葉曉峰，邱 健，鄺澤權(quán)，關(guān)健恒，鄭文靖，李卓文

（華南師范大學(xué)物理與電信工程學(xué)院，廣東廣州 510006）

0 引言

隨著計算機(jī)視覺在人工智能領(lǐng)域的快速發(fā)展，人臉識別作為一種重要的身份鑒別技術(shù)廣泛應(yīng)用于出入門禁、考勤打卡、安全監(jiān)控、刑事偵查、快捷支付等領(lǐng)域［1］。然而，由于人臉容易被偽造，人臉識別系統(tǒng)的安全性受到威脅。目前，人臉偽造攻擊方式一般有照片攻擊、視頻回放攻擊以及人臉面具或模型攻擊［2-4］。其中，人臉面具或模型制作工藝較為復(fù)雜，因而比較常見的是照片和視頻人臉欺騙攻擊。面對人臉偽造攻擊，活體檢測技術(shù)應(yīng)運(yùn)而生。

基于圖像紋理分析的方法依據(jù)照片或顯示屏上的人臉圖像經(jīng)過二次或多次采集后，通過甄別局部高光區(qū)域、陰影區(qū)域以及圖像清晰度等紋理細(xì)節(jié)與真臉存在的差異，實(shí)現(xiàn)真假人臉識別［5］。Li 等［6］提出采用傅里葉頻譜分析方法判別真假人臉，認(rèn)為照片為平面且尺寸較小，因而高頻分量較少，同時在一定時間內(nèi)無運(yùn)動；局部二值模式（Local Binary Patterns，LBP）等算子或其改進(jìn)方法常用于人臉圖像的紋理特征描述［7-9］，在實(shí)驗(yàn)中有較高的檢測準(zhǔn)確率。然而，基于紋理的方法容易受圖像質(zhì)量、光照條件等因素影響，且跨數(shù)據(jù)集通用能力不強(qiáng)［10］。

基于運(yùn)動信息的方法在生活中較常見，活體認(rèn)證時要求用戶配合完成隨機(jī)指定的動作，通過實(shí)時檢測用戶的眨眼、張嘴等動作狀態(tài)來判斷是否為真人［11］。該方法識別率很高，但需要用戶長時間配合，用戶體驗(yàn)感不好，存在可能被視頻攻擊的風(fēng)險。

活體檢測可在非可見光波段實(shí)現(xiàn)。在近紅外光譜下，由于真人皮膚和偽造人臉材質(zhì)不同，會表現(xiàn)出明顯的反射特性差異，從而可以排除非活體人臉［12］。偽造人臉溫度往往比真人臉低，其紅外輻射較小，熱紅外圖像相對真人臉較為暗淡，因此可使用熱紅外成像方法進(jìn)行活體檢測［13］。上述方法檢測效果較好，但采集條件較嚴(yán)格，對設(shè)備要求較高，成本遠(yuǎn)高于一般可見光系統(tǒng)。

基于深度信息的方法考慮照片和顯示屏上的人臉是平面結(jié)構(gòu)，而真實(shí)人臉具有立體三維結(jié)構(gòu)，所以可利用深度信息的差異進(jìn)行活體檢測。Lagorio 等［14］利用結(jié)構(gòu)光3D掃描儀獲取特征點(diǎn)的三維信息，通過計算各點(diǎn)的表面曲率判別人臉真?zhèn)?，很好地排除了假人臉，但將圖片進(jìn)行彎曲時檢測效果不理想，而且掃描儀設(shè)備結(jié)構(gòu)較復(fù)雜，成本較高。

針對活體檢測方法存在的問題，本文提出一種基于雙目視覺深度信息的人臉活體檢測方法。該方法作為基于深度信息方法的一種，無需用戶過多配合，對照片和視頻假人臉有很好的區(qū)分效果，硬件設(shè)備簡單、成本較低，滿足多數(shù)實(shí)際應(yīng)用需求。依據(jù)雙目視覺原理對人臉特征點(diǎn)進(jìn)行三維重建，建立基于人臉深度特征的活體判別模型。對于人臉照片彎曲的特殊情況借助層次分析法（Analytic Hi?erarchy Process，AHP）進(jìn)行主觀賦權(quán)，提高了活體檢測的魯棒性。本系統(tǒng)應(yīng)用上述方法，以樹莓派為控制核心，設(shè)計一個活體人臉識別的小型化檢測裝置。該裝置具有算法簡單、準(zhǔn)確率高、設(shè)備便攜、功耗小等優(yōu)點(diǎn)。

