一、活体检测是什么？为什么它比人脸识别更难？
活体检测（Liveness Detection），简单说就是让系统判断站在摄像头前的到底是个真人，还是一张照片、一段视频、一个3D面具，甚至是一个深度伪造的AI换脸视频。
在实际落地中，活体检测面临的挑战远超常规人脸识别。常见的攻击手段包括：
- 照片攻击：用打印照片或手机屏幕翻拍照片冒充真人
- 视频攻击：播放录制好的真人视频
- 3D面具攻击：用硅胶面具或3D打印头模冒充
- 深度伪造攻击：用AI生成的换脸视频或实时滤镜
传统2D人脸识别面对这些攻击几乎毫无防御能力，这正是活体检测技术要解决的核心问题。
二、活体检测主流技术方案
当前主流活体检测方案分为三大技术路线，各有优劣，适用场景不同。
2.1 动作指令活体检测（配合式）
要求用户按照系统提示完成指定动作，如眨眼、张嘴、缓慢转头、微笑等，系统通过分析连续帧中面部关键点的运动轨迹来判定是否为真人。
技术原理：
- 用户完成动作时，系统追踪68个或106个面部特征点的位移变化
- 通过光流法分析眼睑开合角度、唇部轮廓变形程度等生物特征
- 检测头部姿态（Pitch/Yaw/Roll三个方向的旋转角度），误差需控制在1°以内
优点：实现简单、成本低、普通RGB摄像头即可
缺点：用户体验稍差（需要主动配合）、对动作完成度有要求
适用场景：金融开户、大额支付验证等对安全性要求高的场景，通常与静默活体配合使用形成多因子验证。
2.2 静默活体检测（非配合式）
用户无需做任何动作，系统通过分析单张或连续多张图像的光学特征（如纹理、反射、肤色等）判断真假。
技术原理：
- 纹理分析：采用LBP（局部二值模式）与HOG（方向梯度直方图）融合特征，在反光、阴影等复杂光照条件下检测精度可达98.7%
- 3D深度感知：通过分析面部立体信息判断是否为平面打印品
- 微表情捕捉：检测瞳孔收缩频率、皮肤表面0.1-0.3mm级的细微形变
优点：用户体验好、无需额外动作
缺点：受光照环境影响较大、纯软件方案对高仿真面具防御力有限
适用场景：门禁考勤、手机解锁、视频会议身份验证等对体验要求高的场景。
2.3 红外/3D活体检测（硬件增强型）
通过专用红外摄像头或3D结构光传感器采集面部深度信息和红外光谱特征，从根本上区分真实人脸与攻击样本。
技术原理：
- 红外成像：采用850nm或940nm波长的近红外光源，捕捉人脸的红外反射信号。活体皮肤与纸张、硅胶等材料在红外波段下的反射特性完全不同
- 3D结构光：投射数万个红外点阵到面部，根据形变计算三维深度信息，照片和视频完全没有深度数据
- 血管识别：通过红外光吸收率变化检测皮下血管搏动信号
优点：防攻击能力最强、不受可见光干扰、暗光环境下依然可用
缺点：需要专用硬件（红外摄像头或3D传感器）、成本较高
三、基于Face++ API的活体检测实战
以下基于Face++（旷视）提供的API服务，演示如何在实际项目中接入活体检测功能。
3.1 环境准备
注册Face++账号获取API_KEY和API_SECRET后，安装官方SDK：
bash
pip install megvii-facepp-sdk
初始化客户端：
python
from facepp import API, File api = API(api_key='YOUR_API_KEY', api_secret='YOUR_API_SECRET')
3.2 动作活体检测实现
Face++支持通过动作指令验证活体，随机要求用户完成眨眼（Blink）或张嘴（MouthMove）等动作。
python
def verify_liveness(video_path, action_type): """ 动作活体检测 :param video_path: 录制的用户动作视频路径 :param action_type: 动作类型 'Blink' 或 'MouthMove' """ result = api.liveness_record( video_file=File(video_path), action_type=action_type ) # face_liveness: 1为通过活体检测，0为拒绝 if result.get('face_liveness') != 1: raise ValueError("活体检测失败，疑似非真人操作") return True
前端交互逻辑：
- 系统随机生成动作指令（如“请眨一下眼睛”）
- 调用摄像头录制用户完成动作的过程（建议3-5秒）
- 将视频上传到服务端调用活体检测API
- 解析返回结果，
face_liveness=1即为通过
3.3 静默活体检测
对于无需用户配合的场景，可以直接调用静默活体检测接口，传入单张人脸图片即可。
