生物识别中“活体检测”专利技术分析

李浩 张玲 崔小利

摘要：相对于传统的身份证件、钥匙等认证方式，基于生物特征的身份认证技术会更加便捷和安全，但其也可能存在被伪造、盗取、复制的风险，不法分子会利用照片、指纹膜、人体模型等非法获取伪造的生物特征来进行欺骗攻击。活体检测技术是抵御欺骗攻击的有效手段。本文以CNABS，VEN数据库中通过对关键词、分类号、申请人、申请量的检索结果作为基础，综合运用INCOPAT、PATENTICS、EXCEL等多种分析工具，对全球活体检测专利进行分析，主要包括发展趋势，重要专利，重要申请人，专利价值等，为活体检测技术的创新及行业发展提供参考借鉴。

关键词：生物识别;活体检测;专利分析

中图分类号：D923.42文献标识码：A 文章编号：1003-5168（2020）09-0086-11

1 引言

生物特征识别技术（biometric identification technology）是指利用人体生物特征进行身份认证的一种技术[1]。具体而言，利用人体行为特征（笔迹、說话、姿态等）和人体固有的生理特性（呼吸、心跳、红眼效应等）来进行身份认证。

在行为特征进行身份认证的系统中，系统攻击主要来自于对他人特性的模仿;而在利用人体固有属性的生理特性进行身份认证的系统中，几乎所有的系统攻击都是使用无生命的伪造样本来欺骗系统[1]。活体检测正是为了解决欺骗攻击给生物识别系统帯来的冲击而兴起的一项生物识别辅助技术[2]。

为了解全球生物识别中“活体检测”专利技术发展现状，以期为该技术的创新及产业发展提供参考和借鉴，本文对专利家族数据库中的活体检测专利进行了检索，并利用PATENTICS、INCOPAT 等自带分析软件以及excel等工具进行专利分析。

2 活体检测专利发展趋势分析

2.1 专利年度分布

活体检测领域的专利申请年度分布情况如图1所示：

从图1中可以看出，活体检测专利技术最早出现在2000年左右，2000—2011年之间该领域处于萌芽状态，2011年以后呈现加速发展的态势，而该领域相关的分类号主要集中在G06K9/00（识别图形等，如指纹识别方法）、G06K9/62（应用电子设备进行识别的方法或装置）、G06F21/30（鉴定，即确定身份或安全负责人的授权），这也是与预期相符的，即其分类主要集中在图像处理、身份识别和鉴权中，随着传感器技术以及图像处理技术的飞速发展。目前，活体检测专利技术已经达到了顶峰。由于专利申请的法定公开期限为18个月限制，为考虑数据的严谨性，2019年的数据仅供参考。

2.2 申请人分析

根据IncoPat统计分析的专利申请公开趋势，对活体检测的申请公开数量及其对应的年份进行了分析，活体检测领域的专利公开数量排名前十的申请人的专利申请年度分布如图2所示：

从图2中可以看到，从2001年到2014年公开的数量较少，即申请量是处于萌芽状态。早期专利公开较多的是日本的FUJITSU LIMITED公司，由此可以得出，该公司是活体检测领域的领头羊。从2015年到2018年北京旷视科技有限公司的专利数量呈均匀分布区域，而北京小孔科技有限公司的专利数量主要集中分布在2015—2017年期间，广东欧珀移动通信有限公司的专利数量主要集中在2017—2018期间，并且2018年专利总量中，百度在线网络技术（北京）有限公司的专利数量占很大比例。

2.3 申请人专利价值图

IncoPat自身包含一套专利价值度评估体系—合享价值度，其选取业内常见的专利价值评估指标，从技术稳定性、技术先进性和保护范围三个维度综合衡量专利的价值度[3]。本文利用上述专利价值统计分析功能，对活体检测申请数量排名前十的公司的专利进行价值分析，如图3所示：

