引用本文

蒋方玲, 刘鹏程, 周祥东. 人脸活体检测综述. 自动化学报, 2021, 47(8): 1799-1821 doi: 10.16383/j.aas.c180829

Jiang Fang-Ling, Liu Peng-Cheng, Zhou Xiang-Dong. A review on face anti-spoofing. Acta Automatica Sinica, 2021, 47(8): 1799-1821 doi: 10.16383/j.aas.c180829

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180829

关键词

人脸活体检测，计算机视觉，人脸识别，深度学习，特征表达 

摘要

人脸活体检测是为了提高人脸识别系统安全性而需要重点研究的问题.本文首先从人脸活体检测的问题出发, 分个体、类内、类间三个层面对人脸活体检测存在的困难与挑战进行了阐述分析.接下来, 本文以算法使用的分类线索为主线, 分类别对人脸活体检测算法及其优缺点进行了梳理和总结.之后, 本文就常用人脸活体检测数据集的特点、数据量、数据多样性等方面进行了对比分析, 对算法评估常用的性能评价指标进行了阐述, 总结分析了代表性人脸活体检测方法在照片视频类数据集CASIA-MFSD、Replay-Attack、Oulu-NPU、SiW以及面具类数据集3DMAD、SMAD、HKBU-MARsV2上的实验性能.最后本文对人脸活体检测未来可能的发展方向进行了思考和探讨.

文章导读

人脸活体检测是指辨别当前获取的人脸图像是来自活体人脸还是假体人脸的过程, 其中活体人脸指有生命的真实人脸, 假体人脸指冒充真人身份的人脸仿冒品[1].随着人脸识别技术的广泛应用, 人脸活体检测作为保障人脸识别技术安全性的关键环节, 逐渐成为计算机视觉、模式识别、人脸识别领域非常活跃的研究方向.

人脸活体检测研究具有重要的应用价值.深度学习的发展使人脸识别技术的性能有了质的提升, 人脸识别技术具有自然、直观、易用等优点, 目前已广泛应用于智能安防、公安刑侦、金融社保、智能家居、电子商务、人脸娱乐、医疗教育等领域, 应用场景丰富, 应用市场潜力巨大.然而, 人脸识别技术的广泛应用亦使得人脸识别技术的安全性问题日益凸显.传统的人脸识别研究专注于整体识别性能的提升, 如图 1所示, 整体处理流程一般包含人脸检测、人脸对齐、特征抽取、特征比对等环节, 其并不判断当前获取的人脸图像是来自活体人脸还是假体人脸.随着智能手机和社交网络的蓬勃发展, 不法分子收集合法用户的人脸图像, 制作假体人脸的渠道广、成本低.文献[2]利用合法用户在社交网络上发布的照片轻松地经过了6个商业人脸识别系统Face Unlock, FacelockPro, Visidon, Veriface, Luxand Blink以及FastAccess的认证.目前人脸识别技术广泛应用于对安全性有较高要求的人员身份鉴定场景, 若不法分子利用传统人脸识别技术的这个安全性隐患, 使用假体人脸成功冒用合法用户身份, 从短期来看, 侵犯了合法用户的权益, 较大可能造成生命财产损失; 从长远来看, 亦会影响人脸识别技术的进一步广泛深入应用.因此, 如何准确识别活体人脸与假体人脸, 保障人脸识别技术的安全性成为一个亟待解决的问题.

图 1  传统人脸识别技术的安全性缺陷

人脸活体检测研究具有重要的学术价值.近年来, 国内外对人脸活体检测的研究活跃.瑞士Idiap研究所、密歇根州立大学、奥卢大学、南洋理工大学、中国科学院自动化所、清华大学、上海交通大学等都有团队从事人脸活体检测的研究. CVPR (IEEE Conference on Computer Vision and Pattern Recognition)、ECCV (Europe Conference on Computer Vision)、IEEE Transactions on Information Forensics and Security等重要国际会议期刊上发表的人脸活体检测相关论文数量大幅度增长.人类的智慧是无穷的, 假体人脸亦是各种各样, 层出不穷.通过寻找活体人脸与假体人脸之间的可区分线索, 研究出准确率高、通用性强的人脸活体检测算法, 不仅能够服务于人脸识别技术, 对于类似的纹理分类, 皮肤检测, 掌纹、静脉、虹膜等生物识别领域亦能够提供思路启发.

