刷臉買單成現實!這一次，騙子開始死磕人臉面具了

當然，現在的美顏軟體也在一定程度上保護了大家的隱私。試想一下，朋友圈裡一張連親媽都認不出來的美顏照片，怎麼可能和身份證照片匹配得上呢?

而在介紹人臉識別反欺詐方式之前，讓我們先了解一下典型人臉識別系統的幾個關鍵步驟(參見下圖)。

人臉檢測:從圖像(視頻幀)中定位人臉所在的區域

人臉配准:對人臉姿態進行矯正

活體檢測:判斷人臉的真偽，這是反欺詐的關鍵步驟

人臉識別:將新捕獲的人臉圖像和數據中已知身份的人臉圖像進行比較，識別來者身份

在這裡，有必要解析下反欺詐的關鍵步驟--活體檢測的幾種常見演演算法:

1、基於動作指令的欺詐檢測

目前很多移動端APP做實名認證時，需要用戶配合指令完成眨眼、搖頭、點頭、張嘴等組合動作，這樣可以在很大程度上規避採用靜態照片的攻擊。但大多數APP中的要求動作都是固定的，通過事先製作的視頻完成欺詐也是有可能的。因此，一些人臉識別廠商進一步採用讓用戶讀隨機數字再配合嘴唇特徵點檢測演演算法實現欺詐攔截。

2、基於微表情的欺詐檢測

通過檢測一段時間內用戶是否存在細微的表情變化來判斷真偽人臉，若沒有發生微表情變化就認為是假臉。這種方法對用戶的配合度要求較低，主要用於對靜態照片的反欺詐。

3、基於圖像紋理的欺詐檢測

經過二次採集或列印的圖像與真實人臉在紋理細節上存在一定差異，比如局部光照和圖像質量的區別。因此，可以對人臉圖像進行特徵提取，獲得可用於區分真假人臉的特徵，再作為機器學習模型的輸入來判別真假人臉。

目前學術界針對人臉識別的反欺詐方法還有很多，這裡就不一一介紹了。隨著人臉支付工具的逐漸推廣，人臉反欺詐技術也越發重要。值得一提的是，單一的人臉反欺詐方法都會存在局限性，無法做到面面俱到，因此可以融合多種方法來提升反欺詐的識別率，並在特定場景結合其他生物特徵密碼(比如聲紋)來進一步提升支付的安全性。