生物識別中“活體檢測”專利技術分析

李浩 張玲 崔小利

摘要：相對于傳統的身份證件、鑰匙等認證方式，基于生物特征的身份認證技術會更加便捷和安全，但其也可能存在被偽造、盜取、復制的風險，不法分子會利用照片、指紋膜、人體模型等非法獲取偽造的生物特征來進行欺騙攻擊。活體檢測技術是抵御欺騙攻擊的有效手段。本文以CNABS，VEN數據庫中通過對關鍵詞、分類號、申請人、申請量的檢索結果作為基礎，綜合運用INCOPAT、PATENTICS、EXCEL等多種分析工具，對全球活體檢測專利進行分析，主要包括發展趨勢，重要專利，重要申請人，專利價值等，為活體檢測技術的創新及行業發展提供參考借鑒。

關鍵詞：生物識別;活體檢測;專利分析

中圖分類號：D923.42文獻標識碼：A 文章編號：1003-5168（2020）09-0086-11

1 引言

生物特征識別技術（biometric identification technology）是指利用人體生物特征進行身份認證的一種技術[1]。具體而言，利用人體行為特征（筆跡、說話、姿態等）和人體固有的生理特性（呼吸、心跳、紅眼效應等）來進行身份認證。

在行為特征進行身份認證的系統中，系統攻擊主要來自于對他人特性的模仿;而在利用人體固有屬性的生理特性進行身份認證的系統中，幾乎所有的系統攻擊都是使用無生命的偽造樣本來欺騙系統[1]。活體檢測正是為了解決欺騙攻擊給生物識別系統帯來的沖擊而興起的一項生物識別輔助技術[2]。

為了解全球生物識別中“活體檢測”專利技術發展現狀，以期為該技術的創新及產業發展提供參考和借鑒，本文對專利家族數據庫中的活體檢測專利進行了檢索，并利用PATENTICS、INCOPAT 等自帶分析軟件以及excel等工具進行專利分析。

2 活體檢測專利發展趨勢分析

2.1 專利年度分布

活體檢測領域的專利申請年度分布情況如圖1所示：

從圖1中可以看出，活體檢測專利技術最早出現在2000年左右，2000—2011年之間該領域處于萌芽狀態，2011年以后呈現加速發展的態勢，而該領域相關的分類號主要集中在G06K9/00（識別圖形等，如指紋識別方法）、G06K9/62（應用電子設備進行識別的方法或裝置）、G06F21/30（鑒定，即確定身份或安全負責人的授權），這也是與預期相符的，即其分類主要集中在圖像處理、身份識別和鑒權中，隨著傳感器技術以及圖像處理技術的飛速發展。目前，活體檢測專利技術已經達到了頂峰。由于專利申請的法定公開期限為18個月限制，為考慮數據的嚴謹性，2019年的數據僅供參考。

2.2 申請人分析

根據IncoPat統計分析的專利申請公開趨勢，對活體檢測的申請公開數量及其對應的年份進行了分析，活體檢測領域的專利公開數量排名前十的申請人的專利申請年度分布如圖2所示：

從圖2中可以看到，從2001年到2014年公開的數量較少，即申請量是處于萌芽狀態。早期專利公開較多的是日本的FUJITSU LIMITED公司，由此可以得出，該公司是活體檢測領域的領頭羊。從2015年到2018年北京曠視科技有限公司的專利數量呈均勻分布區域，而北京小孔科技有限公司的專利數量主要集中分布在2015—2017年期間，廣東歐珀移動通信有限公司的專利數量主要集中在2017—2018期間，并且2018年專利總量中，百度在線網絡技術（北京）有限公司的專利數量占很大比例。

2.3 申請人專利價值圖

IncoPat自身包含一套專利價值度評估體系—合享價值度，其選取業內常見的專利價值評估指標，從技術穩定性、技術先進性和保護范圍三個維度綜合衡量專利的價值度[3]。本文利用上述專利價值統計分析功能，對活體檢測申請數量排名前十的公司的專利進行價值分析，如圖3所示：

從圖3中可以看出，作為活體檢測領域領頭羊的日本FUJITSU LIMITED公司的專利價值大多在10分;同樣，擁有較高專利價值分數的公司還有騰訊科技（深圳）有限公司和阿里巴巴集團控股有限公司，而北京曠視科技有限公司、廣東歐珀移動通信有限公司和北京小孔科技有限公司的專利價值集中分布在8～9分;專利價值為6分的主要分布在北京曠視科技有限公司、廣東歐珀移動通信有限公司、百度在線網絡技術（北京）有限公司和騰訊科技（深圳）有限公司中。

