Zeusee-Face-Anti-Spoofing：开源协同式人脸活体检测

5星

浏览量: 0

大小:None

文件类型：None

简介：
Zeusee-Face-Anti-Spoofing是一个致力于开发和维护的人脸活体检测项目的开源平台，采用协同工作模式确保技术的持续创新与安全。此项目旨在通过先进的算法有效防范各类攻击手段，保障用户数据的安全性及隐私权益，推动人脸识别技术更加可靠地服务于社会各领域应用。在移动端进行人脸识别应用开发时，用户可能会尝试通过翻拍照片或录制视频来欺骗系统。因此，在人脸识别和验证过程中，活体检测是一个非常重要的环节。目前开源的活体检测代码已有所补充，但配合型活体检测实现相对简单，我们可以对其进行简单的实施并完成了相关编码。 2018年3月30日更新后引入了基于IntraFace的单目配合型人脸活体检测技术。由于移动端传感器有限，在多数情况下只能使用单一前置摄像头进行非配合性的人脸活体检测，这使得其实现较为复杂且需要较高的数据成本。相比之下，配合型活体检测仅需用户简单地低头或摇头即可显著降低欺骗攻击的风险和难度。

全部评论 (0)

还没有任何评论哟~

客服

Zeusee-Face-Anti-Spoofing：开源协同式人脸活体检测

优质

Zeusee-Face-Anti-Spoofing是一个致力于开发和维护的人脸活体检测项目的开源平台，采用协同工作模式确保技术的持续创新与安全。此项目旨在通过先进的算法有效防范各类攻击手段，保障用户数据的安全性及隐私权益，推动人脸识别技术更加可靠地服务于社会各领域应用。在移动端进行人脸识别应用开发时，用户可能会尝试通过翻拍照片或录制视频来欺骗系统。因此，在人脸识别和验证过程中，活体检测是一个非常重要的环节。目前开源的活体检测代码已有所补充，但配合型活体检测实现相对简单，我们可以对其进行简单的实施并完成了相关编码。 2018年3月30日更新后引入了基于IntraFace的单目配合型人脸活体检测技术。由于移动端传感器有限，在多数情况下只能使用单一前置摄像头进行非配合性的人脸活体检测，这使得其实现较为复杂且需要较高的数据成本。相比之下，配合型活体检测仅需用户简单地低头或摇头即可显著降低欺骗攻击的风险和难度。

Silent-Face-Anti-Spoofing: 静默活体检测（无声音面部防欺骗）

优质

简介：Silent-Face-Anti-Spoofing是一项创新技术，采用静默方式执行活体检测，无需用户发声即可有效防止面部图像或视频的欺骗攻击。静默活体检测（Silent-Face-Anti-Spoofing）是一项旨在识别真实人脸与伪造人脸的技术项目。该项目开源了基于caffe的模型，并分享了一段关于工业级静默活体检测算法技术解析的视频及相关文件。在本工程中，我们公开了用于训练活体模型的架构、数据预处理方法以及相关的脚本和应用软件（APK），以便用户进行测试使用。活体检测的主要目的是判断出现在设备前的人脸是真实还是虚假的。这里的虚假人脸可以包括打印的照片、电子屏幕上的图像、硅胶面具或立体3D人像等。目前，主流的活体解决方案分为配合式与非配合式（静默活体）两类。其中，静默活体检测可以在用户无感知的情况下完成识别任务。由于傅里叶频谱图在一定程度上能够体现真假脸之间的差异，我们采用了基于这种图表的技术来辅助实现这一目标。

