中文版|English Version

静默活体检测 (Silent-Face-Anti-Spoofing)

该项目为小视科技的静默活体检测项目,您可以扫描下方的二维码获取安卓端APK,体验静默活体的检测效果.

更新

2020-07-30: 开源caffe模型，分享工业级静默活体检测算法技术解析直播视频以及相关文件。

简介

在本工程中我们开源了活体模型训练架构，数据预处理方法，模型训练和测试脚本以及开源的APK供大家测试使用。

活体检测技术主要是判别机器前出现的人脸是真实还是伪造的，其中借助其他媒介呈现的人脸都可以定义为虚假的人脸，包括打印的纸质照片、电子产品的显示屏幕、硅胶面具、立体的3D人像等。目前主流的活体解决方案分为配合式活体检测和非配合式活体检测（静默活体检测）。配合式活体检测需要用户根据提示完成指定的动作，然后再进行活体校验，静默活体则在用户无感的情况下直接进行活体校验。

因傅里叶频谱图一定程度上能够反应真假脸在频域的差异,因此我们采用了一种基于傅里叶频谱图辅助监督的静默活体检测方法, 模型架构由分类主分支和傅里叶频谱图辅助监督分支构成，整体架构如下图所示：

使用自研的模型剪枝方法，将MobileFaceNet的Flops从0.224G降低待了0.081G，在精度损失不大的情况下,明显提升模型的性能(降低计算量与参数量).

Model	FLOPs	Params
MobileFaceNet	0.224G	0.991M
MiniFASNetV1	0.081G	0.414M
MiniFASNetV2	0.081G	0.435M

APK

APK源码

开源了适用于安卓平台的部署代码：https://github.com/minivision-ai/Silent-Face-Anti-Spoofing-APK

Demo

关键指标

Model(input 80x80)	FLOPs	Speed	FPR	TPR	备注
APK模型	84M	20ms	1e-5	97.8%	开源
高精度模型	162M	40ms	1e-5	99.7%	未开源

测试方法

• 显示信息:速度(ms), 置信度(0~1)以及活体检测结果(真脸or假脸)
• 点击右上角图标可设置阈值,如果置信度大于阈值,为真脸,否则为假脸

测试须知

• 所有测试图片必须通过摄像头采集得到，否则不符合正常场景使用规范，算法效果也无法保证。
• 因为RGB静默活体对摄像头型号和使用场景鲁棒性受限，所以实际使用体验会有一定差异。
• 测试时，应保证有完整的人脸出现在视图中，并且人脸旋转角与竖直方向小于30度（符合正常刷脸场景），否则影响体验。

　　

已测试型号

型号	麒麟990 5G	麒麟990	骁龙845	麒麟810	RK3288
速度/ms	19	23	24	25	90

工程

安装依赖库

pip install -r requirements.txt

Clone

git clone https://github.com/minivision-ai/Silent-Face-Anti-Spoofing  
cd Silent-Face-Anti-Spoofing

数据预处理

1.将训练集分为3类,将相同类别的图片放入一个文件夹;
2.因采用多尺度模型融合的方法,分别用原图和不同的patch训练模型,所以将数据分为原图和基于原图的patch;

• 原图(org_1_heightxwidth),直接将原图resize到固定尺寸(width, height),如图1所示;
• 基于原图的patch(scale_heightxwidth),采用人脸检测器人脸,获取人脸框,按照一定比例(scale)对人脸框进行扩边，为了保证模型的输入尺寸的一致性，将人脸框区域resize到固定尺寸(width, height),图2-4分别显示了scale为1,2.7和4的patch样例;
  

3.采用傅里叶频谱图作为辅助监督,训练集图片在线生成对应的傅里叶频谱图.
数据集的目录结构如下所示

├── datasets
    └── RGB_Images
        ├── org_1_80x60
            ├── 0
		├── aaa.png
		├── bbb.png
		└── ...
            ├── 1
		├── ddd.png
		├── eee.png
		└── ...
            └── 2
		├── ggg.png
		├── hhh.png
		└── ...
        ├── 1_80x80
        └── ...

训练

python train.py --device_ids 0  --patch_info your_patch

测试

./resources/anti_spoof_models 活体检测的融合模型
./resources/detection_model 检测器模型
./images/sample 测试图片

python test.py --image_name your_image_name

相关资源

百度网盘提取码：6d8q
(1)工业级静默活体检测开源算法技术解析直播回放视频;
(2)直播视频中的思维导图文件，存放在files目录下;
(3)开源模型的caffemodel，存放在models目录下;

参考

• 检测器 RetinaFace

针对此项目，为了方便开发者们的技术交流，创建了QQ群：1121178835，欢迎加入。

除了本次开源的静默活体检测算法外，小视科技还拥有多项人脸识别、人体识别相关的自研算法及商用SDK。有兴趣的个人开发者或企业开发者可登录小视科技Mini-AI开放平台了解和联系我们。

Silent-Face-Anti-Spoofing 快速上手指南

本指南帮助开发者快速部署小视科技开源的静默活体检测项目，实现无需用户配合的人脸真伪判别。

1. 环境准备

• 操作系统: Linux / macOS / Windows (推荐 Linux)
• Python 版本: Python 3.6+
• 核心依赖:
  • PyTorch (用于模型训练与测试)
  • OpenCV (用于图像处理)
  • NumPy, SciPy 等科学计算库
• 硬件要求:
  • 训练阶段：建议配备 NVIDIA GPU (支持 CUDA)
  • 推理/测试阶段：CPU 即可运行，GPU 可加速

2. 安装步骤

2.1 克隆项目代码

git clone https://github.com/minivision-ai/Silent-Face-Anti-Spoofing
cd Silent-Face-Anti-Spoofing

2.2 安装 Python 依赖

建议使用国内镜像源（如清华源）以加速下载：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

2.3 获取模型文件

项目所需的预训练模型（活体检测融合模型、人脸检测器模型）未直接包含在代码库中，需从百度网盘下载并放置到指定目录：

• 下载地址: 百度网盘链接 (提取码：6d8q)
• 文件存放:
  • 将活体检测模型放入 ./resources/anti_spoof_models
  • 将人脸检测器模型放入 ./resources/detection_model

3. 基本使用

3.1 单张图片测试

完成上述步骤后，即可使用提供的脚本对单张图片进行活体检测。确保测试图片中包含完整且角度正常的人脸。

命令示例:

python test.py --image_name images/sample/test.png

(注：请将 images/sample/test.png 替换为你实际要测试的图片路径)

输出说明: 程序运行后将输出以下关键信息：

• 速度: 处理耗时 (ms)
• 置信度: 0~1 之间的数值
• 结果: 判定为“真脸”或“假脸”
  • 若置信度 > 设定阈值，判定为真脸；否则为假脸。

3.2 数据预处理与训练（进阶）

如需使用自有数据重新训练模型，请按以下结构组织数据集：

1. 将图片按类别（0: 攻击，1: 真人，2: 其他）分文件夹存放。
2. 生成不同尺度的人脸裁剪图（Patch），包括原图尺寸及扩边后的尺寸（如 scale=1, 2.7, 4）。
3. 目录结构参考：

   datasets/
   └── RGB_Images
       ├── org_1_80x60  (原图缩放)
       │   ├── 0
       │   ├── 1
       │   └── 2
       ├── 1_80x80      (Scale=1 Patch)
       └── ...
   

启动训练:

python train.py --device_ids 0 --patch_info your_patch_info_config