人臉識別活體檢測
在生物識別系統中，為防止惡意者偽造和竊取他人的生物特征用于身份認證，生物識別系統需具有活體檢測功能，即判斷提交的生物特征是否來自有生命的個體。
一般生物特征的活體檢測技術利用的是人們的生理特征，例如活體指紋檢測可以基于手指的溫度、排汗、導電性能等信息，活體人臉檢測可以基于頭部的移動、呼吸、紅眼效應等信息，活體虹膜檢測可以基于虹膜振顫特性、睫毛和眼皮的運動信息、瞳孔對可見光源強度的收縮擴張反應特性等。
隨著人臉識別技術日趨成熟,商業化應用愈加廣泛,然而人臉極易用照片、視頻等方式進行復制,因此對合法用戶人臉的假冒是人臉識別與認證系統安全的重要威脅。目前基于動態視頻人臉檢測、人臉眨眼、熱紅外與可見光人臉關聯等領先業界的活體檢測方法，已經取得了一定的進步。
為防止惡意者偽造和竊取他人的生物特征用于身份認證，生物識別系統需具有活體檢測功能，即判斷提交的生物特征是否來自有生命的個體。
一般活體檢測技術利用的是人們的生理特征，例如活體指紋檢測可以基于手指的溫度、排汗、導電性能等信息，活體人臉檢測可以基于頭部的移動、呼吸、紅眼效應等信息，活體虹膜檢測可以基于虹膜振顫特性、睫毛和眼皮的運動信息、瞳孔對可見光源強度的收縮擴張反應特性等。
目前，人臉識別技術通行的活體檢測技術一般采用指令動作配合的方式，如人臉左轉、右轉、張嘴、眨眼等，指令配合錯誤則認為是偽造欺騙。
人臉識別技術對于活體檢測的研究仍然需要“時空”（時間和空間，是天誠盛業公司獨創的概念）的突破。無論是通過攝像頭拍攝真人還是照片，最終得到的都是一張二維圖片，因此對于攝像頭前是真人還是一張照片，目前的人臉識別技術難以判斷。另外，人臉識別對于雙胞胎、整容這類群體的識別也有待深入研究。 人臉識別歸根結底是按照人的判斷標準，利用深度神經網絡和計算機技術，從人臉圖像中提取有效的識別特征進行身份判斷。人通過肉眼都難以判斷的情況下，以目前的技術和理論，還難以做出正確的識別。
近紅外人臉活體檢測主要是基于光流法而實現。
近紅外人臉活體檢測無需指令配合，檢測成功率較高。根據光流法，利用圖像序列中的像素強度數據的時域變化和相關性來確定各自像素位置的“運動”，從圖像序列中得到各個像素點的運行信息，采用高斯差分濾波器、LBP特征和支持向量機進行數據統計分析。同時，光流場對物體運動比較敏感，利用光流場可以統一檢測眼球移動和眨眼。這種活體檢測方式可以在用戶無配合的情況下實現盲測。
活體
照片
由以上兩張對比圖可以看出，活體的光流特征，顯示為不規則的向量特征，而照片的光流特征，則是規則有序的向量特征，以此即可區分活體和照片。
利用3D攝像頭拍攝人臉,得到相應的人臉區域的3D數據,并基于這些數據做進一步的分析, 最終判斷出這個人臉是來自活體還是非活體。這里非活體的來源是比較廣泛的,包括手機和Pad等介質的照片和視頻、各種打印的不同材質的照片（這里包含各種情形的彎曲、折疊、剪裁、挖洞等情形）等。
基于活體和非活體的3D人臉數據，選擇最具有區分度的特征來訓練分類器，利用訓練好的分類器來區分活體和非活體。特征的選擇是至關重要的，這里我們選擇的特征既包含了全局的信息，也包含了局部的信息，這樣的特征有利于算法的穩定性和魯棒性。
下面是3D人臉檢活原理的幾個步驟：
- 首先，我們提取了活體和非活體人臉區域的256個特征點的三維信息，并對這些點之間的幾何結構關系進行了初部的分析處理；
- 其次，我們提取了整個人臉區域的三維信息，并對相應的特征點做進一步的處理，再采用協調訓練Co-training的方法訓練了正負樣本數據，之后利用得到的分類器進行了初分類；
- 最后，利用以上兩個步驟所提取的特征點進行曲面的擬合來描述三維模型特征，然后根據曲面的曲率從深度圖像中提取凸起區域，再對每個區域提取EGI特征，最后利用其球形相關度進行再分類識別。
