目的

自从深度学习及 CNN 神经网络在图像识别技术的广泛应用，再加上 Google 开源深度学习框架 TensorFlow后，人脸识别技术迅速发展，甚至已经超过人眼识别的能力。但是，随之而来出现了安全性问题，照片攻击、视频攻击等各种攻击手段层出不穷。

因此为了更安全的使用人脸识别技术，增加攻击者的破解难度，需要在前端加入安全措施。主要安全措施有：

• 动作检测，即通过随机动作，判断目标人物"是活的
• 连续性检测，即通过视频流连续检测，判断目标人物"是活的"
• 纹理检测，即通过图片本身的纹理判断是否为二次拍摄，从而证明目标人物"是活的"

本文主要借助开源Google Lens，从动作检测和连续性检测两个方面实现活体检测。

Google Lens

2017年5 月17日，Google I/O开发者大会发布Google Lens。它是基于图像识别和OCR技术的人工智能应用，能够让机器学会“看图说话”。在I/O大会放出的视频演示中，拥有Google Lens的智能手机，可以通过对视觉对象的扫描，识别和获得详细信息。

基于Google Lens的移动端活体检测实现

基于Google Lens 的框架Mobile Vision ，https://developers.google.com/vision/
按照实现流程分，主要有人脸检测，特征点提取，动作检测和连续性检测。

人脸检测

通过集成Mobile Vision，调用GMVFaceFeature 接口实现图片中的face detection

特征点提取

调用GMVFaceFeature 接口提取人脸的11个特征点，分别代表眼睛、耳朵、鼻子、脸颊和嘴巴等主要人脸五官

动作检测

主要实现眨眼、微笑、张嘴、左转、右转、抬头、低头、左摆、右摆等9个动作。其中眨眼和微笑Google框架中已经判断，其它动作需要结合11个特征点通过实际场景计算来

连续性检测

通过实时抓取移动端的视频帧数，通过调用GMVFaceFeature 接口实现face detection

实现总结

通过集成Google Lens的图像识别框架，实现了移动端活体检测。

难度

• 主要在视频流如何转换成Google Lens支持的图片格式
• 另外通过特征点判断是哪个动作，需要结合实际环境计算阀值，阀值待验证

性能

性能非常好，能实时处理移动端摄像头 60FPS的帧率

大小

集成后App小于10M，基本能满足App集成要求。

下一步计划

通过纹理检测，进一步提高人脸识别的安全性