3 重要技術分支

活體檢測中使用的特征一般分為生理特征和行為特征，按照這種分類方法，本文將活體檢測分為面部行為特征、面部生理特征、手部行為特征、手部生理特征、眼部行為特征、眼部生理特征及其他，具體技術分支如下圖4所示：

而各個技術分支的專利數量分布餅狀圖如圖5、圖6所示，其中從圖5中可以看出，基于面部檢測的活體識別占超過一半的比例，基于手部檢測的占比為20%;基于眼部和其他特征的分別占15%和9%;進一步地，圖6中基于面部檢測的技術分支中基于面部生理特征檢測的活體識別占了45%，其次，基于手部生理特征進行活體檢測的專利數量占了19%。

3.1 面部檢測

隨著人臉識別技術日趨成熟，商業化應用愈加廣泛，然而人臉極其用照片、視頻等方式進行復制，因此對合法用戶人臉的假冒是人臉識別與認證系統安全的重要威脅[4]，因此人臉活體檢測就顯得至關重要。人臉活體檢測是指辨別當前獲取的人臉圖像是來自活體人臉還是假體人臉的過程，其中活體人臉指有生命的真實人臉，假體人臉指冒充真人身份的人臉仿冒品[5]。和指紋、虹膜等生物特征相比，人臉特征是最容易獲取的，活體檢測中涉及面部檢測的專利技術根據生理特征和行為特征可以分為兩大類，其中基于面部生理特征的活體檢測主要包含有面部特征、人臉三維結構、面部光流估計、多光譜四個方面;基于面部行為特征的活體檢測主要體現在基于面部或頭部的運動、唇部的運動和通過指令使用戶做出符合指令的動作三大部分。

3.1.1 面部生理特征。基于面部生理特征的活體檢測主要包含有面部特征、人臉三維結構、面部光流估計、多光譜四個方面，下面主要針對國內主要申請人基于面部生理特征進行活體檢測的專利技術進行分析，國內主要申請人專利申請數量分布如下圖7所示：

①基于人臉三維結構

真實的人臉是三維的，人臉表面并不平坦，并且外觀存在非剛性變化，如人臉在微笑或者說話時臉部某些區域會發生變化，而照片或視頻中的人臉是平面的，基于人臉三維結構進行活體檢測的又可以細分為基于人臉3D模型和基于三維深度分析兩方面，三維深度分析方面主要思想是用SFM模型估計出人臉中若干特征點在三維坐標系中的深度坐標[6]。

基于活體和非活體的人臉3D模型區分活體和非活體的專利技術包括北京曠視科技有限公司的CN108875468A、CN108734057A兩篇專利均涉及利用多張待測圖片構建人臉三維模型來進行活體檢測;百度公司的CN108319901A：基于采集到的待檢測人臉的二維圖像構建待檢測人臉的是三維點云實現活體人臉檢測，CN108062544A：基于至少兩張待檢測人臉圖像進行人臉的三維重建進行活體判斷;此外，基于人臉3D模型進行活體判斷的其他公司專利技術還包括CN107563329A（廣東歐珀移動有限公司）：當人臉區域為三維立體圖像且人臉有生物活性時，可判定圖像中人臉區域為真人人臉;CN109086691A（阿里巴巴集團控股有限公司）：利用目標檢測對象的多幀深度圖像生成三維點云數據進行活體檢測。

人臉三維深度信息進行活體檢測的專利技術包括北京曠視科技有限公司的CN106407914A、CN105930710A、CN107451510A三篇專利涉及人臉三維深度信息進行活體檢測;百度公司的CN108388889A：利用人臉平面圖像生成模擬人臉深度數據，從而可以與獲取的人臉深度圖像進行匹配分析，以確定該人臉深度圖像是否來自真實人臉;CN107590430A：利用兩個近紅外攝像頭拍攝到的第一圖片和第二圖片成深度圖;根據深度圖以及可見光攝像頭拍攝到的第三圖片確定出用戶是否為活體。