从图3中可以看出，作为活体检测领域领头羊的日本FUJITSU LIMITED公司的专利价值大多在10分;同样，拥有较高专利价值分数的公司还有腾讯科技（深圳）有限公司和阿里巴巴集团控股有限公司，而北京旷视科技有限公司、广东欧珀移动通信有限公司和北京小孔科技有限公司的专利价值集中分布在8～9分;专利价值为6分的主要分布在北京旷视科技有限公司、广东欧珀移动通信有限公司、百度在线网络技术（北京）有限公司和腾讯科技（深圳）有限公司中。

3 重要技术分支

活体检测中使用的特征一般分为生理特征和行为特征，按照这种分类方法，本文将活体检测分为面部行为特征、面部生理特征、手部行为特征、手部生理特征、眼部行为特征、眼部生理特征及其他，具体技术分支如下图4所示：

而各个技术分支的专利数量分布饼状图如图5、图6所示，其中从图5中可以看出，基于面部检测的活体识别占超过一半的比例，基于手部检测的占比为20%;基于眼部和其他特征的分别占15%和9%;进一步地，图6中基于面部检测的技术分支中基于面部生理特征检测的活体识别占了45%，其次，基于手部生理特征进行活体检测的专利数量占了19%。

3.1 面部检测

随着人脸识别技术日趋成熟，商业化应用愈加广泛，然而人脸极其用照片、视频等方式进行复制，因此对合法用户人脸的假冒是人脸识别与认证系统安全的重要威胁[4]，因此人脸活体检测就显得至关重要。人脸活体检测是指辨别当前获取的人脸图像是来自活体人脸还是假体人脸的过程，其中活体人脸指有生命的真实人脸，假体人脸指冒充真人身份的人脸仿冒品[5]。和指纹、虹膜等生物特征相比，人脸特征是最容易获取的，活体检测中涉及面部检测的专利技术根据生理特征和行为特征可以分为两大类，其中基于面部生理特征的活体检测主要包含有面部特征、人脸三维结构、面部光流估计、多光谱四个方面;基于面部行为特征的活体检测主要体现在基于面部或头部的运动、唇部的运动和通过指令使用户做出符合指令的动作三大部分。

3.1.1 面部生理特征。基于面部生理特征的活体检测主要包含有面部特征、人脸三维结构、面部光流估计、多光谱四个方面，下面主要针对国内主要申请人基于面部生理特征进行活体检测的专利技术进行分析，国内主要申请人专利申请数量分布如下图7所示：

①基于人脸三维结构

真实的人脸是三维的，人脸表面并不平坦，并且外观存在非刚性变化，如人脸在微笑或者说话时脸部某些区域会发生变化，而照片或视频中的人脸是平面的，基于人脸三维结构进行活体检测的又可以细分为基于人脸3D模型和基于三维深度分析两方面，三维深度分析方面主要思想是用SFM模型估计出人脸中若干特征点在三维坐标系中的深度坐标[6]。

基于活体和非活体的人脸3D模型区分活体和非活体的专利技术包括北京旷视科技有限公司的CN108875468A、CN108734057A两篇专利均涉及利用多张待测图片构建人脸三维模型来进行活体检测;百度公司的CN108319901A：基于采集到的待检测人脸的二维图像构建待检测人脸的是三维点云实现活体人脸检测，CN108062544A：基于至少两张待检测人脸图像进行人脸的三维重建进行活体判断;此外，基于人脸3D模型进行活体判断的其他公司专利技术还包括CN107563329A（广东欧珀移动有限公司）：当人脸区域为三维立体图像且人脸有生物活性时，可判定图像中人脸区域为真人人脸;CN109086691A（阿里巴巴集团控股有限公司）：利用目标检测对象的多帧深度图像生成三维点云数据进行活体检测。

人脸三维深度信息进行活体检测的专利技术包括北京旷视科技有限公司的CN106407914A、CN105930710A、CN107451510A三篇专利涉及人脸三维深度信息进行活体检测;百度公司的CN108388889A：利用人脸平面图像生成模拟人脸深度数据，从而可以与获取的人脸深度图像进行匹配分析，以确定该人脸深度图像是否来自真实人脸;CN107590430A：利用两个近红外摄像头拍摄到的第一图片和第二图片成深度图;根据深度图以及可见光摄像头拍摄到的第三图片确定出用户是否为活体。

