人臉識別中的活體檢測

本文主要是針對人臉識別應用中出現的人臉活體檢測做簡要調研及論述。有關人臉檢測相關內容可以參考我的另一篇文章——人臉檢測與深度學習 傳送門~知乎專欄

引言——人臉識別技術邁向更高層次的一大障礙：活體檢測

隨著線上支付的不斷普及，相關的人臉識別等技術正在中國不斷進步。近日，麻省理工科技評論評出全球十大突破技術，其中由「刷臉支付——Paying with Your Face」榜上有名。

技術突破：人臉識別技術如今已經可以十分精確，在網路交易等相關領域已被廣泛使用。

重大意義：該技術提供了一種安全並且十分方便的支付方式，但是或許仍存在隱私泄露問題

目前基於深度學習的發展，我認為還有一個問題就是存在被偽造合法用戶人臉的攻擊的風險。

——————————————- 更新補充分割線 ————————————————

評論區有問到這方面的開源代碼，我這邊沒有仔細找過，在github找了一些相關代碼，沒有驗證過，匯總了一下希望對大家有幫助：

1.C++代碼 https://github.com/allenyangyl/Face_Liveness_Detection

2.https://github.com/rienheuver/face-antispoofing-LBP

3.https://github.com/OeslleLucena/FASNet

4.論文Person Specific Face Anti-Spoofing with Subject Domain Adaptation 對應的代碼——https://github.com/jwyang/Person-Specific-Face-Anti-Spoofing

5.https://github.com/zboulkenafet/Face-Anti-Spoofing-using-Speeded-Up-Robust-Features-and-Fisher-Vector-Encoding

6.論文Face anti-spoofing based on color texture analysis基於顏色紋理分析的代碼——https://github.com/zboulkenafet/Face-anti-spoofing-based-on-color-texture-analysis

7.https://github.com/pp21/Guided-Scale-Texture-for-Face-Presentation-Attack-Detection

8.3d頭套的https://github.com/Marco-Z/Spoofing-Face-Recognition-With-3D-Masks

9.https://github.com/number9473/nn-algorithm/issues/37

10.下文中提到的幾個資料庫的下載鏈接：https://github.com/number9473/nn-algorithm/issues/36

11.活體檢測在人臉識別系統中處於的位置，大部分現有的系統是沒有活體檢測的：

（15年4月TIFS的提出一種基於圖像失真分析（IDA）的人臉活體檢測方法。IDA特徵向量分別由鏡面反射（列印紙張或者LCD屏幕3維）、模糊程度（重採集—散焦2維）、圖像色度和對比度退化（對比度失真15維）、顏色多樣性（印表機或LCD顏色解析度有限等101維）四種典型特徵組成（121維向量），通過輸入基於SVM的集成分類器（ensemble classfier），訓練分類出二值真偽結果（voting scheme——用於判斷視頻攻擊的情況，超過50%幀數為真即認定為活體））

其他一些有意思的參考

1.https://github.com/4x7y/FakeImageKiller

2.https://github.com/waghaoxg/whx-temp/tree/c2801685b3188492b6693de1e361db3c52b9b7d6

——————————————— 以下正文 ——————————————————

和指紋、虹膜等生物特徵相比，人臉特徵是最容易獲取的。人臉識別系統逐漸開始商用，並向著自動化、無人監督化的趨勢發展，然而目前人臉識別技術能識別人臉圖像的身份但無法準確辨別所輸入人臉的真偽。那麼如何自動地、高效地辨別圖像真偽抵抗欺騙攻擊以確保系統安全已成為人臉識別技術中一個迫切需要解決的問題。

通常意義上的活體檢測是當生物特徵信息從合法用戶那裡取得時，判斷該生物信息是否從具有生物活體的合法用戶身上取的。活體檢測的方法主要是通過識別活體上的生理信息來進行，它把生理信息作為生命特徵來區分用照片、硅膠、塑料等非生命物質偽造的生物特徵。

人臉識別技術面臨著三種欺詐手段：

下面通過學術論文、專利發明和企業研發等三方面進行調查:

（一） 學術論文方面

人臉活體檢測的學術研究機構主要有中科院自動化所李子青團隊、瑞士IDAIP研究室高級研究員Sebastien Marcel主導的Biometrics group、英國南安普頓大學機器視覺系教授Mark S. Nixon所屬的視覺學習與控制研究組和國際生物特徵識別著名專家Anil K. Jain所在的密歇根州立大學生物特徵識別研究組。近些年上述機構所著的關於活體檢測的高質量文章陸續發表在IEEE TIFS/TIP等一些頂級期刊，同時Springer於2014年出版了由Sebastien Marcel等編著的《Handbook of Biometric Anti-Spoofing》，書中深入介紹了指紋、人臉、聲音、虹膜、步態等生物特徵識別反欺騙的方法，還對涉及的性能評估指標、國際標準、法律層面、道德問題等作了闡述，為生物特徵識別反欺騙技術的進一步發展作出重要貢獻。

1. 綜述文獻[1]將活體檢測技術分為運動信息分析、紋理信息分析、活體部位分析三種，文中討論了基於真偽圖像存在的非剛性運動、雜訊差異、人臉背景依賴等特性形成的分類器性能。

2. 文獻[2]介紹了一個公開的人臉活體檢測驗證資料庫（PHOTO-ATTACK），在資料庫（PRINT-ATTACK）的基礎上進行了擴展，添加移動手機拍攝照片和高解析度屏幕照片。同時文中提出了一種基於光流法的前後景相關性分析來辨別影像真偽，取得較好的性能。

3. 文獻[3]針對多生物識別欺騙穩健性的提高，提出一種異常檢測新技術，首先通過中值濾波器來提高傳統集成方法中求和準則的容差，再通過一種基於bagging策略的檢測演算法提高檢測拒絕度，該演算法融合了2D-Gabor特徵、灰度共生矩陣（GLCM）多種特徵、傅里葉變換的頻域信息，特徵提取後得到3種特徵向量，使用主成分分析（PCA）降維選取形成混合特徵，輸入bagging分類器並獲得檢測結果，實驗表明演算法具有較高準確性。

4. 文獻[4]提出一種基於顏色紋理分析的活體檢測演算法，通過LBP描述子提取聯合顏色（RGB、HSV和YCbCr）紋理信息來表徵圖像，將信息輸入SVM分類器進行真偽辨別。

5. 14年TIP的文獻[5]提出一種基於圖像質量評價的方法來增強生物特徵識別的安全性，使用25種圖像質量分析指標（列出較關鍵的幾個有：像素差異性分析、相關性分析、邊緣特徵分析、光譜差異性、結構相似性、失真程度分析、自然影像估計），該方法只需要一張圖片就可以區別真偽，適用於多種生物特徵識別場合，速度快，實時性強，且不需要附近設備及交互信息。

6. 14年12月發表在TIFS的文獻[6]提出一種反欺騙能力評估框架—Expected Performance and Spoofability (EPS)Framework，針對現有反欺騙系統作性能評估，創新性地指出在一定條件下驗證系統將失去二值特性轉變為三類：活體合法用戶、無用攻擊者（zero-effort）和欺騙攻擊者，EPS框架主要通過測量系統期望達到的FAR（錯誤接受無用率）和SFAR（錯誤接受欺騙率）及兩者之間的範圍，同時考慮系統被欺騙的成本和系統存在的弱點，並量化為單一的值用來評價系統優劣。

7. 15年5月發表在TIFS的文章[7]針對視頻回放攻擊提出一種基於visual rhythm analysis的活體檢測方法，文中指出：由於靜態背景易獲得，基於背景的方法顯得容易被破解；利用照片的旋轉和扭曲也可以輕易模擬並欺騙基於光流法的活體檢測系統；當攻擊視頻包含頭部、嘴唇、眼睛等動作可以容易通過基於運動交互的系統；文中對傅里葉變換後的視頻計算水平和垂直的視覺節奏，採用三種特徵（LBP、灰度共生矩陣GCLM、HOG）來對visual rhythm表徵與降維，利用SVM分類器和PLS（偏最小二乘）來辨別視頻真偽。

8. 15年4月TIFS的文章[8]提出一種基於局部紋理特徵描述子的活體檢測方法，文中將現有的活體檢測方法分為三類：動態特徵分析（眨眼）、全局特徵分析（圖像質量）和局部特徵分析（LBP、LBQ、Dense SIFT）。提出的方法對一系列特徵向量進行獨立量化或聯合量化並編碼得到對應的圖像標量描述子，文中實驗部分給出不同局部特徵對應的性能。

