在生物识别系统中，为防止恶意者伪造和窃取他人的生物特征用于身份认证，生物识别系统需具有活体检测功能，即判断提交的生物特征是否来自有生命的个体。

一般生物特征的活体检测技术利用的是人们的生理特征，例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息，活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息，活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、瞳孔对可见光源强度的收缩扩张反应特性等。

随着深度学习方法的应用，人工智能的发展，人脸识别技术的识别率已经得到质的提升，通过反复开发试验，人脸识别技术与其他生物特征识别技术相吃比，在实际应用中具有天然独到的优势：通过摄像头直接获取，在非接触的方式完成识别过程。通过人脸识别与证件识别的比对，目前我司的人脸识别技术已应用在金融、教育、景区、旅运、社保等领域。

人脸识别技术简介

人脸识别技术主要分为两部分：

第一部为前端人脸活体检测技术，主要支持android、ios平台，在前端通过眨眼、张嘴、摇头、点头等组合动作，确保操作的为真实活体人脸。

第二部为后台人脸识别技术，该环节通过在活体检测技术环节取得整张人脸图像后，再通过扫描识别身份证，取到身份证头像后，将现场人脸与身份证上的人脸进行比对识别，判断是否为同一张人脸。

一个可以正常工作的人脸识别系统，除了实现识人之外，还需要其他的技术进行辅助，其中在人脸识别身份认证系统中很重要的一项技术就是活体检测。

人脸识别系统除了“识人”之外，还需要“识真”，也就是说在系统面前，不仅要证明这个人的脸是不是这个人的脸，还要证明这张脸是不是活体的人脸，而不是图片、视频、或者带着面具的人脸。

人脸活体检测技术对攻击有多重对抗措施，一起探究一下活体检测中奥秘。

动作活体检测

判断用户是否为正常操作，通过指定用户做随机动作（摇头、点头、凝视、眨眼、上下移动手机），防止视频攻击、非正常动作的攻击。

人脸识别技术对于活体检测的研究仍然需要“时空”的突破。无论是通过摄像头拍摄真人还是照片，最终得到的都是一张二维图片，因此对于摄像头前是真人还是一张照片，目前的人脸识别技术难以判断。另外，人脸识别对于双胞胎、整容这类群体的识别也有待深入研究。人脸识别归根结底是按照人的判断标准，利用深度神经网络和计算机技术，从人脸图像中提取有效的识别特征进行身份判断。人通过肉眼都难以判断的情况下，以目前的技术和理论，还难以做出正确的识别。

近红外人脸活体检测

近红外人脸活体检测主要是基于光流法而实现。

近红外人脸活体检测无需指令配合，检测成功率较高。根据光流法，利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”，从图像序列中得到各个像素点的运行信息，采用高斯差分滤波器、LBP特征和支持向量机进行数据统计分析。同时，光流场对物体运动比较敏感，利用光流场可以统一检测眼球移动和眨眼。这种活体检测方式可以在用户无配合的情况下实现盲测。

静默活体检测

随机动作活体检测有着很高的安全性，但是按照指示让用户去做动作比较死板，对用户来说体验不是最好的。针对用户体验要求提高的要求，又出现了一种静默活体检测技术。不需要用户做任何动作，只需要自然正对摄像头三、四秒钟，就可以完成整个检测过程。真实的人脸和照片相比，即使不刻意做动作，也会有微表情存在的，比如眼皮、眼球的律动眨眼、嘴唇以及周边面颊的伸缩等利用这些特征就可以进行有效防范了。

连续性检测

和人脸检测同时使用能够更好的防止中途切换人。验证人脸运动轨迹是否正常，如果中途换人会出现异常运动;从安全性角度能够防止跳过活体检测直接替换采集的照片。

此外，为了防止活体采集的照片被篡改，还可以对采集的照片进行加密处理，保障信息安全。

除了软件外，还可以通过硬件+软件的方式来进行活体检测。升级配置3D摄像头+活体检测技术，判断图像中的人脸是否为真实人脸，防止图片及视频攻击，进一步提升应用的安全性。