1. 静态活体检测（针对照片冒充）
- 原理：分析图像的纹理、边缘、反光等特征，判断是否为平面照片。
- 常见方法：
- 纹理分析：通过算法（如LBP、频率域分析）检测皮肤纹理的细微差异。照片的纹理通常比真实人脸更平滑。
- 摩尔纹检测：照片翻拍屏幕时可能产生摩尔纹，算法可捕捉此类图案。
- 色彩分布分析：照片的色域和光线反射与人脸自然状态不同。
- 3D信息缺失检测：照片是2D平面，缺乏真实人脸的立体轮廓信息。
2. 动态活体检测（针对视频或动态攻击）
- 原理：要求用户配合完成随机动作，通过连续帧分析动作的自然性和一致性。
- 常见方法：
- 动作指令：如眨眼、张嘴、摇头、点头等。算法会检测动作的流畅度（照片无法模拟肌肉运动）。
- 随机性挑战：每次指令顺序随机，防止预录视频攻击。
- 微表情分析：真人动作会伴随面部微表情（如眼周皱纹变化），照片或视频难以伪造。
3. 红外/3D结构光检测
- 原理：利用硬件获取人脸的立体信息或生物特征。
- 常见方法：
- 3D结构光：通过投射激光网格获取人脸深度信息，照片无法模拟三维轮廓（如iPhone Face ID）。
- 红外成像：检测面部温度分布或血管热辐射，活体会有特定红外特征。
- ToF（飞行时间）相机：通过光线反射时间计算距离，构建3D模型。
4. 生理信号检测
- 原理：通过摄像头捕捉人脸区域的微小生理变化。
- 常见方法：
- 光电容积描记（rPPG）：分析面部细微颜色变化，检测心跳引起的血液流动。照片或视频无法模拟这种动态信号。
- 眼动追踪：检测眼球自然颤动（微扫视），静态照片无法伪造。
5. 多模态融合与深度学习
- 原理：结合多种特征（纹理、运动、深度等），用AI模型综合判断。
- 常见方法：
- 时空特征分析：用卷积神经网络（CNN）或3D-CNN分析连续帧的时空一致性。
- 对抗样本防御：针对AI生成的“高仿”人脸（如Deepfake），使用对抗训练增强模型鲁棒性。
实际应用场景中的组合策略
- 金融支付/身份认证：通常结合“动作指令 + 3D检测 + 红外”多重验证。
- 手机解锁：如iPhone采用结构光，部分安卓手机使用ToF或动态检测。
- 公共安防：在非配合场景下依赖隐蔽的动态分析（如微表情、自然动作）。
攻击手段与防御升级
- 已知攻击方式：
- 高清照片/屏幕翻拍 → 被3D检测或纹理分析拦截。
- 预录视频 → 被随机动作指令或rPPG检测破解。
- 高精度面具/蜡像 → 可能被红外或生理信号检测识别。
- 技术迭代：活体检测需持续更新以应对新型攻击（如AI换脸），行业常通过数据增强和对抗训练提升模型泛化能力。
总结
活体检测的核心是区分“生物特征”与“伪造媒介”的差异，通过硬件（3D/红外）与软件（动态分析、AI算法）结合，形成多层次防护。随着攻击手段升级，活体检测技术也在不断进化，未来可能融合更多生物特征（如瞳孔反射、皮肤光谱分析）以增强安全性。
