1. 什么活体检测
判断捕捉到的人脸是真实人脸，还是伪造的人脸攻击（如：彩色纸张打印人脸图，电子设备屏幕中的人脸数字图像 以及 面具 等）
2. 为什么需要活体检测？
在金融支付，门禁等应用场景，活体检测一般是嵌套在人脸检测与人脸识别or验证中的模块，用来验证是否用户真实本人
3. 活体检测对应的计算机视觉问题：
就是分类问题，可看成二分类（真 or 假）；也可看成多分类（真人，纸张攻击，屏幕攻击，面具攻击）
Anti-spoofing 1.0 时代
从早期 handcrafted 特征的传统方法说起，目标很明确，就是找到活体与非活体攻击的difference，然后根据这些差异来设计特征，最后送给分类器去决策。
那么问题来了，活体与非活体有哪些差异？
1. 颜色纹理
2. 非刚性运动变形
3. 材料 （皮肤，纸质，镜面）
4. 图像or视频质量
所以这段时期的文章都是很有针对性地设计特征，列举几篇比较重要的：
Image Distortion Analysis[1], 2015
如下图，单帧输入的方法，设计了 镜面反射 图像质量失真 颜色 等统计量特征，合并后直接送SVM进行二分类。
Image Distortion Analysis[1]
Cons: 对于高清彩色打印的纸张 or 高清录制视频，质量失真不严重时，难区分开
Colour Texture[2], 2016
Oulu CMVS组的产物，算是传统方法中的战斗机，特别简洁实用，Matlab代码（课题组官网有），很适合搞成C 部署到门禁系统。
原理：活体与非活体，在RGB空间里比较难区分，但在其他颜色空间里的纹理有明显差异
算法：HSV空间人脸多级LBP特征 YCbCr空间人脸LPQ特征 （后在17年的paper拓展成用Color SURF特征[12]，性能提升了一点）
Colour Texture[2]
Pros: 算法简洁高效易部署；也证明了活体与非活体在 HSV等其他空间也是discriminative，故后续深度学习方法有将HSV等channel也作为输入来提升性能。
Motion mag.-HOOF LBP-TOP[3], 2014
DMD LBP[4], 2015
前面说的都是单帧方法，这两篇文章输入的是连续多帧人脸图；
主要通过捕获活体与非活体微动作之间的差异来设计特征。
一个是先通过运动放大来增强脸部微动作， 然后提取方向光流直方图HOOF 动态纹理LBP-TOP 特征；一个是通过动态模式分解DMD，得到最大运动能量的子空间图，再分析纹理。
PS：这个 motion magnification 的预处理很差劲，加入了很多其他频段噪声（18年新出了一篇用 Deep learning 来搞 Motion mag[13]. 看起来效果挺好，可以尝试用那个来做运动增强，再来光流or DMD）
Motion mag.-HOOF LBP-TOP[3]
DMD LBP[4]
Cons: 基于Motion的方法，对于 仿人脸wrapped纸张抖动 和 视频攻击，效果不好；因为它假定了活体与非活体之间的非刚性运动有明显的区别，但其实这种微动作挺难描述与学习~
Pulse texture[5], 2016
第一个将 remote pluse 应用到活体检测中，多帧输入（交代下背景：在CVPR2014，Xiaobai Li[14] 已经提出了从人脸视频里测量心率的方法）
算法流程：
1. 通过 pluse 在频域上分布不同先区分 活体 or 照片攻击 （因为照片中的人脸提取的心率分布不同）
2. 若判别1结果是活体，再 cascade 一个 纹理LBP 分类器，来区分 活体 or 屏幕攻击（因为屏幕视频中人脸心率分布与活体相近）
Pulse texture[5]
Pros: 从学术界来说，引入了心理信号这个新模态，很是进步；从工业界来看，如果不能一步到位，针对每种类型攻击，也可进行 Cascade 对应的特征及分类器的部署方式
Cons: 由于 remote heart rate 的算法本来鲁棒性也一般，故出来的 pulse-feature 的判别性能力很不能保证；再者屏幕video里的人脸视频出来的 pulse-feature 是否也有微小区别，还待验证~
