你在互聯網上找到的大多數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絡攝像頭的圖像、視頻和視頻流中的人臉方面是非常有效，但是他們無法區分現實生活中的面孔和照片上的面孔。這種無法區別現實人臉的現象是由于這些算法是在二維幀上工作的。現在讓我們去試想一下，我們實現一個人臉識別系統，該系統可以很好地區分已知面孔和未知面孔，以便只有授權人員才能訪問，盡管如此，一個心懷不軌的人只要出示授權人的照片也能訪問。至此一個3D人臉的識別系統，類似于蘋果的FaceID，應運而生了，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。該算法通過網絡攝像頭實時工作，通過檢測眨眼來區分現實生活中的面孔和照片上的面孔。通俗地說，程序運行如下：在網絡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習方法來查找和識別圖像中的人臉，特別是，face＿locations、face＿encodings和compare＿faces函數是最有用的3個函數。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）和卷積神經網絡（CNN），由于時間限制，選擇了HoG方法。face＿encodings函數是一個預先訓練的卷積神經網絡，能夠將圖像編碼成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據集中所有編碼的人臉進行比較，距離最近的向量對應于同一個人。1． 已知人臉數據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據庫的代碼。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．append（encoding［0］）            known＿names．append（name）

return ｛＂encodings＂： known＿encodings， ＂names＂： known＿names｝現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絡攝像頭識別人臉，然而，在轉到這一部分之前，我們需要區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。我訓練了一個卷積神經網絡來分類眼睛是閉著的還是睜著的，所選擇的模型是LeNet－5，它已經在Closed Eyes In The Wild （CEW）數據集上進行了訓練，它由大約4800張24x24大小的眼睛圖像組成。Closed Eyes In The Wild （CEW）數據集地址：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＿size STEP＿SIZE＿VALID＝val＿generator．n／／val＿generator．batch＿size

model ＝ Sequential（）

model．add（Conv2D（filters＝6， kernel＿size＝（3， 3）， activation＝＇relu＇， input＿shape＝（IMG＿SIZE，IMG＿SIZE，1））） model．add（AveragePooling2D（））

model．add（Conv2D（filters＝16， kernel＿size＝（3， 3）， activation＝＇relu＇）） model．add（AveragePooling2D（））

model．add（Flatten（））

model．add（Dense（units＝120， activation＝＇relu＇））

model．add（Dense（units＝84， activation＝＇relu＇））

model．add（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測它的狀態，并跟蹤每個人的眼睛狀態，因此，檢測眨眼變得非常容易，它試圖在眼睛狀態歷史中找到一個閉眼－睜眼－閉眼的過程。