图像反欺诈（一）
利用图像技术做金融反欺诈系列一：人脸反欺诈与活体检测技术
引言
金融行业长期以来一直是欺诈行为的高风险区。随着在线交易和数字认证方式的普及，利用技术手段进行金融反欺诈变得越来越重要。在本系列文章的第一篇中，我将首先简单介绍活体检测技术分类，然后介绍如何在小程序上实现活体检测并提供开源代码。
活体检测简介
活体检测（Liveness Detection）是一项用于确定在进行生物特征验证时，呈现给传感器的是真实的、现场的人而非照片、视频或者其他虚假的生物替代品的技术。在线金融服务、尤其是移动支付和电子银行服务，经常采用面部识别技术作为身份验证手段，而活体检测则确保了安全性。
活体检测技术分类
被动检测
被动检测技术主要是基于用户与系统互动的自然性质。例如，系统可能会分析图像中的微小动作或者光线反射的模式，而用户本人可能完全没有意识到这一过程。这种检测的优点在于用户体验流畅，但其强大的欺骗攻击防御能力依赖于高级的算法和侧面信息。- 闪光检测： 利用摄像头捕捉面部对不同光照条件的反应，判断活体。
- 深度检测： 利用3D相机和结构光技术来获取面部深度信息，确认目标是三维而非平面图像。
- 闪光检测： 利用摄像头捕捉面部对不同光照条件的反应，判断活体。
主动检测
使用者可能需要按照系统的提示做出一些动作，如眨眼、张嘴或者摇头。这些动作的随机性和复杂性提供了对抗照片或视频仿冒的保护。- 动作提示： 要求用户执行如眨眼或张嘴等动作。
技术挑战
尽管活体检测技术在安全性方面取得了长足进步，但它也面临诸多挑战：
- 高级仿冒攻击： 用硅胶面具、高质量的3D打印头像或深度伪造视频来欺骗活体检测系统。
- 用户体验： 强化活体检测的严格性往往会牺牲用户体验，尤其是在主动检测中。
- 隐私与法规合规： 采集和处理生物识别数据必须符合各国不断变化的隐私法律。
金融应用场景
在金融领域，活体检测技术可以应用于多个场景中：
- 远程账户开立： 客户可以在家中自助完成身份验证过程，减少了去实体银行的需要。
- 在线支付： 验证支付动作的真实性，提高交易的安全性。
- 客户支持： 识别并验证呼叫中心中求助客户的真实身份。
眨眼——光线活体开源实现
github地址: https://github.com/MultiChen/liveness-miniprogram
功能流程图
前端模型流程图
后端模型流程图