②基于面部特征點

基于面部特征點進行活體檢測，主要根據色彩特征[7]、紋理特征[7-8]、溫度特征等，利用人臉面部特征進行活體檢測的專利技術主要包括有廣東歐珀移動有限公司的四篇專利：CN107590463A：將人臉特征信息與預設的人臉特征模板進行匹配;CN107451543A：獲取用戶的面部特征數據，所述面部特征數據包括面部圖像特征數據和面部溫度特征數據;CN107437067A：根據所述獲取的特征點集合確定所述拍攝范圍內的用戶是否為真實用戶;CN107273875A：基于所述至少一個圖像特征點的參考參數確定當前用戶人臉是否為活體用戶人臉;此外，采用人臉面部特征進行活體檢測的其他公司重要專利技術有騰訊科技（深圳）有限公司的CN109492551A、CN107818313A、CN105868733A均涉及對捕獲到的人臉圖像進行特征點匹配進行活體檢測。

③基于多光譜

生活中不同材料對于光的反射率不同，這使得我們可以通過測量反射即圖像中的灰度值來區分真實面部皮膚和人造面具[9]。基于多光譜的活體檢測方法的出發點是真人臉的皮膚和偽造人臉在材質上存在一定差異，而這種差異體現在成像系統中就是反射率的差異，其旨在從可見光波段之外找到更加有效的波段或其組合，使真人臉和偽造的人臉在成像系統響應上的差異變大，從而達到區分兩者的目的。而紅外光（尤其是近紅外光），可見光和近紫外光通常較為安全，被廣泛用于多光譜人臉活體檢測中。

利用紅外光、激光等結構光特性進行活體檢測的專利技術主要包括有北京曠視科技有限公司的五篇專利：CN106407914A：獲取待識別人臉在紅外結構光照射下形成的光斑圖樣;根據光斑圖樣獲得待識別人臉的紋理信息;CN105912986A：基于結構光在所述待檢測對象臉部的亞表面散射程度的檢測參數;預先確定的參數閾值，確定所述待檢測對象是否為活體;CN105447483A：通過被檢測的對象對多種空間頻率的結構光的頻率響應情況來判斷對象是否是活體;CN106650666A：獲取由中波紅外成像傳感器采集的待測對象的臉部、通過與臉部期望熱圖的比較，確定待檢測對象是否為活體;CN105637532A：捕獲經由所述激光光源照射的待檢測對象的臉部的圖像;獲取待檢測對象的臉部的圖像的光斑面積，通過閾值比較判斷是否為活體;此外，其他利用結構光進行活體檢測的專利技術還有CN108446638A（廣東歐珀移動有限公司）：利用結構光模組獲取用戶頭部的連續幀結構光圖像;根據該連續幀結構光圖像判斷該用戶是否為活體。

利用可見光成像系統進行活體檢測的專利技術主要包括有北京曠視科技有限公司的CN108629260A、CN106529512A兩篇專利均涉及基于多幅圖像中待測人臉的光反射特性確定待驗證人臉是否為活體人臉;廣東歐珀移動有限公司的CN107403083A、CN107292290A兩篇均涉及根據不同環境光照強度下采集的人臉圖像的差異進行活體判斷;同理，阿里巴巴集團控股有限公司的CN109086645A、CN107886032A、CN108363939A也采用類似的技術手段進行活體判斷。

綜上所述，通過對基于人臉面部生理特征進行活體檢測的重要申請人的專利技術分析可知，排名第一的北京曠視科技有限公司研究重點在于利用光譜反射信息及光斑面積進行活體識別;而廣東歐珀移動有限公司和騰訊科技（深圳）有限公司主要重點研究通過人臉臉部各種特征比對、匹配進行活體檢測;而基于面部光流進行活體識別的專利文獻量不大，申請人以北京小米移動軟件有限公司為代表的涉及多個小型公司;阿里巴巴集團控制有限公司的專利研究重點在于利用不同采集條件下圖像差異數據進行活體識別;而百度在線網絡技術（北京）有限公司的專利技術在上述四方面中均有涉及。

3.1.2 面部行為特征。面部行為特征是活體檢測中較常用的較簡單的檢測方法，其主要是利用人體的運動性來分辨是活體還是靜態的照片、模型或者視頻等，這種檢測方式也被廣泛地應用于支付軟件例如支付寶中的實名認證等。