9. 15年8月TIP的文章[9]在面向手機端的人臉識別活體檢測的需求，根據偽造照片相對於活體照片有光照反射特性呈現出更加均衡擴散緩慢的特點，提出一種基於圖像擴散（反射）速度模型（Diffusion Speed Model）的活體檢測方法，通過引入全變差流（TV）來獲得擴散速度，在得到的擴散速度圖基礎上利用LSP編碼（類似LBP）獲取的局部速度特徵向量作為線性SVM分類器的輸入，經分類區分輸入影像的真偽。

10. 15年12月TIP文獻[10]提出一種基於碼本（codebook）演算法的新型人臉活體檢測方法，根據重採樣導致偽造影像出現的條帶效應和摩爾紋等雜訊現象，文中通過三個步驟來完成分類，第一步：計算視頻雜訊殘差，通過將原始視頻和經高斯濾波以後的視頻作殘差得到雜訊視頻，再對其作二維傅里葉變換得到頻域信息，可以看到偽造視頻的幅度譜和相位譜中呈現出明顯的摩爾紋及模糊等區別，計算得到相關時頻描述子。第二步通過碼本演算法迭代選取最能表示的descriptor，經過編碼將這些描述子轉化成新的矩陣表示（矩陣不能直接拿來分類），故用池化（pooling）方法（列求和或取最大值）得到輸入向量。第三步利用SVM分類器或PLS（偏最小二乘）對輸入向量分類判斷其真偽。

11. 15年4月TIFS的文獻[11]提出一種基於圖像失真分析（IDA）的人臉活體檢測方法，同時給出了一個由多種設備採集的人臉活體檢測資料庫（MSU-MFSD）。IDA特徵向量分別由鏡面反射（列印紙張或者LCD屏幕3維）、模糊程度（重採集—散焦2維）、圖像色度和對比度退化（對比度失真15維）、顏色多樣性（印表機或LCD顏色解析度有限等101維）四種典型特徵組成（121維向量），通過輸入基於SVM的集成分類器（ensemble classfier），訓練分類出二值真偽結果（voting scheme——用於判斷視頻攻擊的情況，超過50%幀數為真即認定為活體）。

12. 幾種公開的人臉活體檢測資料庫：

(二）專利發明方面

對於以研發產品為主的公司來說，用戶的體驗是檢驗產品成功的最重要的標準之一。下面從用戶的配合程度來分類人臉活體檢測技術。

（1） 根據真人圖像是一次成像的原理，其比照片包含更多的中頻細節信息，專利1[12]首先採用DoG濾波器獲取圖像信息中的中頻帶信息，然後通過傅里葉變換提取關鍵特徵，最後通過logistic回歸分類器對提取和處理後的特徵信息辨析和分類，已達到所識別的圖像為真實人臉還是照片人臉的目的。優點：不添加額外的複製設備、不需要用戶的主動配合、實現簡單、計算量小且功能獨立；缺點：採集的正反樣本要全面，只針對照片。

（2） 專利2[13]是通過檢測人臉的眼睛區域是否存在亮瞳效應來區分真實人臉和照片視頻中的人臉。亮瞳效應的判斷是利用亮暗瞳差分圖像的眼睛區域是否存在圓形亮斑而定。另外，採集亮瞳圖像所涉及的設備包括紅外攝像頭和由LED燈做成的紅外光源。優點：照片和視頻都可以，使可靠性增加；缺點：需額外的設備。

（3） 專利3[14]利用共生矩陣和小波分析進行活體人臉檢測。該方案將人臉區域的灰度圖像首先進行16級灰度壓縮，之後分別計算4個灰度共生矩陣（取矩陣為1，角度分別為0。、45。、90。、135。），然後在灰度共生矩陣的基礎上再提取能量、熵、慣性矩和相關性四個紋理特徵量，再次分別對四個灰度共生矩陣的4個紋理特徵量求均值和方差；同時對原始圖像利用Haar小波基進行二級分解，提取子帶HH1，HH2的係數矩陣後求均值和方差；最後將所有的特徵值作為待檢測樣本送入訓練後的支持向量機中進行檢測，分類識別真實和假冒人臉圖像。優點：不需添加額外的輔助設備、不需要用戶降低了計算複雜度，提高了檢測準確率；缺點：只針對照片欺騙。