②基于面部特征点

基于面部特征点进行活体检测，主要根据色彩特征[7]、纹理特征[7-8]、温度特征等，利用人脸面部特征进行活体检测的专利技术主要包括有广东欧珀移动有限公司的四篇专利：CN107590463A：将人脸特征信息与预设的人脸特征模板进行匹配;CN107451543A：获取用户的面部特征数据，所述面部特征数据包括面部图像特征数据和面部温度特征数据;CN107437067A：根据所述获取的特征点集合确定所述拍摄范围内的用户是否为真实用户;CN107273875A：基于所述至少一个图像特征点的参考参数确定当前用户人脸是否为活体用户人脸;此外，采用人脸面部特征进行活体检测的其他公司重要专利技术有腾讯科技（深圳）有限公司的CN109492551A、CN107818313A、CN105868733A均涉及对捕获到的人脸图像进行特征点匹配进行活体检测。

③基于多光谱

生活中不同材料对于光的反射率不同，这使得我们可以通过测量反射即图像中的灰度值来区分真实面部皮肤和人造面具[9]。基于多光谱的活体检测方法的出发点是真人脸的皮肤和伪造人脸在材质上存在一定差异，而这种差异体现在成像系统中就是反射率的差异，其旨在从可见光波段之外找到更加有效的波段或其组合，使真人脸和伪造的人脸在成像系统响应上的差异变大，从而达到区分两者的目的。而红外光（尤其是近红外光），可见光和近紫外光通常较为安全，被广泛用于多光谱人脸活体检测中。

利用紅外光、激光等结构光特性进行活体检测的专利技术主要包括有北京旷视科技有限公司的五篇专利：CN106407914A：获取待识别人脸在红外结构光照射下形成的光斑图样;根据光斑图样获得待识别人脸的纹理信息;CN105912986A：基于结构光在所述待检测对象脸部的亚表面散射程度的检测参数;预先确定的参数阈值，确定所述待检测对象是否为活体;CN105447483A：通过被检测的对象对多种空间频率的结构光的频率响应情况来判断对象是否是活体;CN106650666A：获取由中波红外成像传感器采集的待测对象的脸部、通过与脸部期望热图的比较，确定待检测对象是否为活体;CN105637532A：捕获经由所述激光光源照射的待检测对象的脸部的图像;获取待检测对象的脸部的图像的光斑面积，通过阈值比较判断是否为活体;此外，其他利用结构光进行活体检测的专利技术还有CN108446638A（广东欧珀移动有限公司）：利用结构光模组获取用户头部的连续帧结构光图像;根据该连续帧结构光图像判断该用户是否为活体。

利用可见光成像系统进行活体检测的专利技术主要包括有北京旷视科技有限公司的CN108629260A、CN106529512A两篇专利均涉及基于多幅图像中待测人脸的光反射特性确定待验证人脸是否为活体人脸;广东欧珀移动有限公司的CN107403083A、CN107292290A两篇均涉及根据不同环境光照强度下采集的人脸图像的差异进行活体判断;同理，阿里巴巴集团控股有限公司的CN109086645A、CN107886032A、CN108363939A也采用类似的技术手段进行活体判断。

综上所述，通过对基于人脸面部生理特征进行活体检测的重要申请人的专利技术分析可知，排名第一的北京旷视科技有限公司研究重点在于利用光谱反射信息及光斑面积进行活体识别;而广东欧珀移动有限公司和腾讯科技（深圳）有限公司主要重点研究通过人脸脸部各种特征比对、匹配进行活体检测;而基于面部光流进行活体识别的专利文献量不大，申请人以北京小米移动软件有限公司为代表的涉及多个小型公司;阿里巴巴集团控制有限公司的专利研究重点在于利用不同采集条件下图像差异数据进行活体识别;而百度在线网络技术（北京）有限公司的专利技术在上述四方面中均有涉及。

3.1.2 面部行为特征。面部行为特征是活体检测中较常用的较简单的检测方法，其主要是利用人体的运动性来分辨是活体还是静态的照片、模型或者视频等，这种检测方式也被广泛地应用于支付软件例如支付宝中的实名认证等。

