SeetaFace6人脸活体检测C++代码实现Demo

SeetaFace6人脸活体检测C++代码实现Demo

引用

CSDN

1.

https://blog.csdn.net/mickey2007/article/details/138243986

SeetaFace6 是一个功能强大的人脸识别系统，除了基本的人脸检测、关键点定位和人脸识别能力外，还提供了活体检测、质量评估、年龄性别估计等功能。本文将详细介绍 SeetaFace6 的人脸活体检测功能，包括其原理、使用方法和参数设置，并通过实际的代码示例和演示效果帮助读者快速上手。

1. 概述

活体检测是判断人脸图像是来自真人还是来自攻击假体（照片、视频等）的方法。人脸识别系统存在被伪造攻击的风险，因此需要在人脸识别系统中加入活体检测，以防止照片、视频、以及三维模型的入侵，从而帮助用户甄别欺诈行为，保障用户的利益。

活体检测分为静默活体检测和配合式活体检测。配合式活体检测即“张张嘴”、“眨眨眼”、“摇摇头”之类；多应用于APP刷脸登录、注册等。静默活体检测是不需要任何动作配合，通过算法和摄像头的配合，进行活体判定；使用起来非常方便，用户在无感的情况下就可以通过检测比对，效率非常高。

《GB∕T 41772-2022 信息技术 生物特征识别 人脸识别系统技术要求》给出了假体攻击类型包括不限于二维假体攻击和三维假体攻击，如下表所示。

2. SeetaFace6活体检测

SeetaFace6的活体检测方案，提供了全局活体检测和局部活体检测两个方法。

• 全局活体检测就是对图片整体做检测，主要是判断是否出现了活体检测潜在的攻击介质，如手机、平板、照片等等。
• 局部活体检测是对具体人脸的成像细节通过算法分析，区别是一次成像和二次成像，如果是二次成像则认为是出现了攻击。

2.1 基本使用

活体检测识别器可以加载一个局部检测模型或者局部检测模型+全局检测模型。

只加载一个局部检测模型：

#include <seeta/FaceAntiSpoofing.h>
seeta::FaceAntiSpoofing *new_fas() {
    seeta::ModelSetting setting;
    setting.append("fas_first.csta");
    return new seeta::FaceAntiSpoofing(setting);
}

或者局部检测模型+全局检测模型，启用全局检测能力：

#include <seeta/FaceAntiSpoofing.h>
seeta::FaceAntiSpoofing *new_fas_v2() {
    seeta::ModelSetting setting;
    setting.append("fas_first.csta");
    setting.append("fas_second.csta");
    return new seeta::FaceAntiSpoofing(setting);
}

调用有两种模式，一个是单帧识别，另外就是视频识别。其接口声明分别为：

seeta::FaceAntiSpoofing::Status seeta::FaceAntiSpoofing::Predict(const SeetaImageData &image, const SeetaRect &face, const SeetaPointF *points) const;
seeta::FaceAntiSpoofing::Status seeta::FaceAntiSpoofing::PredictVideo(const SeetaImageData &image, const SeetaRect &face, const SeetaPointF *points) const;

从接口上两者的入参和出参的形式是一样的。出参这里列一下它的声明：

class FaceAntiSpoofing {
public:
    /*     * 活体识别状态     */
    enum Status
    {
        REAL = 0,       ///< 真实人脸
        SPOOF = 1,      ///< 攻击人脸（假人脸）
        FUZZY = 2,      ///< 无法判断（人脸成像质量不好）
        DETECTING = 3,  ///< 正在检测
    };
};

单帧识别返回值会是REAL、SPOOF或FUZZY。视频识别返回值会是REAL、SPOOF、FUZZY或DETECTING。

两种工作模式的区别在于前者属于一帧就是可以返回识别结果，而后者要输入多个视频帧然后返回识别结果。在视频识别输入帧数不满足需求的时候，返回状态就是DETECTING。

