人機互動的活體檢測方法需要通過對人臉做出實時響應來判斷是否為活體，通常採用的方法有臉部姿態和讀取指定數字等。
演算法整體流程如下：
重點的重點是不合規姿態下，要有反饋提示！！！
二：人臉特徵點提取
在此專案中，使用了dlib 官方訓練好的模型 「shape_predictor_68_face_landmarks.dat」 進行 68 個點標定，這個模型是基於14年cvpr中one millisecond face alignment with an ensemble of regression trees來實現的，本質上還是使用的級聯回歸器來做的人臉特徵對齊，速度很快，效果也還不錯。
首先輸入標註人臉關鍵點的影象資料，先將臉提取處理，由於臉的尺寸不一，所以利用仿射變換將人臉關鍵點仿射到單位空間，統一尺寸和座標系。將資料的人臉關鍵點做下平均，作為初始人臉形狀，基於這個初始形狀再進行殘差計算擬合人臉關鍵點。
然後在初始關鍵點的範圍內隨機取樣畫素作為對應的特徵畫素點。特徵畫素點選擇最接近的初始關鍵點作為anchor，並計算偏差。當前畫素點通過旋轉、轉換、伸縮後的座標系要與初始關鍵點(關鍵點的平均位置)接近，即最小化之間的距離平方，得到最優變換tform。tform作用於偏差，加上自身的位置資訊，得到當前關鍵點的特徵畫素點。
在得到特徵畫素點後開始構建殘差樹，計算出當前關鍵點與目標關鍵點的偏差。通過特徵畫素點，利用退火的方法選擇多個分割點，進行左右樹劃分，選擇最小化劃分後的偏差為最優分割點。分割樣本，基於樣本的平均殘差更新當前關鍵點位置。回到上一步驟，重新選擇出特徵關鍵點，擬合下一顆殘差樹，最終綜合所有殘差樹的結果得到關鍵點位置。
下圖為級聯中不同層級的形狀變化：
從上圖可以看出，隨著級聯的進行，**形狀和真實值之間的誤差不斷減少。上述演算法在dlib中已經開源。因此直接呼叫了此**進行臉部特徵點標註。
三：邊框檢測
如圖所示：分別為手機邊框和列印**邊框。
針對上圖中的情況，設計了一種基於邊緣提取和hough變換的邊框檢測演算法，首先採用傳統的邊緣檢測方法canny運算元提取出影象的邊緣區域，然後使用霍夫變換來檢測影象中的直線區域，根據直線檢測結果來判別是否存在邊框。
這部分思路如下，先將的指定幀resize為200*200，對影象進行灰度化處理，再使用canny邊緣提取灰度圖邊緣，再將邊緣圖進行霍夫直線變換。
不過此方法存在一些問題，受光線和背景複雜度的影響大，良好的光線是本演算法識別的基礎。
四：眨眼檢測
上圖中的6個特徵點p1、p2、p3、p4、p5、p6是人臉特徵點中對應眼睛的6個特徵點。
我們要思考的是，這些點在眼睛睜開和閉合時，彼此座標之間的關係。如圖中直線所示，我們可以看出，長寬比在眼睛睜開和閉合時會有所不同。因此，我們可以匯出ear的方程：
五：人臉姿態檢測
人臉姿態估計主要是獲得臉部朝向的角度資訊。一般可以用旋轉矩陣、旋轉向量、四元數或尤拉角表示（這四個量也可以互相轉換）。一般而言，尤拉角可讀性更好一些，使用更為廣泛。
計算步驟如下：
1）首先定義乙個具有n個關鍵點的3d臉部模型，n可以根據自己對準確度的容忍程度進行定義，以下示例定義6個關鍵點的3d臉部模型（左眼角，右眼角，鼻尖，左嘴角，右嘴角，下頜）；
2）採用人臉檢測以及面部關鍵點檢測得到上述3d臉部對應的2d人臉關鍵點；
3）採用opencv的solvepnp函式解出旋轉向量；
4）將旋轉向量轉換為尤拉角；
六：活體檢測技術效能指標
為了度量抗欺騙方法的安全性和活體檢測的效能,需要有合適的方法去評估。
常用的效能度量指標有錯誤拒絕率(frr),錯誤接受率(far),等錯誤率(eer),、獲取錯誤率和平均處理時間等。
下面對活體檢測方法的這些指標作些說明:
1: lfrr錯誤拒絕率:合法活體使用者嘗試登陸被認為不是活體而拒絕的次數除以合法使用者嘗試登陸的總次數。
2：lfar錯誤接受率：欺騙攻擊被接受為活體合法使用者的次數除以欺騙攻擊的總次數。
3：獲取錯誤率：系統因不能獲取資訊而作出活體判斷的次數除以嘗試獲取資訊的總次數。
由於單個far或frr不能評估系統效能,所以一般我們把frr和far相等時的錯誤率作系統的評估指標,稱為等錯誤率eer.當eer值較小時，表示系統效能較高。
人臉人臉比對，活體檢測
手機攝像頭拍人臉自動比對識別的技術,活體檢測技術 手機攝像頭拍人臉自動比對識別的技術,活體檢測技術產品背景 隨著深度學習方法的應用，手機攝像頭拍人臉自動比對識別的技術技術的識別率已經得到質的提公升，目前我司的手機攝像頭拍人臉自動比對識別的技術率已經達到99 手機攝像頭拍人臉自動比對識別的技術技術與其...
人臉活體檢測資料
目前，主流的活體檢測技術基於攝像頭型別可分為 基於2d人臉活體檢測和基於3d人臉活體檢測。兩種演算法目前都有實際的案例。從識別精度出發，3d人臉活體檢測遠勝於2d人臉活體檢測，因為3d影象的深度通道可以獲取2d影象中沒有的距離資訊，對 欺騙等欺騙方式具有更好的鑑別能力。目前，支付寶及部分銀行已經開始...
人臉識別活體檢測技術
隨著深度學習方法的應用，識別人臉影象的技術的識別率已經得到質的提公升，目前識別人臉影象的技術率已經達到99 識別人臉影象的技術與其他生物特徵識別技術相比，在實際應用中具有天然獨到的優勢 通過攝像頭直接獲取，可以非接觸的方式完成識別過程，方便快捷。目前識別人臉影象的技術已應用在金融 教育 景區 旅運 ...