3.1.2.1 重要申请人专利分析。利用面部行为特征来进行活体检测的技术一般分为通过面部或头部的运动以及唇部的运动和通过指令使用户做出符合指令的动作三方面：

①基于头部运动

通过头部运动来进行活体检测：例如微软公司的CN104966079A通过采集面部的多幅图像，根据一个或更多面部组成部分中是否存在运动来进行活体检测;例如北京旷视科技有限公司的CN105518582A、CN105518713A：从拍摄图像中检测人脸动作，根据动作控制或指令控制在显示屏幕上显示虚拟对象在虚拟对象满足预定条件下确定为活体;例如阿里巴巴集团控股有限公司的CN105868677A：采集视频图像，根据视频图像中人脸图像的运动姿态和生成的三维人脸是否符合预设结果来进行活体检测。

②基于面部光流估计

Gibson于20世纪50年代率先提出光流的概念，光流是像素点的瞬时运动，可以通过在光流场上进行相关计算得到图像序列中场景或物体的运动场，运动场是场景或物体在三维世界坐标中的运动向量集合。而光流场是运动场在二维图像平面上的投影，由于人脸是一个三维结构，他的运动会产生与二维平面的照片和视频运动不同的图像，特别是在旋转的情况下，因此通过光流法是可以区分真人人脸和伪造人脸，通過检测三维物体（人脸）和二维平面（照片和视频）的运动模式之间的差异来进行活体测量[9]。

基于面部光流估计进行活体检测的专利技术主要包括北京小米移动软件有限公司的两篇专利：CN107688781A：从待检测视频中获取第一帧图像和第二帧图像，并分别获取对应的第一光流值与第二光流值，利用两个光流值的差值与阈值比较，确定待检测视频中的人脸为活体人脸;CN108154090A：根据视频图像中至少两帧图像各个像素的光流速度值的密集光流图;根据各个像素的光流速度值确定N个人脸区域光流速度直方图和N个非人脸区域光流速度直方图;并获取两个直方图之间的平均距离，通过阈值比较进行活体判断;此外其他基于面部光流估计的典型专利技术包括有CN108805047A（北京旷视科技有限公司）：利用视频中的静态图像信息和光流信息来进行活体检测;CN108197586A（北京深醒科技有限公司）：将不同成像方法所获取的图像的特征进行数据融合，再采用流光法进行处理，能够确定待测对象是否为活体。

③基于唇部运动检测

通过唇部运动来进行活体检测：例如阿里巴巴集团控股有限公司的CN106529379A：根据视频信息获取用户的嘴部特征信息，判断嘴部特征信息与唇语库中验证内容对应的唇语特征序列是否相匹配来进行活体检测。

3.1.2.2 重要专利分析。专利的被引证次数是指某专利被其他专利引用的次数，在一定程度上反映了该专利的重要程度，被引证次数越多，体现出该专利在该领域的地位重要性[10]。表1是通过incopat平台统计的专利的被引证次数。

从表1可以看出，在面部行为特征检测专利领域，被引用次数最多的是清华大学的CN101159016A，其检测系统摄像视角内物体的运动区域和运动方向，锁定人脸检测结果框，判断结果框内是否存在人脸面部运动，判断面部运动是否为生理性运动，如果是判断为活体，其是通过判断面部运动来检测是否是活体的;被引用次数次之的是湖北微模式科技发展有限公司的CN103440479A，其从拍摄的视频序列中获取图像，在图像中检测人脸，定位面部关键区域，通过分类器随机选择动作集中的一种或多种，并随机选择动作完成次数，若用户在指定时间内完成该次数，则判定为活体，其是通过设置指令使得用户完成对应指令来检测是否活体;被引证次数第三的是CYBERLINK CORP的US20130188840A1，其是通过接收视频流中的多个包含人脸的图片和相邻背景，确定脸部的运动和背景，通过对比人脸运动和背景来判断是否为活体。