1 人臉三維重建

1.1 雙目視覺成像原理

依據(jù)雙目視覺原理可實(shí)現(xiàn)目標(biāo)物的三維重建，其實(shí)質(zhì)是利用雙目攝像頭系統(tǒng)的成像關(guān)系，由三角形幾何關(guān)系計算出圖像中物體的三維坐標(biāo)［15］。

經(jīng)過立體校正后，雙目攝像頭平面已經(jīng)達(dá)到前向平行對準(zhǔn)［16］，即左、右攝像頭的主光軸相互平行，且成像面在同一平面上。雙目攝像頭系統(tǒng)的三維成像如圖1 所示，其中Cl和Cr分別表示左、右攝像頭的光心，兩個光心之間的距離（基線距離）為b。對于同一目標(biāo)點(diǎn)P（x，y，z）（左攝像頭坐標(biāo)系中的坐標(biāo)），其在兩個相機(jī)坐標(biāo)系中的Z軸坐標(biāo)相同。

Fig.1 Imaging principle of binocular camera system圖1 雙目攝像頭系統(tǒng)成像原理

圖2 為圖1 在X-Z平面上的投影成像原理。其中，f表示兩攝像頭的焦距，P點(diǎn)為空間中一目標(biāo)點(diǎn)，z為P點(diǎn)在Z軸方向上的坐標(biāo)，Pl和Pr分別為P點(diǎn)在左、右攝像頭平面上的成像點(diǎn)，它們在左、右攝像頭坐標(biāo)系中的X軸坐標(biāo)分別為xl和xr。將右像平面上的Pr點(diǎn)映射至左像平面上的點(diǎn)，使得線段和PrCr平行，則由幾何關(guān)系可知點(diǎn)即是空間點(diǎn)P '(x-b,z)在左像平面上的成像點(diǎn)。

Fig.2 Imaging principle on the X-Z plane圖2 X-Z 平面上的成像原理

由三角形相似關(guān)系可以得到：

在此定義視差為d=xl-xr，對上式進(jìn)行變換有：

由式（2）可知，在確定了兩個攝像頭的基線長度b和焦距f后，只要求出目標(biāo)點(diǎn)在兩攝像頭成像面上成像時的視差d，便可確定目標(biāo)點(diǎn)在攝像頭坐標(biāo)系中的Z軸坐標(biāo)，即該點(diǎn)到攝像頭平面的距離。而在雙目測距過程中，基線長度和焦距可在相機(jī)標(biāo)定時求得，視差則可由立體匹配得到。

根據(jù)三角形關(guān)系還可求得目標(biāo)點(diǎn)在X軸和Y軸方向上的坐標(biāo)，這樣就能獲得空間點(diǎn)在實(shí)際場景中的三維信息，實(shí)現(xiàn)三維物體重建，表達(dá)式如下：

1.2 人臉特征點(diǎn)提取

對人臉進(jìn)行活體識別需要檢測出人臉特征點(diǎn)，因此提取人臉特征點(diǎn)是很重要的一步。由于本文研究的重點(diǎn)是活體檢測，因此提取人臉特征點(diǎn)直接使用Dlib 庫提供的68點(diǎn)標(biāo)記方法。該方法基于級聯(lián)回歸樹（Ensemble of Regres?sion Trees，ERT）算法，即基于梯度增強(qiáng)學(xué)習(xí)的回歸樹訓(xùn)練方法［17］。其準(zhǔn)確性較高，對人臉特征點(diǎn)識別和標(biāo)記速度較快，且對人臉角度沒有太大要求，可根據(jù)人臉姿態(tài)的變化進(jìn)行檢測［18］。使用Dlib 庫的標(biāo)準(zhǔn)特征點(diǎn)檢測模型提取到的68 個特征點(diǎn)位置如圖3 所示，還可根據(jù)需要由68 個特征點(diǎn)位置確定其它特征點(diǎn)位置。

Fig.3 68 facial feature points圖3 人臉68 個特征點(diǎn)