Anti-spoofing 2.0 时代
其实用 Deep learning 来做活体检测，从15年陆陆续续就有人在研究，但由于公开数据集样本太少，一直性能也超越不了传统方法：
CNN-LSTM[6], 2015
多帧方法，想通过 CNN-LSTM 来模拟传统方法 LBP-TOP，性能堪忧~
PatchNet pretrain[7]，CNN finetune, 2017
单帧方法，通过人脸分块，pre-train 网络；然后再在 global 整个人脸图 fine-tune，作用不大
Patch and Depth-Based CNNs[8], 2017
第一个考虑把 人脸深度图 作为活体与非活体的差异特征，因为像屏幕中的人脸一般是平的，而纸张中的人脸就算扭曲，和真人人脸的立体分布也有差异；
就算用了很多 tricks 去 fusion，性能还是超越不了传统方法。
Deep Pulse and Depth[9], 2018
发表在 CVPR2018 的文章，终于超越了传统方法性能。
文章[8]的同一组人，设计了深度框架 准端到端 地去预测 Pulse统计量 及 Depth map （这里说的“准”，就是最后没接分类器，直接通过样本 feature 的相似距离，阈值决策）
在文章中明确指明：
1. 过去方法把活体检测看成二分类问题，直接让DNN去学习，这样学出来的cues不够general 和 discriminative
2. 将二分类问题换成带目标性地特征监督问题，即 回归出 pulse 统计量 回归出 Depth map，保证网络学习的就是这两种特征（哈哈，不排除假设学到了 color texture 在里面，黑箱网络这么聪明）。
Deep Pulse and Depth[9]
回归 Depth map，跟文章[8]中一致，就是通过 Landmark 然后 3DMMfitting 得到 人脸3D shape，然后再阈值化去背景，得到 depth map 的 groundtruth，最后和网络预测的 estimated depth map 有 L2 loss。
而文章亮点在于设计了 Non-rigid Registration Layer 来对齐各帧人脸的非刚性运动（如姿态，表情等），然后通过RNN更好地学到 temporal pulse 信息。
Non-rigid Registration Layer[9]
为什么需要这个对齐网络呢？我们来想想，在做运动识别任务时，只需简单把 sampling或者连续帧 合并起来喂进网络就行了，是假定相机是不动的，对象在运动；而文中需要对连续人脸帧进行pulse特征提取，主要对象是人脸上对应ROI在 temporal 上的 Intensity 变化，所以就需要把人脸当成是相机固定不动。
Micro-texture SSD or binocular depth[10] , 2018
ArXiv 刚挂出不久的文章，最大的贡献是把 活体检测 直接放到 人脸检测（SSD，MTCNN等） 模块里作为一个类，即人脸检测出来的 bbox 里有 背景，真人人脸，假人脸 三类的置信度，这样可以在早期就过滤掉一部分非活体。
所以整个系统速度非常地快，很适合工业界部署~
至于后续手工设计的 SPMT feature 和 TFBD feature 比较复杂繁琐，分别是表征 micro-texture 和 stereo structure of face，有兴趣的同学可以去细看。
texture SSD or binocular depth[10]
De-Spoofing[11], ECCV2018
单帧方法，与Paper[8]和[9]一样，是MSU同一个课题组做的。
文章的idea很有趣，启发于图像去噪denoise 和 图像去抖动 deblur。无论是噪声图还是模糊图，都可看成是在原图上加噪声运算或者模糊运算（即下面的公式），而去噪和去抖动，就是估计噪声分布和模糊核，从而重构回原图。
文中把活体人脸图看成是原图
，而非活体人脸图看成是加了噪声后失真的 x ，故 task 就变成估计 Spoof noiseN(
) ，然后用这个 Noise pattern feature 去分类决策。