3.2 眼部检测

活体检测中的眼部检测通常包括通过眼部生理特征，例如虹膜、眼部静脉特征、瞳孔的焦距等状态信息以及眼部行为特征，如眨眼或眼部视线变化、眼睑眼球运动等来检测是否是活体[11]。现有的活体虹膜检测大多基于瞳孔反射特性、虹膜震颤特性、人眼运动、多光谱等方法，这些方法各有所长，有各自擅长的防御类型，当然也有着各自所欠缺的防御类型[11]。眼部行为特征即是利用眼部器官的运动例如眼睑、眼球的运动等来分辨活体与否。下面从眼部的生理特征和眼部行为特征两方面来分析相关专利。

3.2.1 眼部生理特征。从图9中可以看出，在活体检测专利技术领域，通过眼部生理特征来实现活体检测的总数少于利用面部特征以及手部特征的，但在该分支之下广东欧珀移动通信有限公司、MAGIC LEAP INC、中国科学院自动化研究所等申请的专利数量较多，领先于其他机构，处于第一梯队;其余机构的数量大致相同，处于第二梯队。

例如广东欧珀移动通信有限公司申请的CN107527013A是通过采集人眼的虹膜图像，图像中若包含四边形图案，那么采集到的虹膜图像为活体虹膜图像。该公司的CN107506687A通过拍摄的两张图像，判断两张图像的焦距是否相同来判断是否活体。还有该公司的CN107451547A通过拍摄人眼图像，通过人眼图像中的眼白区域占比之差来确定是否活体。以及该公司的CN107423699A通过确定瞳孔区域中的目标区域的高亮区域，根据高亮区域确认人眼图像是否来自于活体，可实现检测。例如MAGIC LEAP INC的US20190065722A1通过调整蓝光来接收一系列不同的眼睛图片，从中根据瞳孔的反应来判断是否为活体;例如清华大学申请的CN105139006A是通过获取屏幕亮度以及瞳孔收缩状态信息，获取两者的相关系数，若大于阈值判断为活体;从上述专利可见通过眼部生理特征来进行活体检测采用的手段一般都是根据活体眼睛其独有的生理特征或生理反应，即其与打印照片或其模型眼睛的差别来进行活体的检测。

3.2.2 眼部行为特征。除了眼部的生理特征可以用来检测是否活体外，眼部的行为特征也可用于活体检测。一般常用的手段是检测眼部的眨眼，眼球的运动，眼睑的运动、眼部视线等来判断是否活体。例如北京旷视科技有限公司的发明申请CN108875469A是通过采集目标对象的眼部视频，根据视频获得眼部视线运动轨迹，根据运动轨迹和引导物的轨迹之间的匹配度来确定是否活体。成都大学的CN107346422A是通过读取人脸视频的图像，计算每帧图像中的人脸上下眼睑特征点的距离值，根据距离值的波动情况判断是否为活体。中国银联股份有限公司的CN105930761A是通过拍摄用户注视运动轨迹时眼部的视频，绘制用户眼球活动轨迹，根据活动轨迹与物体的运动轨迹匹配度来判断是否活体;例如南昌欧菲生物识别技术有限公司的CN106446831A是对眼睛进行动态追踪，检测眼睛的眨眼频率，如果眨眼频率在预设范围内则确定为活体。从上述专利可以看出：通过眼部行为特征是利用活体对象会对指令等做出符合预期的眼部运动的特点来检测是否活体。

3.3 手部特征检测

随着指纹识别系统的广泛应用，人们对指纹识别系统的安全性以及个人隐私保护等问题日益关注。虽然指纹的安全性高于用户名、密码的方式，但是例如指纹膜、硅胶等制作的假指纹给指纹识别系统带来严重挑战，这种指纹膜的制作过程非常简单，清晰度高，经常被利用攻击指纹扫描仪[12]。如何有效地抵御这种攻击成为指纹识别系统的重要环节，识别获取的指纹的是来源于真实活体还是欺诈指紋是当前面临的一大问题。目前，采用手部特征的检测方式来检测活体主要分为基于手部生理特征和基于手部行为特征两种方式。

