你在互聯(lián)網(wǎng)上找到的大多數(shù)人臉識(shí)別算法和研究論文都會(huì)遭受照片攻擊。這些方法在檢測(cè)和識(shí)別來(lái)自網(wǎng)絡(luò)攝像頭的圖像、視頻和視頻流中的人臉?lè)矫媸欠浅Ｓ行В�但是他們無(wú)法區(qū)分現(xiàn)實(shí)生活中的面孔和照片上的面孔。這種無(wú)法區(qū)別現(xiàn)實(shí)人臉的現(xiàn)象是由于這些算法是在二維幀上工作的�，F(xiàn)在讓我們?nèi)ピ囅胍幌拢�我們�?shí)現(xiàn)一個(gè)人臉識(shí)別系統(tǒng)，該系統(tǒng)可以很好地區(qū)分已知面孔和未知面孔，以便只有授權(quán)人員才能訪問(wèn)，盡管如此，一個(gè)心懷不軌的人只要出示授權(quán)人的照片也能訪問(wèn)。至此一個(gè)3D人臉的識(shí)別系統(tǒng)，類似于蘋(píng)果的FaceID，應(yīng)運(yùn)而生了，但如果我們沒(méi)有3D探測(cè)器該怎么辦呢？

本文的目標(biāo)是實(shí)現(xiàn)一種基于眨眼檢測(cè)的人臉活體檢測(cè)算法，以抵抗照片攻擊。該算法通過(guò)網(wǎng)絡(luò)攝像頭實(shí)時(shí)工作，通過(guò)檢測(cè)眨眼來(lái)區(qū)分現(xiàn)實(shí)生活中的面孔和照片上的面孔。通俗地說(shuō)，程序運(yùn)行如下：在網(wǎng)絡(luò)攝像頭生成的每個(gè)幀中檢測(cè)人臉。對(duì)于每個(gè)檢測(cè)到的臉，檢測(cè)眼睛。對(duì)于每個(gè)檢測(cè)到的眼睛，檢測(cè)眼睛是否睜開(kāi)或關(guān)閉。如果在某個(gè)時(shí)候檢測(cè)到眼睛是睜開(kāi)的，然后是閉著的，然后是睜開(kāi)的，我們就斷定此人已經(jīng)眨了眼睛，并且程序顯示他的名字（如果是人臉識(shí)別開(kāi)門(mén)器，我們將授權(quán)此人進(jìn)入）。對(duì)于人臉的檢測(cè)和識(shí)別，你需要安裝face＿recognition庫(kù)，它提供了非常有用的深度學(xué)習(xí)方法來(lái)查找和識(shí)別圖像中的人臉，特別是，face＿locations、face＿encodings和compare＿faces函數(shù)是最有用的3個(gè)函數(shù)。人臉定位方法可以用兩種方法來(lái)檢測(cè)人臉：方向梯度直方圖（HoG）和卷積神經(jīng)網(wǎng)絡(luò)（CNN），由于時(shí)間限制，選擇了HoG方法。face＿encodings函數(shù)是一個(gè)預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，能夠?qū)�圖像編碼成128哥元素的一維特征向量，這個(gè)嵌入向量包含足夠的特征信息來(lái)區(qū)分兩個(gè)不同的人，最后，compare＿faces計(jì)算兩個(gè)嵌入向量之間的距離。它將允許算法識(shí)別從攝像頭幀中提取的人臉，并將其嵌入向量與我們數(shù)據(jù)集中所有編碼的人臉進(jìn)行比較，距離最近的向量對(duì)應(yīng)于同一個(gè)人。1． 已知人臉數(shù)據(jù)集編碼在我的例子中，算法能夠識(shí)別我和奧巴馬，我為每個(gè)人挑選了大約10張照片。下面是處理和編碼已知人臉數(shù)據(jù)庫(kù)的代碼。def process＿and＿encode（images）：

known＿encodings ＝ ［］    known＿names ＝ ［］    print（＂［LOG］ Encoding dataset ．．．＂）

for image＿path in tqdm（images）：        ＃ 加載圖片        image ＝ cv2．imread（image＿path）        ＃ 將其從BGR轉(zhuǎn)換為RGB        image ＝ cv2．cvtColor（image， cv2．COLOR＿BGR2RGB）