HyperFAS: 静默面部防伪攻击检测 Silent Face Anti-Spoofing Attack Detection

优质

HyperFAS是一种先进的静默面部识别技术，专注于防御各种面部防伪攻击，确保生物认证的安全性和可靠性。该系统采用创新算法，有效识别人脸伪造威胁，如照片、视频和面具模拟，为用户提供安全的访问控制环境。 HyperFAS 是一种基于深度学习的人脸静默活体验证算法，在人脸识别过程中扮演重要角色，主要用于区分真实人脸与假脸图像，并能识别纸张打印、屏幕翻拍及3D模型等欺骗手段。在设计阶段，我们尝试了多种方法，包括SVM、LBP和深度学习。对于单一场景或摄像头而言，这些方法可以取得不错的验证效果；然而，在开发适用于各种类型摄像头的活体算法方面仍存在挑战。这里提供了一个较为优秀的模型供参考使用，尽管它在逆光等复杂环境下表现仍有待提升。该模型训练数据集包含约36万张图像，其中假脸和真脸各占一半（即18万张）。这些图像涵盖了纸张、屏幕等多种类型的假脸，并且还包括了大部分公开的假脸数据集。此算法基于mobilenet-0.5架构，并结合OpenCV 3.4.3及MTCNN进行人脸检测，使用Keras和TensorFlow在Python环境下运行。可以通过执行`python src/demo.py`命令来测试样例相关数据集CASIA FASD。

Yolov5-Face: YOLOv5人脸检测

优质

Yolov5-Face是基于YOLOv5架构优化的人脸检测模型，专为实时性和准确性而设计，在各种应用场景中展现出卓越性能。 Yolov5-face 是一种实时且高精度的人脸检测工具，在VGA分辨率下进行单尺度推理（最大边等于640）。以下是几种方法的比较： - DSFD (CVPR19) 使用ResNet152，参数量为71.39M，计算量为259.55G。 - 视网膜面部 (CVPR20)，基于ResNet50模型，其准确率为94.92%，召回率是91.90%，而它的计算量仅为37.59G。 - 火腿盒 (CVPR20) 使用了ResNet50模型, 具有更高的精确度为 95.27% 和较高的召回率为 93.76%, 计算量是43.28G。 - 蒂娜脸 (Arxiv20)，基于ResNet50，具有最高的准确率和召回率分别为95.61%与94.25%，计算量为172.95G。 - SCRFD-34GF(Arxiv21) 使用瓶颈研究模型, 具有最高精确度 96.06 和较高的召回率为 94.92，参数量仅为34.1M。

OULU-NPU人脸活体检测数据集

优质

OULU-NPU人脸活体检测数据集是一个专为评估防伪算法效能设计的数据库，包含多种攻击类型的真实世界样本，促进生物识别安全研究。目前质量最好的平面呈现攻击检测数据集现已上传至百度网盘。

CASIA-SURF人脸活体检测数据库

优质

CASIA-SURF人脸活体检测数据库是由中国科学院自动化研究所构建的大规模数据集，旨在推动人脸识别技术中的活体检测研究。 CASIA-SURF人脸活体检测数据集包含了丰富的面部图像样本，用于研究和发展人脸识别技术中的真实性和安全性验证方法。该数据集旨在帮助研究人员评估不同算法在识别真人与伪造（如照片、视频）方面的性能。

关于SeetaFace6的人脸识别和活体检测源代码

优质

SeetaFace6是一款开源的人脸识别与活体检测库。该项目提供了高质量、高性能的人脸关键点定位、人脸识别以及活体监测等功能，适用于多种应用场景下的身份验证需求。使用SeetaFace6人脸识别与活体检测源代码的步骤如下：第一步：在项目的根目录build.gradle文件中的repositories部分末尾添加以下内容： ```gradle allprojects { repositories { ... maven { url https://jitpack.io } } } ``` 第二步：在dependencies部分添加依赖项： ```gradle dependencies { implementation com.github.zining925:FaceAliveVer:1.0.1 } ``` 第三步：在项目的根目录build.gradle文件中的defaultConfig ndk部分末尾添加以下内容： ```gradle ndk { abiFilters armeabi-v7a } ```

iOS活体检测与人脸识别Objective-C版.zip

优质

本资源提供iOS平台下的人脸识别及活体检测功能实现代码，使用Objective-C语言编写，适用于需要集成此类安全验证技术的应用开发。人脸活体检测与人脸识别Demo能够快速高效地实现人脸识别及活体检测功能，支持张嘴、摇头等多种动作验证，并具备自动拍摄照片的能力。