3.3.1 手部生理特征。通过对相关专利分析，手部生理特征主要采用的手段为手指光照、指纹图像、手部生物特征等几大类。

3.3.1.1 重要申请人专利分析。手指光照主要是通过光照射手指，根据光反射或者光在手指皮肤中的散射特性来判断是否为活体，由图10所示，采用手部生理特征的方式申请的专利量排名较高的申请人，大部分是主要做指纹识别的申请人，在这些申请人中，采用手指光照方式进行活体检测的专利主要有：深圳市汇顶科技股份有限公司申请的CN109716353A，其是通过多个波长的光分别照射指纹采集区域，将得到的物体反射光信号进行成像，来判断是否是活体指纹;深圳市汇顶科技股份有限公司申请的CN107820617A，其是通过光照射采集区域的反射光信号的大小判断是否是活体指纹;深圳市汇顶科技股份有限公司申请的CN106971136A、CN106778459A、CN106709413A也是通过发射特定波长的光分析光信号进行活体判别;FUJITSU LIMITED的KR1020070093312A，其是通过光照射到手指的散射图案判别是否是活体。厦门中控生物识别信息技术有限公司申请的CN106663201A通过不同的光源照射手掌获取不同的图像，根据图像进行活体检测。上海箩箕技术有限公司申请的CN105989342A通过穿透手指的出射光进行活体检测。

采用指纹图像的方式主要是根据采集的指纹图像的特征进行判断是否是活体指纹，深圳市汇顶科技股份有限公司申请的CN106663203A、CN106104574A均是通过采集指纹图像，根据指纹图像与预存的活体非活体指纹图像特征进行对比，判断是否是活体指纹;深圳市汇顶科技股份有限公司申请的CN109478083A是通过采集指纹图像，监测指纹脊图案变形时的时域演变，指纹脊图案变形的时域演变表示来自接触输入的按压力的时域演变，来确定接触输入是否是活体指纹。

采用手部生物特征的方式主要是检测手部的生物信号，比如汗腺、汗毛孔、脉搏等。上海箩箕技术有限公司申请的CN109871729A通过检测手指毛孔图像进行活体检测;南昌欧菲生物识别技术有限公司申请的CN106250890A通过识别指纹纹路中是否存在汗腺孔来进行活体检测;南昌欧菲生物识别技术有限公司申请的CN105279504A通过检测手指的血氧饱和度和温度进行活体检测。富士通株式会社申请的CN1668245A通过获取外皮表面的分泌物进行活体检测。厦门中控生物识别信息技术有限公司申请的CN106462754A和CN106326836A，南昌欧菲生物识别技术有限公司申请的CN105205446A、CN105117697A、CN105069438A、CN105069439A、CN105046240A，上海箩箕技术有限公司申请的CN104616001A均是通过检测或测量脉搏信号进行活体检测。

从上述专利可以看出，采用手部生理特征的活体验证方式主要是通过光照、指纹图像以及手部生物特征等方式，主要做指纹识别的公司在研究指纹识别的技术时，都考虑了活体指纹验证的问题，而不同的公司采用的手段也不相同。深圳市汇顶科技股份有限公司主要采用光照的方式验证活体，南昌欧菲生物识别技术有限公司主要采用脉搏检测的方式验证活体，每个公司研究的方向均有所侧重。

3.3.1.2 重要专利分析。IncoPat中采用手部生理特征进行活体检测的家族被引证次数排名前10的专利及其相关参数见表2。

在表2所列的专利中，JP2001510579A采用了生物测量传感器测量手指的温度、脉速、血氧含量等生物特征进行活体检测。CN1404002A采用了手指颜色与检测器表面压力之间的相关性，进行活体检测。CN1697626A根据对象反馈的波形信号进行活体检测。其他家族被引证次数较多的专利也是通过识别手指的生物特征进行活体检测。

3.3.2 手部行为特征。根据手部行为特征验证活体的专利数量较少，其主要是根据手部的手势动作、手部运动等信息进行活体检测。苏州浪潮智能软件有限公司申请的CN109284689A通过对手势指令的验证进行活体检测;北京百度网讯科技有限公司申请的CN107609462A通过检测拍摄时手持移动终端的运动信息进行活体验证。采用手部行为特征的专利数量较少，目前通过手部特征进行活体验证主要还是采用手部生理特征的方式。