在調(diào)用雙目視覺中的立體匹配算法后，可以得到左、右圖像中對應(yīng)點(diǎn)的視差圖，并由視差圖計算出人臉圖像的深度矩陣。只要獲得了任一所需特征點(diǎn)位置，就能得到該特征點(diǎn)的三維坐標(biāo)。

2 基于AHP 的活體檢測

2.1 層次分析法（AHP）

層次分析法是一種將定性與定量分析結(jié)合的多因素決策分析方法，用決策者的經(jīng)驗(yàn)判斷和推理各標(biāo)準(zhǔn)之間的相對重要程度，并進(jìn)行量化表示，合理給出每個標(biāo)準(zhǔn)的權(quán)重，利用權(quán)重求出各方案的優(yōu)劣次序［19］，常用于主觀賦權(quán)。

在實(shí)際問題中，首先要建立目標(biāo)層、準(zhǔn)則層、方案層的多層次結(jié)構(gòu)模型［20］，然后對每一層因素進(jìn)行兩兩比較，構(gòu)造判斷矩陣。如表1 所示，采用1-9 分的標(biāo)度方法。其中，每兩個因素之間的標(biāo)度值互為倒數(shù)，表示相對重要性相反。

可使用和積法計算判斷矩陣的最大特征根及其特征向量。先將判斷矩陣的每一列元素歸一化，再將每一行元素相加，對得到的列向量進(jìn)行歸一化處理，便可得到近似特征向量即權(quán)向量，然后通過式（4）得到最大特征根。其中，Aw表示判斷矩陣A和權(quán)向量w的乘積。

Table 1 Definition of the scale of judgment matrix表1 判斷矩陣標(biāo)度的定義

為保證構(gòu)造的判斷矩陣有較好的一致性，還需要通過一致性檢驗(yàn)指標(biāo)CI 和RI 來衡量矩陣偏離程度［20］。其中，一致性指標(biāo)CI 由式（5）得到，平均隨機(jī)一致性指標(biāo)RI 的值如表2 所示［21］。

Table 2 Values of average random consistency index RI表2 平均隨機(jī)一致性指標(biāo)RI 的值

若一致性比率CR=CI/RI<0.1，就可認(rèn)為判斷矩陣滿足一致性要求，否則需要修改判斷矩陣，重新計算權(quán)重。

2.2 活體人臉深度特征賦權(quán)方法

本文所考慮的活體檢測主要用于區(qū)分真實(shí)人臉與照片、視頻中的偽造人臉。真實(shí)人臉三維結(jié)構(gòu)與這些假人臉相比差別較大，其各個面部器官是立體的。對于平面結(jié)構(gòu)的假人臉，其各個位置的深度相同，而即便將照片偏轉(zhuǎn)或彎曲折疊，其深度信息也不會與真人臉相同。由此，可將雙目視覺原理計算出的深度信息作為區(qū)別真假人臉的特征。

由于鼻尖點(diǎn)到攝像頭的距離最小，本文以鼻尖點(diǎn)為參考點(diǎn)，選取10 個特征點(diǎn)與鼻尖點(diǎn)的深度差值構(gòu)建深度特征，這些深度差值在一定程度上能反映面部器官三維結(jié)構(gòu)的凹凸起伏狀況。如圖4 所示，點(diǎn)①②為眉梢點(diǎn)，③④為外眼角點(diǎn)，⑤⑥為顴骨點(diǎn)，⑦⑧為嘴角點(diǎn)，⑨⑩為鼻根點(diǎn)和下巴中心點(diǎn)。根據(jù)各點(diǎn)位置為各深度差值賦以權(quán)值，計算其加權(quán)和，由此構(gòu)建判別模型，如式（6）所示。

Fig.4 10 selected feature points圖4 選取的10 個特征點(diǎn)

其中，di表示各點(diǎn)與鼻尖點(diǎn)的深度差，wi表示各點(diǎn)所占權(quán)重，D 表示總深度特征值。顯然，平面?zhèn)卧烊四樀目偵疃忍卣髦祽?yīng)接近于0，而真實(shí)人臉的總深度特征值則為相對較大的正值，如此便可判定人臉的真實(shí)性。