（4） 專利4[15]是一種基於HSV顏色空間統計特徵的人臉活體檢測方法，該方案將人臉圖像從RGB顏色空間轉換到YCrCb;然後進行預處理（膚色分割處理、去噪處理、數學形態學處理和標定連通區域邊界處理）後獲取人臉矩形區域的坐標；再對待檢測的人臉圖像分圖像塊，並獲取待檢測的人臉圖像中的左右圖像塊的三個顏色分量的特徵值；最後將歸一化的特徵值作為待檢測樣本送入訓練好的支持向量中進行檢測，確定包含人臉的圖像是否為活體真實人臉圖像。優點：不需添加額外的輔助設備和用戶的主動配合，降低了人臉認證系統延時和計算複雜度，提高了檢測準確率；缺點：只針對照片欺騙，閾值的設置為經驗值。

（5） 專利5[16]使用的活體識別方法為通過攝像頭在一定時間內拍攝多張人臉照片，預處理後提取每張照片的面部本特徵信息，將先後得到的面部特徵信息進行對比分析獲取特徵相似度，設置合理閾值，若相似度在閾值範圍內，則認為有微表情產生，識別為活體，否則為非活體。優點：不需要人臉部做大量的表情配合動作；缺點：只針對照片欺騙。

（6） 專利6[17]主要基於人臉3D模型對所述人臉形狀進行歸一化處理，並獲得所述人臉形狀相對於人臉3D模型的旋轉角度，將連續多幀圖像的旋轉角度連成一條曲線，判斷該曲線是否滿足設定要求，若滿足，判斷角度最大的一幀圖像中人臉膚色區域面積比例是否大於K，若是，則判斷為真實人臉，否則為虛假人臉。優點：誤報率降低，速度快，用戶體驗好；缺點：需較大的計算時間和空間開銷。

（7） 專利7[18]公開一種基於背景比對的視頻和活體人臉的鑒別方法。首先對輸入視頻的每一幀圖像進行人臉位置檢測，很據檢測出的人臉位置確定背景比對區域；然後選取輸入視頻中和背景比對區域在尺度空間上的極致點作為背景比對區域的特徵點，得到背景特徵點集Pt；再用Gabor小波變換描述圖像I在背景特徵點集Pt的特徵，根據此結果定義活體度量L；如果活體度量L大於閾值θ，判斷為活體，否則視為假冒視頻。優點：解決僅通過單個攝像頭進行視頻人臉和活體人臉的計算機自動鑒別問題，不需用戶配合，實時性較好；缺點：只針對視頻欺騙。

（8） 專利8[19]提供了一種具有活體檢測功能的雙模態人臉認證方法。首先建立存儲有已知身份人臉的可見光訓練圖像和近紅外外訓練圖像的資料庫；然後通過圖像採集模塊同時採集待認證人頭部的可見光圖像和近紅外圖像；採用人的臉部的人臉近紅外圖像與人臉可見光圖像雙模態特徵的聯合識別。優點：提高了識別認證精度，有效避免人臉存在較大變化情況下識別失敗的問題，避免照片或者模型欺騙；缺點：需紅外設備。

（9） 為更好地防止活體檢測中的照片和視頻剪輯方式等欺詐行為，專利9[20]不同之處在於，用戶並不知道系統發出何種指令，要求用戶做出何種動作，而且用戶實現也並不知曉系統要求的動作完成次數。原因在於，預先定義了一個動作集（包括眨眼、揚眉、閉眼、瞪眼、微笑等），用戶在進行活體檢測時，系統每次都從動作集中選擇一種或若干種動作，隨機指定完成動作的次數，要求用戶在規定的時間內完成它們。優點：更好地防止活體檢測中的照片和視頻剪輯方式等欺騙行為，活性檢測的可靠性和安全性更高；缺點：需用戶主動配合，容易受外部環境影響。

（10） 專利10[21]主要利用人臉面部運動和生理性運動來判斷是照片還是真實人臉。人臉檢測結果框內的人臉面部運動是在眼睛和嘴附近進行判斷，依據運動區域中心坐標和人臉的眼睛的位置坐標之間，以及和嘴的位置坐標之間的歐式距離是否小於預定閾值。確定人臉生理性運動是根據運動區域內的運動方向為垂直方向的原理。優點：可靠性提高；缺點：只針對照片欺騙。

（11） 專利11[22]根據光流場對物體運動比較敏感，而真實人臉的眼部在姿勢校正和眨眼過程中又比照片產生更大的光流，利用LK演算法計算輸入視頻序列中相鄰兩幀的光流場，求得光流幅值，得到幅值較大的像素點數所佔的比重，若比例足夠大則標定為眼部發生了運動，從而判定為真實人臉。優點：系統的隱蔽性和安全性增強。缺點：只針對照片欺騙。