3.1.2.1 重要申請人專利分析。利用面部行為特征來進行活體檢測的技術一般分為通過面部或頭部的運動以及唇部的運動和通過指令使用戶做出符合指令的動作三方面：

①基于頭部運動

通過頭部運動來進行活體檢測：例如微軟公司的CN104966079A通過采集面部的多幅圖像，根據一個或更多面部組成部分中是否存在運動來進行活體檢測;例如北京曠視科技有限公司的CN105518582A、CN105518713A：從拍攝圖像中檢測人臉動作，根據動作控制或指令控制在顯示屏幕上顯示虛擬對象在虛擬對象滿足預定條件下確定為活體;例如阿里巴巴集團控股有限公司的CN105868677A：采集視頻圖像，根據視頻圖像中人臉圖像的運動姿態和生成的三維人臉是否符合預設結果來進行活體檢測。

②基于面部光流估計

Gibson于20世紀50年代率先提出光流的概念，光流是像素點的瞬時運動，可以通過在光流場上進行相關計算得到圖像序列中場景或物體的運動場，運動場是場景或物體在三維世界坐標中的運動向量集合。而光流場是運動場在二維圖像平面上的投影，由于人臉是一個三維結構，他的運動會產生與二維平面的照片和視頻運動不同的圖像，特別是在旋轉的情況下，因此通過光流法是可以區分真人人臉和偽造人臉，通過檢測三維物體（人臉）和二維平面（照片和視頻）的運動模式之間的差異來進行活體測量[9]。

基于面部光流估計進行活體檢測的專利技術主要包括北京小米移動軟件有限公司的兩篇專利：CN107688781A：從待檢測視頻中獲取第一幀圖像和第二幀圖像，并分別獲取對應的第一光流值與第二光流值，利用兩個光流值的差值與閾值比較，確定待檢測視頻中的人臉為活體人臉;CN108154090A：根據視頻圖像中至少兩幀圖像各個像素的光流速度值的密集光流圖;根據各個像素的光流速度值確定N個人臉區域光流速度直方圖和N個非人臉區域光流速度直方圖;并獲取兩個直方圖之間的平均距離，通過閾值比較進行活體判斷;此外其他基于面部光流估計的典型專利技術包括有CN108805047A（北京曠視科技有限公司）：利用視頻中的靜態圖像信息和光流信息來進行活體檢測;CN108197586A（北京深醒科技有限公司）：將不同成像方法所獲取的圖像的特征進行數據融合，再采用流光法進行處理，能夠確定待測對象是否為活體。

③基于唇部運動檢測

通過唇部運動來進行活體檢測：例如阿里巴巴集團控股有限公司的CN106529379A：根據視頻信息獲取用戶的嘴部特征信息，判斷嘴部特征信息與唇語庫中驗證內容對應的唇語特征序列是否相匹配來進行活體檢測。

3.1.2.2 重要專利分析。專利的被引證次數是指某專利被其他專利引用的次數，在一定程度上反映了該專利的重要程度，被引證次數越多，體現出該專利在該領域的地位重要性[10]。表1是通過incopat平臺統計的專利的被引證次數。

從表1可以看出，在面部行為特征檢測專利領域，被引用次數最多的是清華大學的CN101159016A，其檢測系統攝像視角內物體的運動區域和運動方向，鎖定人臉檢測結果框，判斷結果框內是否存在人臉面部運動，判斷面部運動是否為生理性運動，如果是判斷為活體，其是通過判斷面部運動來檢測是否是活體的;被引用次數次之的是湖北微模式科技發展有限公司的CN103440479A，其從拍攝的視頻序列中獲取圖像，在圖像中檢測人臉，定位面部關鍵區域，通過分類器隨機選擇動作集中的一種或多種，并隨機選擇動作完成次數，若用戶在指定時間內完成該次數，則判定為活體，其是通過設置指令使得用戶完成對應指令來檢測是否活體;被引證次數第三的是CYBERLINK CORP的US20130188840A1，其是通過接收視頻流中的多個包含人臉的圖片和相鄰背景，確定臉部的運動和背景，通過對比人臉運動和背景來判斷是否為活體。