De-spoofing process[11]
那问题来了，数据集没有像素级别一一对应的 groundtruth，也没有Spoof Noise模型的先验知识（如果有知道Noise模型，可以用Live Face来生成Spoofing Face），那拿什么来当groundtruth，怎么设计网络去估计 Spoofing noise 呢？
如一般Low-level image 任务一样，文中利用Encoder-decoder来得到 Spoof noise N，然后通过残差重构出
，这就是下图的DS Net。为了保证网络对于不同输入，学出来的Noise是有效的，根据先验知识设计了三个Loss来constrain：
Magnitude loss(当输入是Live face时，N尽量逼近0)；
Repetitive loss(Spooing face的Noise图在高频段有较大的峰值)；
01Map Loss(让Real Face 的 deep feature map分布尽量逼近全0，而Spoofing face的 deep feature map 尽量逼近全1)
De-spoofing网络架构[11]
那网络右边的 VQ-Net 和 DQ-Net 又有什么作用呢？因为没有 Live face 的 Groundtruth，要保证重构出来的分布接近 Live face，作者用了对抗生成网络GAN (即 VQ-Net )去约束重构生成的
与Live face分布尽量一致；而用了文章[8]中的 pre-trained Depth model 来保证
的深度图与Live face的深度图尽量一致。
Pros: 通过可视化最终让大众知道了 Spoofing Noise 是长什么样子的~
Cons: 在实际场景中难部署（该模型假定Spoofing Noise是 strongly 存在的，当实际场景中活体的人脸图质量并不是很高，而非活体攻击的质量相对高时，Spoofing noise走不通）
后记：不同模态的相机输入对于活体检测的作用
1. 近红外NIR
由于NIR的光谱波段与可见光VIS不同，故真实人脸及非活体载体对于近红外波段的吸收和反射强度也不同，即也可通过近红外相机出来的图像来活体检测。从出来的图像来说，近红外图像对屏幕攻击的区分度较大，对高清彩色纸张打印的区分度较小。
从特征工程角度来说，方法无非也是提取NIR图中的光照纹理特征[15]或者远程人脸心率特征[16]来进行。下图可见，上面两行是真实人脸图中人脸区域与背景区域的直方图分布，明显与下面两行的非活体图的分布不一致；而通过与文章[5]中一样的rPPG提取方法，在文章[]中说明其在NIR图像中出来的特征更加鲁棒~
NIR人脸区域与背景区域直方图[15]
2. 结构光/ToF
由于结构光及ToF能在近距离里相对准确地进行3D人脸重构，即可得到人脸及背景的点云图及深度图，可作为精准活体检测（而不像单目RGB或双目RGB中仍需估计深度）。不过就是成本较高，看具体应用场景决定。
3. 光场 Light field
光场相机具有光学显微镜头阵列，且由于光场能描述空间中任意一点向任意方向的光线强度，出来的raw光场照片及不同重聚焦的照片，都能用于活体检测：
3.1 raw光场照片及对应的子孔径照片[17]
如下图所示，对于真实人脸的脸颊边缘的微镜图像，其像素应该是带边缘梯度分布；而对应纸张打印或屏幕攻击，其边缘像素是随机均匀分布：
光场相机图
3.2 使用一次拍照的重聚焦图像[18]
原理是可以从两张重聚焦图像的差异中，估计出深度信息；从特征提取来说，真实人脸与非活体人脸的3D人脸模型不同，可提取差异图像中的 亮度分布特征 聚焦区域锐利程度特征 频谱直方图特征。
至此，Face anti-spoofing 的简单Survey已完毕~
毫无疑问，对于学术界，后续方向应该是用DL学习更精细的 人脸3D特征 和 人脸微变化微动作(Motion Spoofing Noise?) 表征；而也可探索活体检测与人脸检测及人脸识别之间更紧密的关系。
对于工业界，可直接在人脸检测时候预判是否活体；更可借助近红外，结构光/ToF等硬件做到更精准。
