人脸识别中的活体检测算法综述
SIGAI .9.19
原创声明:本文为 SIGAI 原创文章，仅供个人学习使用，未经允许，不能用于商业目的。
1. 什么是活体检测？
--> 判断捕捉到的人脸是真实人脸，还是伪造的人脸攻击(如：彩色纸张打印人脸图，电
子设备屏幕中的人脸数字图像 以及 面具 等)
2. 为什么需要活体检测？
--> 在金融支付，门禁等应用场景，活体检测一般是嵌套在人脸检测与人脸识别 or 验证中
的模块，用来验证是否用户真实本人
3. 活体检测对应的计算机视觉问题：
--> 就是分类问题，可看成二分类(真 or 假)；也可看成多分类(真人，纸张攻击，屏
幕攻击，面具攻击)
Anti-spoofing 1.0 时代
从早期 handcrafted 特征的传统方法说起，目标很明确，就是找到活体与非活体攻击的
difference ，然后根据这些差异来设计特征，最后送给分类器去决策。
那么问题来了，活体与非活体有哪些差异？
1. 颜色纹理
2. 非刚性运动变形
3. 材料 (皮肤，纸质，镜面)
4. 图像 or 视频质量
所以这段时期的文章都是很有针对性地设计特征，列举几篇比较重要的：
Image Distortion Analysis[1],
如下图，单帧输入的方法，设计了 镜面反射+图像质量失真+颜色 等统计量特征，合并后
直接送 SVM 进行二分类。
Image Distortion Analysis[1]
Cons: 对于高清彩色打印的纸张 or 高清录制视频，质量失真不严重时，难区分开
Colour Texture[2],
Oulu CMVS 组的产物，算是传统方法中的战斗机，特别简洁实用，Matlab 代码(课题组
官网有)，很适合搞成 C++部署到门禁系统。
原理：活体与非活体，在 RGB 空间里比较难区分，但在其他颜色空间里的纹理有明显差异
算法：HSV 空间人脸多级 LBP 特征 + YCbCr 空间人脸 LPQ 特征 (后在17 年的 paper
拓展成用 Color SURF 特征[12] ，性能提升了一点)
Colour Texture [2]
Pros: 算法简洁高效易部署；也证明了活体与非活体在 HSV 等其他空间也是
discriminative ，故后续深度学习方法有将HSV 等 channel 也作为输入来提升性能。
Motion mag.-HOOF + LBP-TOP[3],
DMD + LBP[4],
前面说的都是单帧方法，这两篇文章输入的是连续多帧人脸图；
主要通过捕获活体与非活体微动作之间的差异来设计特征。
一个是先通过运动放大来增强脸部微动作， 然后提取方向光流直方图 HOOF + 动态纹理
LBP-TOP 特征；一个是通过动态模式分解 DMD ，得到最大运动能量的子空间图，再分析
纹理。
PS ：这个motion magnification 的预处理很差劲，加入了很多其他频段噪声(18 年新出
了一篇用 Deep learning 来搞 Motion mag[13]. 看起来效果挺好，可以尝试用那个来做
运动增强，再来光流 or DMD )
Motion mag.-HOOF + LBP-TOP [3]
DMD + LBP [4]
Cons: 基于 Motion 的方法，对于 仿人脸 wrapped 纸张抖动 和 视频攻击，效果不好；
因为它假定了活体与非活体之间的非刚性运动有明显的区别，但其实这种微动作挺难描述与
学习~
Pulse + texture[5],
第一个将 remote pluse 应用到活体检测中，多帧输入
(交代下背景：在CVPR ，Xiaobai Li[14] 已经提出了从人脸视频里测量心率的方法)
算法流程：
1. 通过 pluse 在频域上分布不同先区分 活体 or 照片攻击 (因为