3.2 眼部檢測

活體檢測中的眼部檢測通常包括通過眼部生理特征，例如虹膜、眼部靜脈特征、瞳孔的焦距等狀態信息以及眼部行為特征，如眨眼或眼部視線變化、眼瞼眼球運動等來檢測是否是活體[11]。現有的活體虹膜檢測大多基于瞳孔反射特性、虹膜震顫特性、人眼運動、多光譜等方法，這些方法各有所長，有各自擅長的防御類型，當然也有著各自所欠缺的防御類型[11]。眼部行為特征即是利用眼部器官的運動例如眼瞼、眼球的運動等來分辨活體與否。下面從眼部的生理特征和眼部行為特征兩方面來分析相關專利。

3.2.1 眼部生理特征。從圖9中可以看出，在活體檢測專利技術領域，通過眼部生理特征來實現活體檢測的總數少于利用面部特征以及手部特征的，但在該分支之下廣東歐珀移動通信有限公司、MAGIC LEAP INC、中國科學院自動化研究所等申請的專利數量較多，領先于其他機構，處于第一梯隊;其余機構的數量大致相同，處于第二梯隊。

例如廣東歐珀移動通信有限公司申請的CN107527013A是通過采集人眼的虹膜圖像，圖像中若包含四邊形圖案，那么采集到的虹膜圖像為活體虹膜圖像。該公司的CN107506687A通過拍攝的兩張圖像，判斷兩張圖像的焦距是否相同來判斷是否活體。還有該公司的CN107451547A通過拍攝人眼圖像，通過人眼圖像中的眼白區域占比之差來確定是否活體。以及該公司的CN107423699A通過確定瞳孔區域中的目標區域的高亮區域，根據高亮區域確認人眼圖像是否來自于活體，可實現檢測。例如MAGIC LEAP INC的US20190065722A1通過調整藍光來接收一系列不同的眼睛圖片，從中根據瞳孔的反應來判斷是否為活體;例如清華大學申請的CN105139006A是通過獲取屏幕亮度以及瞳孔收縮狀態信息，獲取兩者的相關系數，若大于閾值判斷為活體;從上述專利可見通過眼部生理特征來進行活體檢測采用的手段一般都是根據活體眼睛其獨有的生理特征或生理反應，即其與打印照片或其模型眼睛的差別來進行活體的檢測。

3.2.2 眼部行為特征。除了眼部的生理特征可以用來檢測是否活體外，眼部的行為特征也可用于活體檢測。一般常用的手段是檢測眼部的眨眼，眼球的運動，眼瞼的運動、眼部視線等來判斷是否活體。例如北京曠視科技有限公司的發明申請CN108875469A是通過采集目標對象的眼部視頻，根據視頻獲得眼部視線運動軌跡，根據運動軌跡和引導物的軌跡之間的匹配度來確定是否活體。成都大學的CN107346422A是通過讀取人臉視頻的圖像，計算每幀圖像中的人臉上下眼瞼特征點的距離值，根據距離值的波動情況判斷是否為活體。中國銀聯股份有限公司的CN105930761A是通過拍攝用戶注視運動軌跡時眼部的視頻，繪制用戶眼球活動軌跡，根據活動軌跡與物體的運動軌跡匹配度來判斷是否活體;例如南昌歐菲生物識別技術有限公司的CN106446831A是對眼睛進行動態追蹤，檢測眼睛的眨眼頻率，如果眨眼頻率在預設范圍內則確定為活體。從上述專利可以看出：通過眼部行為特征是利用活體對象會對指令等做出符合預期的眼部運動的特點來檢測是否活體。

3.3 手部特征檢測

隨著指紋識別系統的廣泛應用，人們對指紋識別系統的安全性以及個人隱私保護等問題日益關注。雖然指紋的安全性高于用戶名、密碼的方式，但是例如指紋膜、硅膠等制作的假指紋給指紋識別系統帶來嚴重挑戰，這種指紋膜的制作過程非常簡單，清晰度高，經常被利用攻擊指紋掃描儀[12]。如何有效地抵御這種攻擊成為指紋識別系統的重要環節，識別獲取的指紋的是來源于真實活體還是欺詐指紋是當前面臨的一大問題。目前，采用手部特征的檢測方式來檢測活體主要分為基于手部生理特征和基于手部行為特征兩種方式。

