你在互聯(lián)網(wǎng)上找到的大多數(shù)人臉識別算法和研究論文都會遭受照片攻擊。這些方法在檢測和識別來自網(wǎng)絡(luò)攝像頭的圖像、視頻和視頻流中的人臉方面是非常有效，但是他們無法區(qū)分現(xiàn)實生活中的面孔和照片上的面孔。這種無法區(qū)別現(xiàn)實人臉的現(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?，我們實現(xiàn)一個人臉識別系統(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，盡管如此，一個心懷不軌的人只要出示授權(quán)人的照片也能訪問。至此一個3D人臉的識別系統(tǒng)，類似于蘋果的FaceID，應(yīng)運而生了，但如果我們沒有3D探測器該怎么辦呢？
本文的目標是實現(xiàn)一種基于眨眼檢測的人臉活體檢測算法，以抵抗照片攻擊。該算法通過網(wǎng)絡(luò)攝像頭實時工作，通過檢測眨眼來區(qū)分現(xiàn)實生活中的面孔和照片上的面孔。通俗地說，程序運行如下：在網(wǎng)絡(luò)攝像頭生成的每個幀中檢測人臉。對于每個檢測到的臉，檢測眼睛。對于每個檢測到的眼睛，檢測眼睛是否睜開或關(guān)閉。如果在某個時候檢測到眼睛是睜開的，然后是閉著的，然后是睜開的，我們就斷定此人已經(jīng)眨了眼睛，并且程序顯示他的名字（如果是人臉識別開門器，我們將授權(quán)此人進入）。對于人臉的檢測和識別，你需要安裝face＿recognition庫，它提供了非常有用的深度學(xué)習(xí)方法來查找和識別圖像中的人臉，特別是，face＿locations、face＿encodings和compare＿faces函數(shù)是最有用的3個函數(shù)。人臉定位方法可以用兩種方法來檢測人臉：方向梯度直方圖（HoG）和卷積神經(jīng)網(wǎng)絡(luò)（CNN），由于時間限制，選擇了HoG方法。face＿encodings函數(shù)是一個預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)，能夠?qū)D像編碼成128哥元素的一維特征向量，這個嵌入向量包含足夠的特征信息來區(qū)分兩個不同的人，最后，compare＿faces計算兩個嵌入向量之間的距離。它將允許算法識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行比較，距離最近的向量對應(yīng)于同一個人。1． 已知人臉數(shù)據(jù)集編碼在我的例子中，算法能夠識別我和奧巴馬，我為每個人挑選了大約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）
＃ 檢測圖像中的臉并獲取其位置（方框坐標） 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)在我們知道了每個想識別的人的編碼，我們可以嘗試通過網(wǎng)絡(luò)攝像頭識別人臉，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．人臉活體檢測我們的目標是在某個點上檢測出一個睜閉的睜眼模式。我訓(xùn)練了一個卷積神經(jīng)網(wǎng)絡(luò)來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＿sizeSTEP＿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在評估模型時，我達到了94％的準確率。每次我們檢測到一只眼睛，我們就用我們的模型來預(yù)測它的狀態(tài)，并跟蹤每個人的眼睛狀態(tài)，因此，檢測眨眼變得非常容易，它試圖在眼睛狀態(tài)歷史中找到一個閉眼－睜眼－閉眼的過程。
12下一頁>（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責(zé)任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