真實(shí)人臉與平面假人臉在各點(diǎn)權(quán)重相等時就能取得較好效果，但顯示偽造人臉照片、電子顯示屏等往往會被攻擊者嘗試往水平或豎直方向偏轉(zhuǎn)一定角度，這樣人臉圖像上各點(diǎn)的深度就會有所差異，可能使D 值較大。對于這種攻擊情況要考慮讓左右和上下兩邊的權(quán)值相等（分隔線見圖4），從而使兩邊的深度差值正負(fù)抵消，D 值仍然較小。綜上所述，對于各特征點(diǎn)深度差值所占權(quán)重的分配需要在權(quán)值平均分配基礎(chǔ)上，使權(quán)值左右對稱、上下相等。權(quán)值按表3 分配即可有效抵御平面假人臉及其在水平或豎直方向上偏轉(zhuǎn)的攻擊。

Table 3 Weights for the flat fake face and its deflection表3 針對平面假人臉及其偏轉(zhuǎn)情況的權(quán)值

偽造人臉攻擊還有其它形式，如將人臉照片進(jìn)行一定程度的彎曲，包括向內(nèi)彎曲和向外彎曲（見圖5）。對于向內(nèi)彎曲，由于各點(diǎn)深度比鼻尖點(diǎn)小，因此D 為負(fù)值，在各種權(quán)值分配下與真實(shí)人臉依然有很好的區(qū)分度。而向外彎曲時由于各點(diǎn)深度差均大于0，很接近于真實(shí)人臉情況，最有可能造成誤判。這時要使D 盡量小，需要使兩條分隔線附近點(diǎn)的權(quán)值大于兩端距離較遠(yuǎn)的點(diǎn)的權(quán)值，例如在水平方向向外彎曲時應(yīng)適當(dāng)增大第9 和第10 號檢測點(diǎn)權(quán)值，本文在此借助層次分析法進(jìn)行主觀賦權(quán)。

Fig.5 Curved face photos圖5 彎曲人臉照片

應(yīng)使分隔線附近點(diǎn)權(quán)重較大，但是權(quán)值不可能同時符合兩個方向彎曲要求，因此需要分兩種情況構(gòu)造判斷矩陣。本文給出水平方向向外彎曲情況下的判斷矩陣，如表4 所示。

Table 4 Judgement matrix for the situation of horizontal outward bending表4 水平向外彎曲情況判斷矩陣

然后按AHP 的基本步驟便可計算出相應(yīng)的權(quán)向量并進(jìn)行一致性檢驗(yàn)，由此得到兩種情況下的權(quán)值如表5 所示。

Table 5 Weights for the situation of horizontal and vertical outward bending表5 水平和豎直向外彎曲情況的權(quán)值

最后，按照分配的3 種權(quán)值分別計算總深度特征值D，并求出其中的最小值Dmin。若為假人臉，則至少在其中一種權(quán)值下的D 值較小，即Dmin值較小，而真人臉計算出的D值總是較大的，據(jù)此進(jìn)行判別。根據(jù)實(shí)驗(yàn)測試數(shù)據(jù)可確定真實(shí)人臉和偽造人臉之間深度特征的閾值。當(dāng)計算出的最小值大于閾值時，就判定為真實(shí)人臉，否則判定為偽造人臉。

3 活體人臉識別裝置實(shí)現(xiàn)

3.1 基于樹莓派的硬件設(shè)備

本裝置硬件設(shè)備比較簡單，主要由樹莓派和雙目攝像頭模組組成，具有很好的便攜性。其中，樹莓派為裝置的控制核心［22］。版本為3B+，采用ARM Cortex-A53 架構(gòu)，包含4 個1.4GHz 的64-bit CPU，1G 內(nèi)存。樹莓派3B+搭載官方的基于Linux 的Raspbian 操作系統(tǒng)，同時支持Python、Ja?va、C、Perl 等多種編程語言，功能十分完善，計算能力也很可觀，能夠較好地支持所需功能。

攝像頭采用集成的高清USB 雙目攝像頭模組。該攝像頭模組支持UVC 免驅(qū)協(xié)議，在MJPEG 格式下分辨率及幀率最高可達(dá)1 920×1 080 和30fps，且與樹莓派系統(tǒng)兼容，適用于軟件開發(fā)。

3.2 基于樹莓派的軟件設(shè)計與實(shí)現(xiàn)