3.3.1 手部生理特征。通過對相關專利分析，手部生理特征主要采用的手段為手指光照、指紋圖像、手部生物特征等幾大類。

3.3.1.1 重要申請人專利分析。手指光照主要是通過光照射手指，根據光反射或者光在手指皮膚中的散射特性來判斷是否為活體，由圖10所示，采用手部生理特征的方式申請的專利量排名較高的申請人，大部分是主要做指紋識別的申請人，在這些申請人中，采用手指光照方式進行活體檢測的專利主要有：深圳市匯頂科技股份有限公司申請的CN109716353A，其是通過多個波長的光分別照射指紋采集區域，將得到的物體反射光信號進行成像，來判斷是否是活體指紋;深圳市匯頂科技股份有限公司申請的CN107820617A，其是通過光照射采集區域的反射光信號的大小判斷是否是活體指紋;深圳市匯頂科技股份有限公司申請的CN106971136A、CN106778459A、CN106709413A也是通過發射特定波長的光分析光信號進行活體判別;FUJITSU LIMITED的KR1020070093312A，其是通過光照射到手指的散射圖案判別是否是活體。廈門中控生物識別信息技術有限公司申請的CN106663201A通過不同的光源照射手掌獲取不同的圖像，根據圖像進行活體檢測。上海籮箕技術有限公司申請的CN105989342A通過穿透手指的出射光進行活體檢測。

采用指紋圖像的方式主要是根據采集的指紋圖像的特征進行判斷是否是活體指紋，深圳市匯頂科技股份有限公司申請的CN106663203A、CN106104574A均是通過采集指紋圖像，根據指紋圖像與預存的活體非活體指紋圖像特征進行對比，判斷是否是活體指紋;深圳市匯頂科技股份有限公司申請的CN109478083A是通過采集指紋圖像，監測指紋脊圖案變形時的時域演變，指紋脊圖案變形的時域演變表示來自接觸輸入的按壓力的時域演變，來確定接觸輸入是否是活體指紋。

采用手部生物特征的方式主要是檢測手部的生物信號，比如汗腺、汗毛孔、脈搏等。上海籮箕技術有限公司申請的CN109871729A通過檢測手指毛孔圖像進行活體檢測;南昌歐菲生物識別技術有限公司申請的CN106250890A通過識別指紋紋路中是否存在汗腺孔來進行活體檢測;南昌歐菲生物識別技術有限公司申請的CN105279504A通過檢測手指的血氧飽和度和溫度進行活體檢測。富士通株式會社申請的CN1668245A通過獲取外皮表面的分泌物進行活體檢測。廈門中控生物識別信息技術有限公司申請的CN106462754A和CN106326836A，南昌歐菲生物識別技術有限公司申請的CN105205446A、CN105117697A、CN105069438A、CN105069439A、CN105046240A，上海籮箕技術有限公司申請的CN104616001A均是通過檢測或測量脈搏信號進行活體檢測。

從上述專利可以看出，采用手部生理特征的活體驗證方式主要是通過光照、指紋圖像以及手部生物特征等方式，主要做指紋識別的公司在研究指紋識別的技術時，都考慮了活體指紋驗證的問題，而不同的公司采用的手段也不相同。深圳市匯頂科技股份有限公司主要采用光照的方式驗證活體，南昌歐菲生物識別技術有限公司主要采用脈搏檢測的方式驗證活體，每個公司研究的方向均有所側重。

3.3.1.2 重要專利分析。IncoPat中采用手部生理特征進行活體檢測的家族被引證次數排名前10的專利及其相關參數見表2。

在表2所列的專利中，JP2001510579A采用了生物測量傳感器測量手指的溫度、脈速、血氧含量等生物特征進行活體檢測。CN1404002A采用了手指顏色與檢測器表面壓力之間的相關性，進行活體檢測。CN1697626A根據對象反饋的波形信號進行活體檢測。其他家族被引證次數較多的專利也是通過識別手指的生物特征進行活體檢測。

3.3.2 手部行為特征。根據手部行為特征驗證活體的專利數量較少，其主要是根據手部的手勢動作、手部運動等信息進行活體檢測。蘇州浪潮智能軟件有限公司申請的CN109284689A通過對手勢指令的驗證進行活體檢測;北京百度網訊科技有限公司申請的CN107609462A通過檢測拍攝時手持移動終端的運動信息進行活體驗證。采用手部行為特征的專利數量較少，目前通過手部特征進行活體驗證主要還是采用手部生理特征的方式。