鉴于人脸活体检测的重要研究价值, 相关研究者对人脸活体检测方法进行了综述.文献[3]根据算法使用的技术对2014年前的人脸活体检测方法进行了综述.文献[4-5]对2017年已有的人脸活体检测方法进行了综述.这些文献详细列举了目前存在的假体人脸类别, 对于假体人脸的特性所造成的人脸活体检测问题没有更深入的分析, 而问题的剖析更有利于后期有效方法的提出.因此, 有必要对假体人脸特性所造成的人脸活体检测的难点进行深入剖析.除此之外, 这些文献主要对基于手工特征的方法进行了分析综述, 对于基于深度学习的方法少有涉及.随着深度学习方法的发展, 不少研究者提出了基于深度学习的人脸活体检测方法.相对于2017年前已有的人脸活体检测算法, 近年来出现的基于深度学习的人脸活体检测算法很大程度上提升了人脸活体检测的性能.虽然目前基于深度学习的人脸活体检测算法也存在一定的问题, 但是鉴于深度学习方法在人脸识别、物体分类等其他计算机视觉领域的应用经验, 利用深度学习方法进行人脸活体检测的前景是可观的.因此, 有必要对基于手工特征以及基于深度学习的人脸活体检测方法进行全面地综述和讨论, 以期为进一步的人脸活体检测研究奠定一定的基础.

本文系统地综述了人脸活体检测相关研究进展, 并对未来发展趋势进行了展望. 本文首先从人脸活体检测的问题出发, 从个体、类内、类间三个层面分析了假体人脸给人脸活体检测带来的难点和挑战, 继而根据人脸活体检测算法的主要应用形式将主流算法分为交互式人脸活体检测与非交互式人脸活体检测两大类进行梳理和总结, 详述了代表性方法的原理、优势与不足.之后, 对人脸活体检测方面的主流数据库进行了整理, 对数据库的特点、数据量、数据多样性方面进行了比较分析, 对算法评估常用的性能评价指标进行了阐述, 总结分析了代表性人脸活体检测方法在照片视频类数据集CASIA-MFSD、Replay-Attack、Oulu-NPU、SiW以及面具类数据集3DMAD、SMAD、HKBU-MARsV2上的性能数据, 最后对人脸活体检测算法未来可能的发展方向进行了思考和探讨.

图 4  人脸活体检测方法分类

人脸活体检测在生物识别研究中具有重要的学术价值与实际应用价值.目前人脸活体检测的研究活跃, 但同时也存在不少困难与挑战.本文从假体人脸的特性出发, 分析了目前人脸活体检测的难点, 以人脸活体检测算法利用的分类特征为主线, 详细阐述了人脸活体检测领域的主流算法, 探讨了各类方法主要利用的特征、防范的假体人脸类型、优缺点, 就领域内常用的各个数据集的特点、数据量、数据多样性等方面进行了对比分析, 阐述了常用的算法性能评价指标并总结分析了代表性人脸活体检测方法在照片视频类数据集CASIA-MFSD、Replay-Attack、Oulu-NPU、SiW以及面具类数据集3DMAD、SMAD、HKBU-MARsV2上的性能数据.以此为基础, 本文对人脸活体检测未来可能的研究方向进行了分析与展望.我们相信人脸活体检测所面临的问题必将能在理论上与实践上得到更好的解决, 人脸活体检测的应用也将推动人脸识别技术、生物识别技术更广泛、更深入的应用.

作者简介

蒋方玲

中国科学院重庆绿色智能技术研究院博士研究生. 2012年获得天津大学计算机科学与技术专业硕士学位. 主要研究方向为人脸活体检测, 计算机视觉与模式识别.E-mail: jiangfangling@cigit.ac.cn

刘鹏程

中国科学院重庆绿色智能技术研究院助理研究员. 2016年获得中国科学院自动化研究所工学博士学位. 主要研究方向为人脸识别, 跨领域图像识别. E-mail: liupengcheng@cigit.ac.cn

周祥东

中国科学院重庆绿色智能技术研究院副研究员. 2009年获得中国科学院自动化研究所工学博士学位. 主要研究方向为文字识别, 文档分析, 人脸识别. 本文通信作者.E-mail: zhouxiangdong@cigit.ac.cn