＃ 檢測(cè)圖像中的臉并獲取其位置（方框坐標(biāo)）        boxes ＝ face＿recognition．face＿locations（image， model＝＇hog＇）

＃ 將人臉編碼為128維嵌入向量        encoding ＝ face＿recognition．face＿encodings（image， boxes）

＃ 人物名稱是圖像來(lái)源文件夾的名稱        name ＝ image＿path．split（os．path．sep）［－2］

if len（encoding） ＞ 0 ：             known＿encodings．a(chǎn)ppend（encoding［0］）            known＿names．a(chǎn)ppend（name）

return ｛＂encodings＂： known＿encodings， ＂names＂： known＿names｝現(xiàn)在我們知道了每個(gè)想識(shí)別的人的編碼，我們可以嘗試通過(guò)網(wǎng)絡(luò)攝像頭識(shí)別人臉，然而，在轉(zhuǎn)到這一部分之前，我們需要區(qū)分一張人臉照片和一張活人的臉。2．人臉活體檢測(cè)我們的目標(biāo)是在某個(gè)點(diǎn)上檢測(cè)出一個(gè)睜閉的睜眼模式。我訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來(lái)分類眼睛是閉著的還是睜著的，所選擇的模型是LeNet－5，它已經(jīng)在Closed Eyes In The Wild （CEW）數(shù)據(jù)集上進(jìn)行了訓(xùn)練，它由大約4800張24x24大小的眼睛圖像組成。Closed Eyes In The Wild （CEW）數(shù)據(jù)集地址：http：／／parnec．nuaa．edu．cn／xtan／data／ClosedEyeDatabases．htmlfrom keras．models

import Sequentialfrom keras．layers import Conv2Dfrom keras．layers import AveragePooling2Dfrom keras．layers import Flattenfrom keras．layers import Densefrom keras．preprocessing．image

import ImageDataGenerator

IMG＿SIZE ＝ 24def train（train＿generator， val＿generator）： STEP＿SIZE＿TRAIN＝train＿generator．n／／train＿generator．batch＿size STEP＿SIZE＿VALID＝val＿generator．n／／val＿generator．batch＿size

model ＝ Sequential（）

model．a(chǎn)dd（Conv2D（filters＝6， kernel＿size＝（3， 3）， activation＝＇relu＇， input＿shape＝（IMG＿SIZE，IMG＿SIZE，1））） model．a(chǎn)dd（AveragePooling2D（））

model．a(chǎn)dd（Conv2D（filters＝16， kernel＿size＝（3， 3）， activation＝＇relu＇）） model．a(chǎn)dd（AveragePooling2D（））

model．a(chǎn)dd（Flatten（））

model．a(chǎn)dd（Dense（units＝120， activation＝＇relu＇））

model．a(chǎn)dd（Dense（units＝84， activation＝＇relu＇））

model．a(chǎn)dd（Dense（units＝1， activation ＝ ＇sigmoid＇））

model．compile（loss＝＇binary＿crossentropy＇， optimizer＝＇adam＇， metrics＝［＇accuracy＇］）

print（＇［LOG］ Training CNN＇）

model．fit＿generator（generator＝train＿generator，steps＿per＿epoch＝STEP＿SIZE＿TRAIN，validation＿data＝val＿generator，validation＿steps＝STEP＿SIZE＿VALID， epochs＝20 ）  return model在評(píng)估模型時(shí)，我達(dá)到了94％的準(zhǔn)確率。每次我們檢測(cè)到一只眼睛，我們就用我們的模型來(lái)預(yù)測(cè)它的狀態(tài)，并跟蹤每個(gè)人的眼睛狀態(tài)，因此，檢測(cè)眨眼變得非常容易，它試圖在眼睛狀態(tài)歷史中找到一個(gè)閉眼－睜眼－閉眼的過(guò)程。