軟件開發(fā)以Python 作為編程語言，其功能實(shí)現(xiàn)的測試流程如圖6 所示。首先，需要對雙目攝像頭進(jìn)行標(biāo)定，以獲得攝像頭的內(nèi)、外參數(shù)；再根據(jù)標(biāo)定參數(shù)對采集到的圖像進(jìn)行立體校正，以消除畸變，使兩個成像平面同行共面，減少立體匹配的計算量［23］；然后調(diào)用半全局塊匹配（Semi-Global Block Matching，SGBM）算法匹配左、右圖像中的對應(yīng)點(diǎn)［24］，獲得人臉圖像的視差圖，并計算出深度矩陣，即得到三維坐標(biāo)。從左圖中提取人臉特征點(diǎn)，使用人臉活體檢測算法判別人臉真?zhèn)危徽{(diào)用基于Haar 特征的級聯(lián)分類器及局部二值模式直方圖（Local Binary Patterns Histograms，LB?PH）算法，分別實(shí)現(xiàn)人臉檢測和人臉識別功能［25-26］，最終將活體人臉識別結(jié)果上傳至數(shù)據(jù)庫。

Fig.6 Software testing process圖6 軟件測試流程

設(shè)計的主界面如圖7 所示，其集合了“拍攝照片”“顯示圖片”“立體匹配”“人臉真假判別”和“人臉數(shù)據(jù)采集”等幾個功能模塊。其中，在視頻窗口通過加入矩形采集框方式對人臉位置、距離加以限制，以提高測量的可靠性。

Fig.7 Software main interface圖7 軟件主界面

4 活體人臉識別實(shí)驗(yàn)

4.1 實(shí)驗(yàn)設(shè)計

考慮到數(shù)據(jù)的全面性和可靠性，實(shí)驗(yàn)采集不同姿態(tài)、佩戴與不佩戴眼鏡的人臉圖像200 對，正對攝像頭、相對攝像頭朝不同方向偏轉(zhuǎn)以及不同彎曲方向和彎曲程度的偽造人臉圖像每組各100 對。由于人臉識別系統(tǒng)一般要求人臉只能正對攝像頭或小角度偏轉(zhuǎn)，因而對于真實(shí)人臉并未采集大角度偏轉(zhuǎn)圖像。為避免環(huán)境因素影響，實(shí)驗(yàn)均在相同的室內(nèi)環(huán)境中進(jìn)行。實(shí)驗(yàn)分下午和晚上兩組，在同一時間段采集真假人臉圖像，且室內(nèi)燈光亮度充足。實(shí)驗(yàn)圖像為固定于同一位置的雙目攝像頭模組所拍攝，并采用樹莓派3B+進(jìn)行數(shù)據(jù)處理。

本文實(shí)驗(yàn)包括真假人臉深度信息對比實(shí)驗(yàn)和真假人臉判別實(shí)驗(yàn)兩部分。首先對真實(shí)人臉和平面?zhèn)卧烊四樀纳疃刃畔⑦M(jìn)行對比，通過觀察各特征點(diǎn)的深度特征，驗(yàn)證基于雙目深度信息的活體檢測方法可行性；然后對本文方法進(jìn)行真假人臉的判別實(shí)驗(yàn)。在活體檢測方法中需要確定一個合適的閾值，它直接影響到活體檢測的準(zhǔn)確率。實(shí)驗(yàn)將偽造人臉分為正對攝像頭和相對攝像頭成像面偏轉(zhuǎn)的平面人臉，以及向內(nèi)和向外的彎曲人臉4 種情況。考慮到只有向外的彎曲人臉?biāo)嬎愠龅目偵疃忍卣髦挡庞锌赡芙咏鎸?shí)人臉，且彎曲程度越大越接近，因此需要先針對不同彎曲程度的向外彎曲人臉照片進(jìn)行測試，以獲得深度特征閾值，再根據(jù)該閾值對其它情況進(jìn)行判別。

4.2 真假人臉深度信息對比實(shí)驗(yàn)

圖8 和圖9 分別為系統(tǒng)對真實(shí)人臉和平面假人臉照片的識別結(jié)果。從圖中可以看到系統(tǒng)會生成視差圖，檢測出人臉區(qū)域及提取特征點(diǎn)，并給出活體檢測與人臉識別的判斷結(jié)果。