这里给出单帧识别调用的示例：

void predict(seeta::FaceAntiSpoofing *fas, const SeetaImageData &image, const SeetaRect &face, const SeetaPointF *points) {
    auto status = fas->Predict(image, face, points);
    switch(status) {
    case seeta::FaceAntiSpoofing::REAL:
        std::cout << "真实人脸" << std::endl; break;
    case seeta::FaceAntiSpoofing::SPOOF:
        std::cout << "攻击人脸" << std::endl; break;
    case seeta::FaceAntiSpoofing::FUZZY:
        std::cout << "无法判断" << std::endl; break;
    case seeta::FaceAntiSpoofing::DETECTING:
        std::cout << "正在检测" << std::endl; break;
    }
}

这里需要注意face和points必须对应，也就是points必须是face表示的人脸进行关键点定位的结果。points是5个关键点。当然image也是需要识别的原图。

如果是视频识别模式的话，只需要将predict中的fas->Predict(image, face, points)修改为fas->PredictVideo(image, face, points)。

在视频识别模式中，如果该识别结果已经完成，需要开始新的视频的话，需要调用ResetVideo重置识别状态，然后重新输入视频：

void reset_video(seeta::FaceAntiSpoofing *fas) {
    fas->ResetVideo();
}

当了解基本调用接口之后，就可以直接看出来，识别接口直接输入的就是单个人脸位置和关键点。因此，当视频或者图片中存在多张人脸的时候，需要业务决定具体识别哪一个人脸。一般有这几种选择，1. 只做单人识别，当出现两个人的时候识别中止。2. 识别最大的人脸。3. 识别在指定区域中出现的人脸。这几种选择对精度本身影响不大，主要是业务选型和使用体验的区别。

2.2 参数设置

设置视频帧数：

void SetVideoFrameCount(int32_t number);

默认为10，当在PredictVideo模式下，输出帧数超过这个number之后，就可以输出识别结果。这个数量相当于多帧识别结果融合的融合的帧数。当输入的帧数超过设定帧数的时候，会采用滑动窗口的方式，返回融合的最近输入的帧融合的识别结果。一般来说，在10以内，帧数越多，结果越稳定，相对性能越好，但是得到结果的延时越高。

设置识别阈值：

void SetThreshold(float clarity, float reality);

默认为(0.3, 0.8)。活体识别时，如果清晰度(clarity)低的话，就会直接返回FUZZY。清晰度满足阈值，则判断真实度（reality），超过阈值则认为是真人，低于阈值是攻击。在视频识别模式下，会计算视频帧数内的平均值再跟帧数比较。两个阈值都符合，越高的话，越是严格。

设置全局检测阈值：

void SetBoxThresh(float box_thresh);

默认为0.8，这个是攻击介质存在的分数阈值，该阈值越高，表示对攻击介质的要求越严格，一般的疑似就不会认为是攻击介质。这个一般不进行调整。

以上参数设置都存在对应的Getter方法，将方法名称中的Set改为Get就可以访问对应的参数获取了。

2.3 参数调试

在应用过程中往往不可避免对阈值产生疑问，如果要调试对应的识别的阈值，这里我们给出了每一帧分数的获取函数。

下面给出识别之后获取识别具体分数的方法：

void predict_log(seeta::FaceAntiSpoofing *fas, const SeetaImageData &image, const SeetaRect &face, const SeetaPointF *points) {
    auto status = fas->Predict(image, face, points);
    float clarity, reality;
    fas->GetPreFrameScore(&clarity, &reality);
    std::cout << "clarity = " << clarity << ", reality = " << reality << std::endl;
}

在Predict或者PredictVideo之后，调用GetPreFrameScore方法可以获取刚刚输入帧的识别分数。

3. 演示Demo

3.1 开发环境

• Windows 10 Pro x64
• Visual Studio 2015
• Seetaface6

3.2 功能介绍

演示程序主界面如下图所示，包括参数显示、实时活体检测、取消等功能。

3.3 效果测试

二维假体攻击，包括二维静态纸张图像攻击、二维静态电子图像攻击、二维动态图像攻击，检测效果还是不错。

三维假体攻击，除了塑料材质检测效果还可以，其他材质基本无法正确检测。

3.4 下载地址

开发环境：

• Windows 10 pro x64
• Visual Studio 2015
• Seetaface6

VS工程下载：SeetaFace6人脸活体检测C++代码实现Demo