（12） 專利12[23]也是定位眼睛和嘴巴區域。根據採集的圖片幀數（包含面部中眼睛和嘴巴等關鍵點）和特徵平均差異值（由採集的兩幀圖片對應的特徵值的加權歐式距離獲得）的計算次數與預設值的比較，以及平均差異值與閾值的比較來判定是否為真實人臉。優點：解決了採用三維深度信息進行人臉活體檢測時，計算量大的問題，以及應用場景約束的情況。

（13） 專利13[24]公開一種活體人臉的快速識別方法，其方案為：首先輸入連續的人臉圖像（若相鄰兩幅人臉圖像不為同一狀態則予以丟棄，重新多幅連續的人臉圖像），對每幅人臉圖像確定瞳孔位置並裁出人眼區域；然後通過支持向量機訓練方法和AdaBoost訓練方法對睜眼和閉眼樣本進行訓練，最後判斷眼珠睜閉狀態，若存在眨眼過程則通過活體判別。優點：有效拒絕非真實人臉欺騙識別，計算速度提高，不受應用場景的約束；缺點：需用戶主動配合。

（14） 專利14[25]通過判斷連續多幀圖像中所獲的眼睛或嘴巴區域的屬性變化值（上眼皮的距離變化值或上下嘴唇間的距離變化值）的規律是否符合真實人臉的變化規律，若是，則判斷為真實人臉，否則為虛假人臉。所採用的技術核心：將當前幀與前t幀的眼睛或嘴巴區域合併成一張圖，採用基於深度學習的回歸方法輸出兩幀圖像中屬性變化值，重複該步驟直至獲得每幀圖像的屬性變化值；將所有屬性變化值按幀時間順序組成一向量，對各向量的長度進行設定，然後利用SVM分類器對所述向量進行分類，再判斷分類結果是否滿足設定動作下的真實人臉的變化規律。優點：檢測精度高、速度快，針對照片和視頻欺騙；缺點：需用戶主動配合。

（15） 專利15[26]是通過眨眼動作進行活體檢測。首先對人臉檢測與眼睛定位；然後眼部區域截取，從歸一化處理後的圖像中圖像中計算眼睛的開合程度；運用條件隨機場理論建立用於判斷眨眼動作的模型。優點：可僅通過單個攝像頭進行鑒別；缺點：需用戶主動配合，只針對照片欺騙。

（三）企業研發應用方面

對支付寶人臉登陸系統的活體檢測功能進行了實際測試（iphone5S，支付寶最新版本9.5.1，人臉識別和活體檢測模塊是獨立的，其活體檢測只有採用了眨眼模式，之前還有點頭），檢測結果如下：

結論：

1.根據調查結果的實際應用技術，針對三種主要的欺騙手段，目前有以下幾種應用廣泛的活體檢測方法：

2.從用戶配合、對光照影響、是否需要附加設備、抵擋攻擊、用戶體驗等方面對比了人臉識別系統中活體檢測應用較多的7類具體方法，形成下表：

3.隨著人臉識別系統的發展和演進，綜上所述，研究開發一種新型高效魯棒性好的人臉活體檢測技術應該滿足以下幾個條件：

①在線實時處理。活體檢測過程應與人臉識別同時進行，越來越多的移動端需求給實時性提出越來越高的要求；

②受光照等外界影響小。人臉識別驗證系統的應用面臨著許多場景，活體檢測技術應滿足多場景、多終端應用的要求，魯棒性強；

③用戶界面自然，交互少，欺騙代價高。基於運動等的檢測方法對用戶來說，增加一系列的交互操作，不僅複雜度增加，可能需要附加的硬體設備支撐，所以新型的活體檢測技術應該具有良好的用戶體驗，同時使得欺騙攻擊的代價儘可能的高，保證安全性；

④對欺騙有著優異的檢測能力，同時對人臉識別特徵提取起輔助作用。基於紋理或圖像特徵的活體檢測方法是未來的主要趨勢，那麼這些特徵的提取和分類同樣能給人臉識別帶來益處。

4.一種可行的人臉活體檢測框架：根據總結髮現，純粹的基於和（sum-rule）的理念可能並不適合活體檢測，就好比「木桶效應」，偽造攻擊只要抓住了短板，一樣可以破解大部分基於sum-rule的方法。一種較好的方法是與此對應的多層次結合的概念，結合文獻5、8、10、11所述的相關圖像特性，可以著眼於圖像全局特性分析（質量）和局部特性分析（LBP等）相結合。

參考文獻

[1] O. Kahm and N. Damer, 「2d face liveness detection: An overview,」 inb Biometrics Special Interest Group (BIOSIG), 2012 BIOSIG-Proceedings of the International Conference of the. IEEE, 2012, pp. 1–12.

