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。

隨著深度學習方法的應用，人工智能的發展，人臉識別技術的識別率已經得到質的提升，通過反復開發試驗，人臉識別技術與其他生物特征識別技術相吃比，在實際應用中具有天然獨到的優勢：通過攝像頭直接獲取，在非接觸的方式完成識別過程。通過人臉識別與證件識別的比對，目前我司的人臉識別技術已應用在金融、教育、景區、旅運、社保等領域。

人臉識別技術簡介

人臉識別技術主要分為兩部分：

第一部為前端人臉活體檢測技術，主要支持android、ios平臺，在前端通過眨眼、張嘴、搖頭、點頭等組合動作，確保操作的為真實活體人臉。

第二部為后臺人臉識別技術，該環節通過在活體檢測技術環節取得整張人臉圖像后，再通過掃描識別身份證，取到身份證頭像后，將現場人臉與身份證上的人臉進行比對識別，判斷是否為同一張人臉。

一個可以正常工作的人臉識別系統，除了實現識人之外，還需要其他的技術進行輔助，其中在人臉識別身份認證系統中很重要的一項技術就是活體檢測。

人臉識別系統除了“識人”之外，還需要“識真”，也就是說在系統面前，不僅要證明這個人的臉是不是這個人的臉，還要證明這張臉是不是活體的人臉，而不是圖片、視頻、或者帶著面具的人臉。

人臉活體檢測技術對攻擊有多重對抗措施，一起探究一下活體檢測中奧秘。

動作活體檢測

判斷用戶是否為正常操作，通過指定用戶做隨機動作（搖頭、點頭、凝視、眨眼、上下移動手機），防止視頻攻擊、非正常動作的攻擊。

人臉識別技術對于活體檢測的研究仍然需要“時空”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

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。

靜默活體檢測

隨機動作活體檢測有著很高的安全性，但是按照指示讓用戶去做動作比較死板，對用戶來說體驗不是最好的。針對用戶體驗要求提高的要求，又出現了一種靜默活體檢測技術。不需要用戶做任何動作，只需要自然正對攝像頭三、四秒鐘，就可以完成整個檢測過程。真實的人臉和照片相比，即使不刻意做動作，也會有微表情存在的，比如眼皮、眼球的律動眨眼、嘴唇以及周邊面頰的伸縮等利用這些特征就可以進行有效防范了。

連續性檢測

和人臉檢測同時使用能夠更好的防止中途切換人。驗證人臉運動軌跡是否正常，如果中途換人會出現異常運動;從安全性角度能夠防止跳過活體檢測直接替換采集的照片。

此外，為了防止活體采集的照片被篡改，還可以對采集的照片進行加密處理，保障信息安全。

除了軟件外，還可以通過硬件+軟件的方式來進行活體檢測。升級配置3D攝像頭+活體檢測技術，判斷圖像中的人臉是否為真實人臉，防止圖片及視頻攻擊，進一步提升應用的安全性。