3.4 其他检测方式

在活体检测中，还有一部分研究利用人体生物多特征融合、心跳心率以及前景和背景的图像检测等方式进行验证。在这些验证方式中，采用多特征融合的方式进行研究的较多，多模生物认证系统是指采用多种生物特征（如人脸、语音、指纹、唇动和手形等）同时进行身份识别，对于单一生物特征身份认证系统来说，会受制于这一生物特征现有技术的识别能力，采用了多个生物特征认证时，如果某一生物特征对一些样本效果不好，则可以用其他的生物特征信息来融合判别[4]。

中控智慧科技股份有限公司申请的CN109871811A通过获取被测目标的人脸图像、眼纹区域图像和虹膜图像共同验证是否是活体;浙江大学申请的CN109670430A边框检测、眨眼检测和摩尔纹检测进行活体验证。北京旷视科技有限公司申请的CN108875509A通过检测对象微动信息和背景微动信息进行活体验证。北京旷视科技有限公司申请的CN108875676A通过前景和背景图像的类别判定进行活体验证。达闼科技（北京）有限公司申请的CN108509857A通过检测对象的心跳来验证活体。CN106778559A：通过计算发出的声波与反射后得到的声波之间的强度衰减，进而确定待检测对象是否为活体;CN106570489A：采集多帧人脸图像;对每一帧人脸图像，提取人脸区域;获取人脸区域的光照强度，根据所述人脸区域的光照强度，计算每一帧人脸图像对应的脉搏特征;根据所述每一帧人脸图像对应的脉搏特征，建立脉搏特征曲线;将所述脉搏特征曲线与预存标准非活体脉搏特征曲线进行对比，若所述脉搏特征曲线的特征值与所述预存标准非活体脉搏特征曲线的特征值相差超过预设特征阈值，则判定采集到的是活体人脸图像;CN105718874A：随机设定一个或多个指示动作和指示朗读一段文字，判断用户动作是否合格，判断音频信息与预先存储的声纹信息是否匹配，来进行活体检测。

4 总结

目前，活体检测专利技術主要以面部行为和生理、手部行为和生理、眼部行为和生理以及一些综合性的其他方式进行验证。其中，占据主导的检测方式为采用面部生理特征和手部生理特征，根据被检测人的生物特征进行验证，采用人体生物特征的方式不需要人配合做出相应的行为动作，检测方式友好方便，检测准确性也较高。而活体检测专利技术的主要研究力量集中在北京旷视科技有限公司、北京小孔科技有限公司、深圳市汇顶科技股份有限公司等研究人脸及指纹识别的公司。

人脸识别及指纹识别等生物识别在日常生活中具有普遍的应用，活体检测占据了越来越重要的作用，随着科学技术的发展，相信活体检测的方式会越来越多样化，检测技术会越来越方便快捷，准确率也会越来越高，会为日常生活中的安全验证提供更有力的保障。

参考文献：

[1] 王馨宁.生物特征识别中的“活体检测”概念及分析[J].中国科技术语，2014（5）：77-79.

[2] 陈曦等.生物识别中的活体检测技术综述2015[C].第三十四届中国控制会议，2017（7）：3797-3804.

[3] 康婧等.专利信息系统分析与研究[J].情报工程，2017（5）：112-123.

[4] 孙霖.人脸识别中的活体检测技术研究[D].杭州：浙江大学，2010.

[5] 中华人民共和国公安部. 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 安防人脸识别应用防假体攻击测试方法，2014.

[6] 罗浩.人脸识别中的活体检测方法研究[D].长沙：湖南师范大学，2015.

[7] 廖迪等.基于图像色彩纹理的人脸活体检测算法研究[J].现代计算机，2019（6）.

[8] 甘俊英等.面向活体人脸检测的时空纹理特征级联方法[J].模式识别与人工智能，2019（2）.

[9] 黄建恺.人脸识别的活体检测技术研究[D].武汉：华中师范大学，2018.

[10] 董支星等.人脸识别活体验证专利分析[J] .电声技术，2018（1）：1-6.

[11] 马遇伯.活体虹膜检测技术研究[D].北京：北方工业大学，2017.

[12] 王群峰.指纹识别系统活体检测技术研究[D].广州：广东工业大学，2016.