3.4 其他檢測方式

在活體檢測中，還有一部分研究利用人體生物多特征融合、心跳心率以及前景和背景的圖像檢測等方式進行驗證。在這些驗證方式中，采用多特征融合的方式進行研究的較多，多模生物認證系統是指采用多種生物特征（如人臉、語音、指紋、唇動和手形等）同時進行身份識別，對于單一生物特征身份認證系統來說，會受制于這一生物特征現有技術的識別能力，采用了多個生物特征認證時，如果某一生物特征對一些樣本效果不好，則可以用其他的生物特征信息來融合判別[4]。

中控智慧科技股份有限公司申請的CN109871811A通過獲取被測目標的人臉圖像、眼紋區域圖像和虹膜圖像共同驗證是否是活體;浙江大學申請的CN109670430A邊框檢測、眨眼檢測和摩爾紋檢測進行活體驗證。北京曠視科技有限公司申請的CN108875509A通過檢測對象微動信息和背景微動信息進行活體驗證。北京曠視科技有限公司申請的CN108875676A通過前景和背景圖像的類別判定進行活體驗證。達闥科技（北京）有限公司申請的CN108509857A通過檢測對象的心跳來驗證活體。CN106778559A：通過計算發出的聲波與反射后得到的聲波之間的強度衰減，進而確定待檢測對象是否為活體;CN106570489A：采集多幀人臉圖像;對每一幀人臉圖像，提取人臉區域;獲取人臉區域的光照強度，根據所述人臉區域的光照強度，計算每一幀人臉圖像對應的脈搏特征;根據所述每一幀人臉圖像對應的脈搏特征，建立脈搏特征曲線;將所述脈搏特征曲線與預存標準非活體脈搏特征曲線進行對比，若所述脈搏特征曲線的特征值與所述預存標準非活體脈搏特征曲線的特征值相差超過預設特征閾值，則判定采集到的是活體人臉圖像;CN105718874A：隨機設定一個或多個指示動作和指示朗讀一段文字，判斷用戶動作是否合格，判斷音頻信息與預先存儲的聲紋信息是否匹配，來進行活體檢測。

4 總結

目前，活體檢測專利技術主要以面部行為和生理、手部行為和生理、眼部行為和生理以及一些綜合性的其他方式進行驗證。其中，占據主導的檢測方式為采用面部生理特征和手部生理特征，根據被檢測人的生物特征進行驗證，采用人體生物特征的方式不需要人配合做出相應的行為動作，檢測方式友好方便，檢測準確性也較高。而活體檢測專利技術的主要研究力量集中在北京曠視科技有限公司、北京小孔科技有限公司、深圳市匯頂科技股份有限公司等研究人臉及指紋識別的公司。

人臉識別及指紋識別等生物識別在日常生活中具有普遍的應用，活體檢測占據了越來越重要的作用，隨著科學技術的發展，相信活體檢測的方式會越來越多樣化，檢測技術會越來越方便快捷，準確率也會越來越高，會為日常生活中的安全驗證提供更有力的保障。

參考文獻：

[1] 王馨寧.生物特征識別中的“活體檢測”概念及分析[J].中國科技術語，2014（5）：77-79.

[2] 陳曦等.生物識別中的活體檢測技術綜述2015[C].第三十四屆中國控制會議，2017（7）：3797-3804.

[3] 康婧等.專利信息系統分析與研究[J].情報工程，2017（5）：112-123.

[4] 孫霖.人臉識別中的活體檢測技術研究[D].杭州：浙江大學，2010.

[5] 中華人民共和國公安部. Ministry of Public Security of the Peoples Republic of China. Ga/T1212-2014 Face recognition application insecurity systems–testing methodologies for anti-spoofing[R]. Ga/T1212-2014 安防人臉識別應用防假體攻擊測試方法，2014.

[6] 羅浩.人臉識別中的活體檢測方法研究[D].長沙：湖南師范大學，2015.

[7] 廖迪等.基于圖像色彩紋理的人臉活體檢測算法研究[J].現代計算機，2019（6）.

[8] 甘俊英等.面向活體人臉檢測的時空紋理特征級聯方法[J].模式識別與人工智能，2019（2）.

[9] 黃建愷.人臉識別的活體檢測技術研究[D].武漢：華中師范大學，2018.

[10] 董支星等.人臉識別活體驗證專利分析[J] .電聲技術，2018（1）：1-6.

[11] 馬遇伯.活體虹膜檢測技術研究[D].北京：北方工業大學，2017.

[12] 王群峰.指紋識別系統活體檢測技術研究[D].廣州：廣東工業大學，2016.