表6 為真假人臉各特征點(diǎn)與鼻尖點(diǎn)之間的平均深度差值。由表6 可知，真實(shí)人臉各特征點(diǎn)深度均大于鼻尖點(diǎn)深度，而平面假人臉各特征點(diǎn)深度都與鼻尖點(diǎn)接近，驗(yàn)證了真假人臉在深度信息上具有明顯差別，初步證明本文方法可行。

Fig.8 Real face result display圖8 真實(shí)人臉結(jié)果顯示

Fig.9 Flat fake face result display圖9 平面假人臉結(jié)果顯示

Table 6 Depth information of feature points of real and fake face表6 真假人臉特征點(diǎn)深度信息

4.3 真假人臉判別實(shí)驗(yàn)

本實(shí)驗(yàn)首先對真實(shí)人臉和向外彎曲人臉照片進(jìn)行測試，結(jié)果如表7 所示。其中，在實(shí)驗(yàn)時將人臉照片直接對折來表示彎曲情況，以對折后兩邊的夾角來區(qū)分不同的彎曲程度，夾角越小則彎曲程度越大，深度特征值Dmin也越大。

實(shí)驗(yàn)中發(fā)現(xiàn)，對于真實(shí)人臉，其Dmin值大小大部分在15～30 之間，只有個別在15 以下；對于向外彎曲的人臉照片，Dmin值除少數(shù)幾個外基本不超過10?？紤]到活體檢測中排除偽造人臉的攻擊更為重要，因此將閾值取15，較大的閾值能保證偽造人臉檢測結(jié)果的準(zhǔn)確性。而若是真實(shí)人臉被錯誤地判斷為假人臉，仍可重新進(jìn)行檢測。從實(shí)驗(yàn)結(jié)果來看系統(tǒng)對真實(shí)人臉的判別仍具有較高的準(zhǔn)確率。

此外，當(dāng)彎曲人臉照片夾角小于90°時，因彎曲程度較大，檢測模型無法提取出人臉特征點(diǎn)位置，此時深度特征值無法計算，因此在實(shí)驗(yàn)時直接判定為偽造人臉。

Table 7 Experimental results of real faces and outwardly curved face photos表7 真實(shí)人臉與向外彎曲人臉照片實(shí)驗(yàn)結(jié)果

然后以15 為閾值對偽造人臉的其它3 種情況進(jìn)行測試，結(jié)果如表8 所示。其中，平面人臉的深度特征值接近于0；向內(nèi)彎曲的人臉照片深度特征值為負(fù)值，這是因?yàn)檫x取點(diǎn)的深度值都小于鼻尖點(diǎn)的深度值。該結(jié)果表明真實(shí)人臉與另外3 種情況偽造人臉的深度特征差異顯著，該方法能有效分辨出人臉真?zhèn)巍?/p>

Table 8 Experimental results of three kinds of fake faces表8 三種偽造人臉實(shí)驗(yàn)結(jié)果

綜上所述，活體人臉識別裝置對各種情況下的人臉真?zhèn)闻袆e準(zhǔn)確率都很高。在適當(dāng)犧牲真實(shí)人臉準(zhǔn)確率的情況下，偽造人臉識別準(zhǔn)確率在實(shí)驗(yàn)范圍內(nèi)可達(dá)到100%，而真實(shí)人臉的準(zhǔn)確率也有98%，能夠有效抵御各種假人臉照片和視頻的攻擊。由此可知，本文采用的人臉活體檢測方法簡單可行，具有較高的可靠性和較好的魯棒性。

5 結(jié)語

考慮到人臉面部器官的三維凹凸性特征，本文提出基于雙目視覺獲取的三維信息對人臉特征位置進(jìn)行深度計算，并結(jié)合AHP 主觀賦權(quán)的活體檢測簡化算法思路；采用樹莓派作為核心控制器，設(shè)計系統(tǒng)用戶界面，完成功能移植和小型化裝置搭建，實(shí)現(xiàn)人臉檢測、人臉識別和活體檢測功能。實(shí)驗(yàn)結(jié)果表明，該裝置能夠有效提取真假人臉的深度特征，對于偽造人臉的攻擊有很好的判別能力，同時簡單便攜、硬件成本低、功耗小等特點(diǎn)使其具有很好的應(yīng)用前景。

后續(xù)將對人臉特征點(diǎn)提取算法進(jìn)行優(yōu)化，減少在樹莓派上人臉特征點(diǎn)檢測時間，更高效準(zhǔn)確地進(jìn)行人臉識別。