python
def silent_liveness_detect(image_path): """ 静默活体检测：用户无需做任何动作 """ result = api.detect( image_file=File(image_path), return_attributes="liveness" ) # 返回活体分数，通常阈值设为0.8以上 liveness_score = result.get('faces', [{}])[0].get('attributes', {}).get('liveness', {}).get('score', 0) if liveness_score < 0.8: raise ValueError(f"静默活体检测未通过，得分：{liveness_score}") return liveness_score
3.4 人脸比对 + 活体检测一体化流程
实际业务中，活体检测通常与人脸比对配合使用，形成完整的身份核验链路。
python
def identity_verification(face_image_path, stored_face_token): """ 完整的身份核验流程：活体检测 + 人脸比对 """ # Step 1: 静默活体检测 liveness_score = silent_liveness_detect(face_image_path) if liveness_score < 0.8: return {"pass": False, "reason": "活体检测未通过"} # Step 2: 检测人脸并获取face_token detect_result = api.detect( image_file=File(face_image_path), return_landmark=1 ) face_token = detect_result['faces'][0]['face_token'] # Step 3: 与数据库中预存的特征进行1:1比对 compare_result = api.compare( face_token1=face_token, face_token2=stored_face_token ) confidence = compare_result.get('confidence', 0) if confidence < 80: # 阈值可根据业务场景调整 return {"pass": False, "reason": f"人脸比对不匹配，置信度：{confidence}"} return {"pass": True, "confidence": confidence}
3.5 性能优化建议
- 异步处理：将视频上传与活体检测并行化，缩短用户等待时间
- 质量过滤：调用检测接口前先检查图像质量（光照、清晰度、人脸大小），避免无效调用
- 多帧验证：要求用户连续完成多个动作（如眨眼后张嘴），增加攻击成本
- 环境光检测：分析背景亮度变化，防止屏幕翻拍攻击
四、服务端集成注意事项
4.1 API密钥安全
严禁将API_KEY/API_SECRET硬编码在客户端代码中。正确做法是通过自有后端服务统一管理密钥，客户端仅向后端申请临时Token，由后端代为调用Face++ API。否则密钥被逆向提取后，将面临API滥用和计费风险。
4.2 数据合规
根据《个人信息保护法》及等保2.0要求：
4.3 多级验证策略
- 先进行动作指令初筛（响应时间<2s）
- 对可疑样本触发红外深度验证（总耗时<5s）
- 将通过率维持在95%的同时，将误拒率控制在0.3%以下
五、FAQ
Q1：静默活体和动作活体哪个更安全？
动作活体由于需要用户主动配合完成特定动作，防攻击能力更强。但静默活体用户体验更好。高安全场景建议两者结合使用，先用静默活体做初筛，对低分样本再触发动作验证。
Q2：光照不好时活体检测准确率会下降吗？
会。光线过暗或过亮都会影响图像质量。红外活体检测方案在暗光环境下表现优于纯RGB方案，因为红外光不受可见光变化影响。部署时建议确保环境光照在300-800Lux之间。
Q3：活体检测能防御Deepfake视频攻击吗？
部分可以。多帧时序分析可以有效识别视频回放攻击，因为播放的视频缺乏真实的面部微表情变化和自然的三维运动轨迹。但对抗实时Deepfake滤镜难度较大，通常需要结合红外检测或3D深度信息。
Q4：活体检测的误拒率（FRR）一般是多少？
不同方案和场景差异较大。优化良好的静默活体方案FRR可控制在1%-3%之间，动作活体方案FRR约1%-5%。红外活体检测方案在实验室环境中FRR可低于1%
本文参考旷视FaceID官网官方产品资料整理，留言咨询产品，未经授权禁止转载。
