照片解鎖手機不能忍？教你用OpenCV做活體檢測

圓栗子 編譯整理

量子位 出品 | 公眾號 QbitAI

來自蝦米媽咪

小朋友用媽媽的一寸照片通過了人臉識別，打擊了小度音箱的家長監督機制。

活體檢測沒做好。

公交車身廣告上的董明珠頭像，被寧波交警系統拍了照，判定成「違法闖紅燈」。

活體檢測沒做好。

所以，活體檢測要怎麼做？

名叫Adrian Rosebrock的程序猿，寫了份事無巨細的教程，從構建數據集開始，一步步教大家用AI分辨真人和照片，精細到每行代碼的用途。

川川是假的，光頭是真的

這個識別方法，用到了OpenCV和Keras，打開攝像頭就可以實時檢測。

重要的是，有源碼提供，受到了推特用戶的踴躍比心。

活體檢測，可以檢測些什麼？

AI可以用哪些技巧，來區分真人和照片？

一是紋理分析(Texture Analysis) 。皮膚的紋理特徵是重要的依據，給2D照片拍照，比起給3D真人拍照，會損失一些紋理。

二是頻率分析(Frequency Analysis) 。照片臉部的頻率組成，也不像真人那樣豐富。

三是可變聚焦分析(Variable focusing Analysis) 。連拍兩張照片，聚焦在不同位置，查看像素值 (Pixel Value) 的變化。

四是啟發式演算法(Heuristic-Based Algorithms) 。眼動、唇動、眨眼這些動作，照片是不會有的。

五是光流演算法(Optical Flow Algorithms) 。在相鄰兩幀之間，檢測物體運動的方向和幅度，查出2D和3D物體之間的差別。

……

不過這裡，就把活體檢測看成一個粗暴的二分類問題，這些複雜的分析先拋到一邊。

自製數據集

程序猿把問題又簡化了一下：這裡說的「假臉」，只是「屏幕里的人臉」而已。

現在，可以開始造數據集了。

他用手機的前攝像頭拍了一段25秒的視頻；又舉著手機、對著電腦攝像頭，把視頻播了一遍。

這樣，一段真人視頻，和一段「假臉」視頻，就準備好了。

程序猿拍下的這兩條視頻，都提供下載。不過，他還是建議大家多收集一些數據，不同的人臉，甚至不同的人種，幫助演算法茁壯成長。

下一步，要用OpenCV的人臉檢測演算法處理兩段視頻，把有用的區域 (ROI) ，就是人臉部分框出來。

這步用了80多行代碼，每一行在做些什麼，教程里都寫清了。

最後，按照真假兩個類別，把框好的臉部提取出來，就有了數據集。

溫馨提示，需要平衡一下真圖和假圖的數量。比如，程序猿發現真實視頻比假視頻長，就用更大的間隔來提取。於是，他收穫了真圖161張，假圖150張。

這數據集還是顯得有些貧乏，所以後面需要擴增：旋轉、翻轉之類的操作，可以增加圖片數量。

活體檢測模型

數據集做好了，就要餵給做活體檢測的神經網路。

程序猿給網路起名LivenessNet，大體長這樣：

他說，這其實只是一個簡單的CNN。而且，已經努力讓網路保持在最淺、參數最少的狀態。

這樣做有兩個原因：一是為避免模型在小數據集上發生過擬合，二是為保證模型快到可以實時推理，就算在樹莓派上也能運行。

搭個網路

現在，就來實現一下這個網路。打開livenessnet.py，再寫這一段代碼：

然後，一層一層加上去：

程序猿說，這個網路有點像VGGNet，很淺，過濾器 (Filter) 很少。只是判斷真假，不用深度網路。

最後，再加一個FC層RELU層的組合。

CNN搭好了，該訓練了。

訓練腳本長這樣

大致的訓練過程，就像這張圖：

打開train_liveness.py，寫下這段代碼：

1# set the matplotlib backend so figures can be saved in the background

2importmatplotlib

3matplotlib.use("Agg")

4

5# import the necessary packages

6frompyimagesearch.livenessnetimportLivenessNet

7fromsklearn.preprocessingimportLabelEncoder

8fromsklearn.model_selectionimporttrain_test_split

9fromsklearn.metricsimportclassification_report

10fromkeras.preprocessing.imageimportImageDataGenerator

11fromkeras.optimizersimportAdam

12fromkeras.utilsimportnp_utils

13fromimutilsimportpaths

14importmatplotlib.pyplotasplt

15importnumpyasnp

16importargparse

17importpickle

18importcv2

19importos

20

21# construct the argument parser and parse the arguments

22ap = argparse.ArgumentParser()

23ap.add_argument("-d","--dataset", required=True,

24help="path to input dataset")

25ap.add_argument("-m","--model", type=str, required=True,

26help="path to trained model")

27ap.add_argument("-l","--le", type=str, required=True,

28help="path to label encoder")

29ap.add_argument("-p","--plot", type=str, default="plot.png",

30help="path to output loss/accuracy plot")

31args = vars(ap.parse_args())

導入，不停地導入

裡面包含了許多的導入：

有matplotlib，是可視化工具；

有LivenessNet，就是剛才搭好的CNN；

有train_test_split，這是scikit-learn里的函數，把數據集拆成訓練集和測試集；

有classification_report，也是scikit-learn裡面的工具，用來生成簡短統計報告的；

有ImageDataGenerator，做數據擴增用的；

有Adam，適合這個任務的優化器，當然也可以用SGD、RMSprop等等代替；

有paths，這個模塊是用來收集圖片路徑的；

有pyplot，也是美麗的可視化工具；

有numpy，是Python數學庫，也是OpenCV必需品；

有argparse，用來處理命令行參數；

有pickle，可以把標籤編碼器序列化到盤上；

有cv2，這是一組OpenCV Binding；

還有os，這個模塊用處很多，但這裡只用到了它的操作系統路徑分隔符而已。

梳理好這些，再看餘下的代碼，就會清晰很多了。

後面，是一系列的初始化，以及訓練前的各種準備活動。此處略去，詳見教程原文。

訓練正式啟動

準備就緒，運行這段命令，就可以訓練了：

成果斐然

訓練完結，LivenessNet在驗證集上拿到了99%的準確度。

當然，驗證集只是熱身，後面還要打開攝像頭，讓AI去看更多沒見過的人，和沒見過的「假人」。

(這一部分代碼，也有詳盡的解讀，參見教程原文。)

就像開頭展示的那樣，AI能清楚地判斷，它眼前的川川不是真人，而程序猿是真人。

那麼，你也可以訓練一隻這樣的AI了。

不過，不用局限於簡單的二分類，可以用上前面講到的那些複雜的分析方法，比如頻率分析，比如光流法，大有可為。

教程原文傳送門：

https://www.pyimagesearch.com/2019/03/11/liveness-detection-with-opencv/

源碼下載入口，和無微不至的代碼解析，都在裡面了。

—

完—

訂閱AI內參，獲取AI行業資訊

購買AI書籍

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

喜歡就點「好看」吧 !

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！