動態活體檢測方法安全性高，但需要用戶配合指定動作，實際用戶體驗較差。為了達到無感通行的效果，人臉識別門禁很少使用響應指令的運動檢測，而活體檢測通常是根據圖像和光學效果的差異來進行的。

1.普通攝像頭活體檢測

雖然對指令沒有動作反應，但真實的人臉并不是靜止的?？傆幸恍┪⒈砬?，比如眼皮和眼球的節奏、眨眼、嘴唇及其周圍臉頰的擴張和收縮等。同時，真實人臉的反射特征和攻擊媒體如紙張、屏幕、三維面具不同，所以成像也不同。 Univision 配合基于摩爾紋、反射、反射、紋理等特征的檢測，檢測系統可以輕松應對來自照片、視頻和假肢的攻擊。

利用一個特定的物理特征，或者多個物理特征的融合，我們可以通過深度學習訓練一個神經網絡分類器來區分它是活體還是攻擊?；铙w檢測中的物理特征主要分為紋理特征、顏色特征、光譜特征、運動特征、圖像質量特征和心跳特征。

紋理特征包括很多，但最主流的是LBP、HOG、LPQ等。

除了RGB的顏色特征外，學術界發現HSV或YCbCr在區分活體和非活體方面有更好的表現，被廣泛用于不同的紋理特征。

光譜特性的原理是生物體和非生物體在某些頻段有不同的響應。

不同時間的運動特征提取目標變化是一種有效的方法，但通常耗時較長，不能滿足實時性要求。

描述圖像質量特性的方法有很多種，例如反射、散射、邊緣或形狀。

2.紅外攝像頭活體檢測

紅外人臉檢測主要基于光流法。光流法利用圖像序列中像素強度數據的時域變化和相關性來確定每個像素位置的“運動”，即從圖像序列中獲取每個像素的操作信息，并利用高斯差分filter 和 LBP 特征使用支持向量機對數據進行統計分析。

同時，光流場對物體的運動更加敏感，可以利用光流場均勻檢測眼球運動和眨眼。這種活體檢測方法可以實現無需用戶配合的盲檢測。

從上面兩張圖片的對比可以看出，活人臉的光流特征表現為不規則的矢量特征，而照片人臉的光流特征則是規則有序的矢量特征，可以區分活體和照片。

3. 3D攝像頭活體檢測人臉由3D攝像頭拍攝，得到對應人臉區域的3D數據。根據這些數據，選擇最容易區分的特征來訓練神經網絡分類器，最后用訓練好的分類器來區分活體和非活體。特征的選擇非常重要。我們選擇的特征包含全局和局部信息。這樣的選擇有利于算法的穩定性和魯棒性。