[2] A. Anjos, M. M. Chakka, and S. Marcel, 「Motion-based countermeasures to photo attacks in face recognition,」 IET Biometrics, vol. 3,no. 3, pp. 147–158, 2013.

[3] Wild P, Radu P, Chen L, et al. Robust multimodal face and fingerprint fusion in the presence of spoofing attacks[J]. Pattern Recognition, 2016, 50: 17-25.

[4] Boulkenafet Z, Komulainen J, Hadid A. face anti-spoofing based on color texture analysis[C]//Image Processing (ICIP), 2015 IEEE International Conference on. IEEE, 2015: 2636-2640.

[5] Galbally J, Marcel S, Fierrez J. Image quality assessment for fake biometric detection: Application to iris, fingerprint, and face recognition[J]. Image Processing, IEEE Transactions on, 2014, 23(2): 710-724.

[6] Chingovska I, Rabello dos Anjos A, Marcel S. Biometrics evaluation under spoofing attacks[J]. Information Forensics and Security, IEEE Transactions on, 2014, 9(12): 2264-2276.

[7] Pinto A, Robson Schwartz W, Pedrini H, et al. Using visual rhythms for detecting video-based facial spoof attacks[J]. Information Forensics and Security, IEEE Transactions on, 2015, 10(5): 1025-1038.

[8] Gragnaniello D, Poggi G, Sansone C, et al. An investigation of local descriptors for biometric spoofing detection[J]. Information Forensics and Security, IEEE Transactions on, 2015, 10(4): 849-863.

[9] Kim W, Suh S, Han J J. Face Liveness Detection From a Single Image via Diffusion Speed Model[J]. Image Processing, IEEE Transactions on, 2015, 24(8): 2456-2465.

[10] Pinto A, Pedrini H, Robson Schwartz W, et al. Face Spoofing Detection Through Visual Codebooks of Spectral Temporal Cubes[J]. Image Processing, IEEE Transactions on, 2015, 24(12): 4726-4740.

[11] Wen D, Han H, Jain A K. Face spoof detection with image distortion analysis[J]. Information Forensics and Security, IEEE Transactions on, 2015, 10(4): 746-761.

[12] 李冀，石燕，譚曉陽.一種應用於人臉識別的活體檢測方法及系統:中國,101999900.2013-04-17.

[13] 秦華標，鍾啟標.基於亮瞳效應的人臉活體檢測方法：中國,103106397.2013-05-15.

[14] 毋立芳，曹瑜，葉澄燦等.一種基於灰度共生矩陣和小波分析的活體人臉檢測方法：中國,103605958.2014-02-26.

[15] 嚴迪群，王讓定，劉華成等.一種基於HSV顏色空間特徵的活體人臉檢測方法：中國,103116763.2013-05-22.

[16] 傅常順，楊文濤，徐明亮等.一種判別活體人臉的方法：中國,104361326.2014-02-18.

[17] 陳遠浩.一種基於姿態信息的活體檢測方法：中國,104794465.2015-07-22.

[18] 潘綱，吳朝暉，孫霖.基於背景比對的視頻和活體人臉的鑒別方法：中國,101702198.2011-11-23.

[19] 徐勇，文嘉俊，徐佳傑等.一種活體檢測功能的雙模態人臉認證方法和系統：中國,101964056.2012-06-27.

[20] 王先基，陳友斌.一種活體人臉檢測方法與系統：中國,103440479.2013-12-11.

[21] 丁曉青，王麗婷，方馳等.一種基於人臉生理性運動的活體檢測方法及系統：中國,101159016.2008-04-09.

[22] 馬爭鳴，李靜，劉金葵等. 一種在人臉識別中應用的活體檢測方法：中國,101908140.2010-12-08.

[23] 黃磊，任智傑. 一種人臉活體檢測方法及系統：中國,103679118.2014-03-26.

[24] 彭飛. 一種活體人臉的快速識別方法：中國,103400122.2013-11-20.

[25] 陳元浩. 一種基於相對屬性的活體檢測方法：中國,104794464.2015-07-22.

[26] 吳朝暉，潘綱，孫霖. 照片人臉與活體人臉的計算機自動鑒別方法：中國,100592322.2010-02-24.