CV学习笔记(二十八)：活体检测总结②
An original face anti-spoofing approach using partial convolutional neural network
Link:https://ieeexplore.ieee.org/document/7821013
模型架构：
和传统的方法结构类似，只是使用了VGG进行特征提取，通过CNN网络端到端学习anti-spoofing的表示空间
Face anti-spoofing using patch and depth-based cnns
Link:http://cvlab.cse.msu.edu/pdfs/FaceAntiSpoofingUsingPatchandDepthBasedCNNs.pdf
基本思想：基于纹理的特征提取
主要表现为：局部特征+整体深度图
人脸活体和PA的局部区域提取出来的特征不同，因此得到的统计特征不同。同时采用图片等攻击方法的PA模型往往呈现为扁平，缺少面部深度特征，如下图，人脸活体会有深度图状。
模型结构：
模型主要使用了两个CNN框架：
patch-based CNN：
端到端训练的，并为每个从人脸图像中随机抽取的patch打一个分数，取平均分。
使用patch的好处：
1. 增加训练数据
2. 不用resize整张脸，保持原本的分辨率
3. 在局部检测可用于活体检测的特征时，设定更具挑战性的约束条件，加强特征提取的性能
输入：相同大小的不同patches的RGB, HSV, YCbCr特征图等
输出：pacth spoof scores
depth-based CNN：
完全卷积网络（FCN），对人脸图像的深度图进行估计，并提供一个真实度评分。
研究表明高频部分对anti-spoofing非常重要，为避免对原图进行resize而损失图片的高频部分，因此使用FCN以无视输入特征图的size
并且还用到了两个监督信号：
1：patch spoof scores
从人脸图像中挑选某些局部区域patches，根据patch内的文理统计特征计算一个patch spoof scores，用于监督patch-based CNN部分
2：深度图Depth Map
面部深度图显示了面部不同位置的深度信息，据此计算深损失，用于监督depth-based CNN部分
整个模型的架构：
但是这个模型性能一般，甚至比不上一些传统的算法。
Deep Convolutional Dynamic Texture Learning with Adaptive Channel-discriminability for 3D Mask Face Anti-spoofing
*这篇文章值得读一下
这篇文章主要是针对3D面具的攻击。3D面具的攻击和其他的PA攻击不同，由于面具覆盖了脸部，面具是无法呈现出人脸的脸部运动的，真实的人脸的面部运动更加的细腻，精细，比如苹果肌，皱纹，眨眼，脸部肌肉的微动等等，我们可以认为是动态纹理的不同。
这套算法基本流程与之前平面处理的不太一致：
1：首先需要对视频进行预处理，这里用到了CLNF模型，来检测面部，对面部的68个特征点进行检测，并对面部进行align对齐。
CLNF模型论文地址：
https://www.cl.cam.ac.uk/research/rainbow/projects/ccnf/files/iccv2014.pdf
CLNK模型的介绍：
2：通过VGG网络提取特征
从视频流中连续的5帧选择其中的一帧来作为VGG网络的输入，3*3卷积网络输出的特征图作为光流提取的输入。
3：分类
使用SVM进行分类
模型结构：
网络结构;
结果：
①：Intra-dataset
②：Cross-dataset
Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision
这篇文章还是很有意思的，性能超过了传统方法。整篇文章的亮点在于Non-rigid Registration部分来对齐各帧人脸的非刚性运动，然后再去让RNN学习。
模型的基本思想：
①：基于纹理：活体和PA攻击的面部深部图不一致
②：基于生物信号：可以通过面部信息来测量相关的RRPG（心率）
模型的结构：
网络结构：
CNN
若干block串联，每个block包括三个conv+exponential linear+bn和一个pooling
每个block输出特征图经过resize layer将其resize为64×64，并将其通道维联结
联结后的特征图经过两个branches，一个估计深度图depth map，另一个估计特征图feature map
RNN：
Non-rigid Registration部分*
根据估计的3D面部形状图S对特征图feature map进行对齐，保证RNN跟踪并学习面部同一个区域的特征随时间和物体的变化。RNN不用考虑表情、姿态、背景的影响。
这里最有价值的就是为什么设计这个对齐网络：
结合做运动识别的任务进行思考，做运动识别时只需简单把连续帧 合并起来喂进网络就行了，是假定相机是不动的，对象在运动
而文中需要对连续人脸帧进行pulse特征提取，主要对象是人脸上对应ROI在 temporal 上的 Intensity 变化，所以就需要把人脸当成是相机固定不动。
实验结果：
但是没有找到开源代码，比较遗憾。
Face De-Spoofing: Anti-Spoofing via Noise Modeling
*这篇论文比较抽象，代码虽然开源但质量一般，约等于没有开源~
实际部署起来也比较难，主要针对print, replay, make-up类别的PA
以往的Anti-Spoofing在基于深度学习方法做的时候通常当做一个二分类，输出是Real/Spoof，内部模型是一个黑箱。这个方法将De-Spoofing的模型的内部机理考虑了进去。
文章中假设：对于照片、视频播放来进行的Spoof会引入噪声，而这个噪声普遍存在且可重复，因此，设公式为：
其中的x是原图，是一个与原始图片N(x)有关的噪声函数，这个公式就是算法的核心。通过估计x^，N(x^)并去除spoof noise、以重建x^。若给定x=x^，则其spoof noise = 0。
退化图像的频谱分析：
造成图像退化的几个原因：
1：色域：spoof介质色域更窄，颜色空间会出现错误
2: 显示干扰:相机本身在输出图像的时候，会出现颜色近似，下采样的过程，这样会导致像素扰动，模糊等问题。
3：介质：存放图像的介质会产生比如反射，表面透明度等变化
4:：CMOS和CCD的传感器阵列的成像矩阵会有光干涉，某些情况下会产生失真和摩尔纹。
以上这些噪声干扰往往都是可加性的，因此也是可以消除，重建的。
模型结构：
模型分为三个部分：
输入：256*256*6，RGB+HSV的颜色空间
1：DS Net
2:DQ Net
3:VQ Net
效果：
Exploiting Temporal and Depth Information for Multi-frame face Anti-Spoofing
基本思想：在视频流中，物体的运动有利于提取人脸深度信息，可将面部运动和面部深度信息结合，用于活体检测。
文章给出了很好的思路和结论来使用多帧，这也是继MSU使用多帧来预测rPPG频域后的一大进步，这样未来face anti-spoofing将更多focus在多帧上；而不是单帧深度，单帧color texture，这些方向上。
具体的文章解读在后续会单独拿出一篇文章了解.
总结：
深度学习PA数据集
1： Replay-attack 2012
共1300视频样本，不能做商业用途，需由获机构授权者提交申请并签署EULA(End User License Agreement)才能下载
Link：https://www.idiap.ch/dataset/replayattack
2:MSU-USSA
全称MSU Unconstraint Smartphone Spoof Attack Database，共9000图像样本(1000live+8000spoof)，不能做商业用途，需签署MSU USSA Agreement才能下载
Link:http://biometrics.cse.msu.edu/Publications/Databases/MSU_USSA/
3:oulu-npu 2017
共4950视频样本，大部分CNN-based数据集都会使用的数据集，不能做商业用途，需由在学术机构担任永久性职位的人签署EULA才能下载
Link:https://sites.google.com/site/oulunpudatabase/
4. SiW 2018
165subjects共4478视频样本，商业用途需获授权，需由获机构授权者提交申请并签署DRA(dataset release agreement)才能下载
5. CASIA-SURF 2019.6
1000subjects共21000视频样本，目前只接受学术用途，需由学术机构签署CASIA-SURF release agreement才能下载