如何用OpenCV/Numpy实现人脸活体检测（不改动现有识别模型）

对你提出的比值方案的优化建议 #

你提出的鼻尖到左眼/右眼距离比值的帧间变化思路具备可行性，但存在误判风险：比如真人刻意保持静止时，比值变化也会很小。可以做以下优化：

• 计算该比值的方差而非单一差值，若连续10帧方差小于阈值（比如0.01）则判定为2D照片
• 同时结合其他关键点的动态变化，比如左右唇到鼻尖的距离比值变化，提升检测鲁棒性

无需改动现有模型的其他活体检测方法 #

以下方法均基于现有模型输出的关键点或摄像头原始帧，无需修改人脸识别模型：

• 动态动作验证：
  利用现有关键点检测眨眼或唇部动作：
  • 眨眼：通过计算眼部区域的像素变化（结合眼角关键点定位区域），若连续帧中出现眼部距离骤降再回升的动作则判定为真人
  • 唇部开合：计算left_lip和right_lip之间的距离变化，若有音频输入，可验证唇部动作与语音的联动性，打印照片无法产生真实唇部动作
• 单目视差分析：
  引导用户轻微晃动头部，计算连续帧中面部关键点的相对位移：
  • 3D真人的关键点位移符合透视规律，比如鼻尖的位移幅度会大于眼角（因为鼻尖更靠前）
  • 2D照片的所有关键点位移比例完全一致，可通过位移比例的差异来区分
• 光照响应检测：
  控制摄像头的曝光参数（或等待环境光自然变化），观察面部区域的亮度变化：
  • 真人3D面部会因光照角度变化产生阴影移动、局部亮度梯度变化
  • 2D照片的光照变化是整体均匀的，阴影和亮度模式无真实3D特征
• 纹理微动分析：
  提取面部区域的高频纹理细节（比如毛孔、细纹），对比连续帧的纹理差异：
  • 真人皮肤会有细微的肌肉微动，连续帧纹理会有微小但不规则的变化
  • 打印照片的纹理是固定的，连续帧纹理几乎无差异

内容的提问来源于stack exchange，提问作者Abhinandan Sharma