活體檢測攝像頭

主要是基于光流法而實現(xiàn)。

  近紅外人臉活體檢測無需指令配合，檢測成功率較高。根據(jù)光流法，利用圖像序列中的像素強度數(shù)據(jù)的時域變化和相關(guān)性來確定各自像素位置的“運動”，從圖像序列中得到各個像素點的運行信息，采用高斯差分濾波器、LBP特征和支持向量機進行數(shù)據(jù)統(tǒng)計分析。同時，光流場對物體運動比較敏感，利用光流場可以統(tǒng)一檢測眼球移動和眨眼。這種活體檢測方式可以在用戶無配合的情況下實現(xiàn)盲測。

活體檢測攝像頭：

我們利用3D攝像頭拍攝人臉,得到相應(yīng)的人臉區(qū)域的3D數(shù)據(jù),并基于這些數(shù)據(jù)做進一步的分析, 終判斷出這個人臉是來自活體還是非活體。這里非活體的來源是比較廣泛的,包括Pad等介質(zhì)的照片和視頻、各種打印的不同材質(zhì)的照片（這里包含各種情形的彎曲、折疊、剪裁、挖洞等情形）等。

  我們基于活體和非活體的3D人臉數(shù)據(jù)，選擇具有區(qū)分度的特征來訓(xùn)練分類器，利用訓(xùn)練好的分類器來區(qū)分活體和非活體。特征的選擇是至關(guān)重要的，這里我們選擇的特征既包含了全局的信息，也包含了局部的信息，這樣的特征有利于算法的穩(wěn)定性和魯棒性。

· 首先，我們提取了活體和非活體人臉區(qū)域的256個特征點的三維信息，并對這些點之間的幾何結(jié)構(gòu)關(guān)系進行了初部的分析處理；

  · 其次，我們提取了整個人臉區(qū)域的三維信息，并對相應(yīng)的特征點做進一步的處理，再采用協(xié)調(diào)訓(xùn)練Co-training的方法訓(xùn)練了正負樣本數(shù)據(jù)，之后利用得到的分類器進行了初分類；

  · 后，利用以上兩個步驟所提取的特征點進行曲面的擬合來描述三維模型特征，然后根據(jù)曲面的曲率從深度圖像中提取凸起區(qū)域，再對每個區(qū)域提取EGI特征，后利用其球形相關(guān)度進行再分類識別。