更成熟。
? ?产博弈，依然可靠
有光明的地?，就会有?暗。如今的?产，已不仅仅是只会懂得?电信诈骗等?段来欺诈，他们也懂得利?AI和科技，并形成产业化，提供给上下游使?。
?如?前很多互?app的活体检测，都采?动作活体的?式(即系统出现随机动作，?户即时做出指定动作才被认为是真?)，?产针对这种?式，使?3D建模技术，只需要?张照?，即可?成任何指定的动作。?双?活体，依然是?前最可靠的防***?段之?。
以下，我们分析云识客的多重人脸区域共享CNN的深度学习算法。
? 如何兼顾识别准确率与识别速度
虽然?前业界已经有多种双?活体检测算法，但多数算法为了得到准确率?的活体检测模型，使?了?较?的神经?络，虽然提升了模型的表现能?，但是模型太?，运算耗时。
如何兼顾识别准确率与识别速度，?直是业界的??难题。
有一种方案：通过采集多张?脸区域，更有效的捕捉活体和?活体数据之间的区别，引?更多的有效判别信息到卷积神经?络，提升识别准确率；同时多张?脸共享卷积神经?络，相?其他?张?脸对应?个神经?络，有效减?模型计算复杂度。
? 详解算法策略
从这个流程图上，可以很清晰的看到，整体上有两个关键步骤：?适应扣取?脸、卷积神经?络。
? ?适应扣取?脸
更有效地捕捉活体与?活体数据的区别，采集到更多的有效判别信息，帮助提升识别准确率。
如上图，我们依次扣取不同?脸占?的图像送?同?个CNN?络，增加了更多活体判断的有效信息，其中蓝?框主要捕获摩尔纹、反光、?脸畸变等信息，红?区域捕捉?机边界、纸张边界等明 显***信息，绿?区域是过渡区域，捕捉相关背景信息。
整体计算公式如下：
? 卷积神经?络
在?适应扣取?脸中，我们截取的三个不同区域的图像数据，共享CNN，相比其他算法模型一种图像使用一种模型，能极大减少模型的复杂度，从而降低模型大小。
最后，融合三个图像输出的不同特征，并设计新颖的针对单?/活体?络训练的损失函数，增加?络的泛化性能。
使用这种算法模型，整体仅5M??, 即使在低性能硬件设备上，也能达到实时检测的效果。
? 样本搜集
最后，除了算法的维度，结合越来越高明的***行为，还需要搜集海量的***样本数据，包括?机、屏幕、纸张、面具、面膜等***样本，覆盖面广，进一步增加活体防***的范围。
? 光流法辅助单目活体判断
最后，针对单目活体，云识客也采用光流法辅助活体判断的校验机制。所谓的光流场，即物体在三维真实世界中的运动，在二维图像平面上的投影
如图：通过帧间信息求取光流场数据，对于纸张***和手机***来说，求得的光流场与实际活体人脸区域的光流场有很大区别。活体人脸区域的光流场存在方向不一致性，并且与背景分离，纸张和手机***的光流场存在方向一致性并且人脸区域与背景是不分离的，通过此类规律可以过滤掉大部分运动状态下的非活体***数据。
? 测试关键指标
? 识别速度
整体算法模型??仅5M，即使在低性能设备上，也能流畅运?。在3288的CPU上，仅耗时398ms，?同类一般算法快200ms。
? 通过率与拒绝率
实际场景照?下的通过率达99.7%，拒绝率达99.9%。
云识客认为：
算法不仅是深度学习，其核心在于算法策略；
算法也不是空中楼阁，更需要抓住行业痛点，才能发挥最大的价值。
仅5M大小，识别准确率99.9%，共享CNN神经网络的双目活体技术 | 云识客
标签：市场 过渡 重要 cnn 接收 识别 海量 搜集 计算公式
原文地址：https://blog.51cto.com/14420407/2414297
