仅5M大小,识别准确率99.9%,共享CNN神经网络的双目活体技术 | 云识客

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了仅5M大小,识别准确率99.9%,共享CNN神经网络的双目活体技术 | 云识客相关的知识,希望对你有一定的参考价值。

以下这张照?,是真?实拍还是对着照?翻拍的?

技术图片

如果告诉你,这张照?,是对着照?翻拍的照?,你会不会惊讶?

但就是对于这种?乎以假乱真的照?,双?活体能很轻松地判断出来这张照?到底是真?照?还是照片翻拍。在?融、征信、安防等?脸识别应?最?泛的场景中,活体识别可以说是具备?规模应?最关键环节。

1 什么是双?活体

双?,就是有两个眼睛。?个眼睛是可?光摄像头,采集彩?照;还有?个眼睛是近红外摄像头,采集的??照。?双?活体,实际上也对应了两种算法,单?活体检测和近红外活体检测

? 可?光活体检测的原理,是利?图?中?像的破绽(摩尔纹、成像畸形等)来判断?标对象是否为活体,可有效防?屏幕?次翻拍等作弊***

? 近红外活体检测的原理,是红外摄像头发射红外光线,照射到物体表?,利?成像元件(CCD或 CMOS)去感受周围环境反射回来的红外光,因为不同材质的反射率不同等原因,再通过算法分析,即可识别是当前?户是否是真?。

近红外活体由于?带红外光源,因此受环境光的影响较?,可以在完全?暗的环境下成像,对于?机屏幕有近 100%防***能力如下图

技术图片

活体检测的关键指标包括:

? 识别速度:算法从接收到图?到输出结果的时间

? 通过率:设定好?个阈值,给定N个真?样本,算法输出的分值?于阈值(即正确判断为真?)的样本为M,则通过率=M/N

? 拒绝率:设定好?个阈值,给定N个***样本,算法输出的分值低于阈值(即正确判断为假?)的样本为M,则拒绝率=M/N

通过率与拒绝率,是在同?个阈值下测试出来的,选取的阈值?,通过率低,拒绝率?;选取的阈值低,通过率越?,但是拒绝率?。

02 双?活体检测为什么这么重要

我们将从场景、商业、黑产三个维度,来分析双目活体的重要性:

? 线下场景,?度契合

云识客将?前?脸识别的主要应?场景分为两类:线上远程认证场景(?融开户、刷脸注册、刷脸 登录等)、线下??值守场景(?脸?禁、刷脸取款、刷脸?付等)。

活体检测的技术上,?前也主要有两?类:对硬件依赖度?较低的,如动作活体,静默活体;对硬件有?定要求,需要和硬件适配的,?如双?活体、3D结构光活体等。虽然后者的成本?前者?,但是防***效果更好,?在线下场景中,天然的需要硬件,因?后者也成为线下场景的最好选择。

技术图片

? 技术成熟,商用广泛

双?活体?3D结构光活体的技术难度也更低,因?成本更低,市场上双?摄像头模组成本?概¥300左右,?3D结构光模组要¥500~800;

产业结构上,能够批量做3D结构光模组的,中国?前只有两家;?能做双?活体硬件的,则数不胜数。所以线下场景的主流还是双?活体,普及度更?,?业发展更成熟。

? ?产博弈,依然可靠

有光明的地?,就会有?暗。如今的?产,已不仅仅是只会懂得?电信诈骗等?段来欺诈,他们也懂得利?AI和科技,并形成产业化,提供给上下游使?。

?如?前很多互?app的活体检测,都采?动作活体的?式(即系统出现随机动作,?户即时做出指定动作才被认为是真?),?产针对这种?式,使?3D建模技术,只需要?张照?,即可?成任何指定的动作。?双?活体,依然是?前最可靠的防***?段之?。

03 详解云识客活体检测技术

以下,我们分析云识客的多重人脸区域共享CNN的深度学习算法。

? 如何兼顾识别准确率与识别速度

虽然?前业界已经有多种双?活体检测算法,但多数算法为了得到准确率?的活体检测模型,使?了?较?的神经?络,虽然提升了模型的表现能?,但是模型太?,运算耗时。

如何兼顾识别准确率与识别速度,?直是业界的??难题。

有一种方案:通过采集多张?脸区域,更有效的捕捉活体和?活体数据之间的区别,引?更多的有效判别信息到卷积神经?络,提升识别准确率;同时多张?脸共享卷积神经?络,相?其他?张?脸对应?个神经?络,有效减?模型计算复杂度。

? 详解算法策略

技术图片

从这个流程图上,可以很清晰的看到,整体上有两个关键步骤:?适应扣取?脸、卷积神经?络。

? ?适应扣取?脸

更有效地捕捉活体与?活体数据的区别,采集到更多的有效判别信息,帮助提升识别准确率。

技术图片

如上图,我们依次扣取不同?脸占?的图像送?同?个CNN?络,增加了更多活体判断的有效信息,其中蓝?框主要捕获摩尔纹、反光、?脸畸变等信息,红?区域捕捉?机边界、纸张边界等明 显***信息,绿?区域是过渡区域,捕捉相关背景信息。

整体计算公式如下:

技术图片

? 卷积神经?络

在?适应扣取?脸中,我们截取的三个不同区域的图像数据,共享CNN,相比其他算法模型一种图像使用一种模型,能极大减少模型的复杂度,从而降低模型大小。

最后,融合三个图像输出的不同特征,并设计新颖的针对单?/活体?络训练的损失函数,增加?络的泛化性能。

技术图片
技术图片
使用这种算法模型,整体仅5M??, 即使在低性能硬件设备上,也能达到实时检测的效果。

? 样本搜集

最后,除了算法的维度,结合越来越高明的***行为,还需要搜集海量的***样本数据,包括?机、屏幕、纸张、面具、面膜等***样本,覆盖面广,进一步增加活体防***的范围。

技术图片

? 光流法辅助单目活体判断

最后,针对单目活体,云识客也采用光流法辅助活体判断的校验机制。所谓的光流场,即物体在三维真实世界中的运动,在二维图像平面上的投影

技术图片

如图:通过帧间信息求取光流场数据,对于纸张***和手机***来说,求得的光流场与实际活体人脸区域的光流场有很大区别。活体人脸区域的光流场存在方向不一致性,并且与背景分离,纸张和手机***的光流场存在方向一致性并且人脸区域与背景是不分离的,通过此类规律可以过滤掉大部分运动状态下的非活体***数据。

? 测试关键指标

? 识别速度

整体算法模型??仅5M,即使在低性能设备上,也能流畅运?。在3288的CPU上,仅耗时398ms,?同类一般算法快200ms。

? 通过率与拒绝率

实际场景照?下的通过率达99.7%,拒绝率达99.9%。

4 算法行业深度结合

云识客认为:

算法不仅是深度学习,其核心在于算法策略;

算法也不是空中楼阁,更需要抓住行业痛点,才能发挥最大的价值。

以上是关于仅5M大小,识别准确率99.9%,共享CNN神经网络的双目活体技术 | 云识客的主要内容,如果未能解决你的问题,请参考以下文章

CNN 上的数字识别

第三节,TensorFlow 使用CNN实现手写数字识别

基于Matlab卷积神经网络(CNN)人脸识别系统

深度学习100例 | 第28天:水果的识别与分类(准确率99.9%)

深度学习100例 | 第28天:水果的识别与分类(准确率99.9%)

深度学习卷积神经网络(CNN)人脸表情识别系统(GUI界面)