1. 活體相關文獻綜述調研
參考：https://blog.csdn.net/CVAIDL/article/details/84567319
2. 基於LBP紋理特征的檢測
1） 基於LBP_256特征提取（基本的256維LBP特征向量）
401*401 RGB圖片->灰度化-> 計算得到400*400的LBP的256特征圖（像素值0-255）->裁分成16個 10*10的 cell區域 -> 計算每個cell區域的256直方圖，並歸一化（共計16個256直方圖，首尾相連，該圖像圖像的特征向量）-> 送入SVM分類器訓練/分類；
2）基於LBP_59特征提取（灰度不變+等價模式LBP特征向量 (58種模式)，只統計LBP的特征圖0-1或1-0之間跳變在兩次以內的情況）
401*401 RGB圖片 -> 灰度化 -> 計算得到400*400的LBP的58特征圖（像素值0-58, 58種等價模式表示為1~58, 59種混合模式表示為0）->裁分成16個 10*10的 cell區域 -> 計算每個cell區域的256直方圖，並歸一化（共計16個256直方圖，首尾相連，該圖像圖像的特征向量）-> 送入SVM分類器訓練/分類；
3) 基於LBP_9特征提取（計算灰度不變+旋轉不變+等價模式LBP特征向量(9種模式)）
401*401 RGB圖片 -> 灰度化 -> 計算得到400*400的LBP的9特征圖（256特征圖->58特征圖->9特征圖）->裁分成16個 10*10的 cell區域 -> 計算每個cell區域的256直方圖，並歸一化（共計16個256直方圖，首尾相連，該圖像圖像的特征向量）-> 送入SVM分類器訓練/分類；
注：一定要歸一化，否則分類器計算誤差很大。（因為歸一化之前，比如LBP_256特征圖中的像素值分布在0-255之間，分布范圍較廣，如果大多數數據集中在某一范圍（如20-60之間），很容易造成數據稀疏分布。歸一化之后，數據分布在較小范圍0-1之間，有利於數據學習訓練）；
4） 基於NUAA數據集的訓練與測試的結果，Method代表不同的方式提取特征，使用SVM訓練分類； Face soofing(0)代表是NUAA測試集的非活體（人臉照片的攻擊圖片），能正確識別的准確率；Living face(1) 代表的是NUAA測試集中的活體（真實人臉），能夠正確識別的准確率；average是能夠正確識別活體與非活體人臉的平均識別准確率。
參考：LBP（局部二值模式）特征提取原理：https://blog.csdn.net/shenziheng1/article/details/72582197
灰度不變+旋轉不變+等價模式：https://blog.csdn.net/qq_26898461/article/details/46875517
LBP特征 旋轉不變+標准型+圓形 及其在人臉識別中的應用含代碼：https://blog.csdn.net/weierqiuba/article/details/70495902
LBP紋理特征：http://www.bewindoweb.com/236.html
3. 基於顏色空間+紋理特征的檢測
1) 檢測流程
401*401的RGB圖 -> 顏色空間轉換（YCrCb或HSV） ->三通道分離（Y/Cr/Cb或H/S/V）-> 基於LBP紋理特征的檢測（參照上述2灰度化之后的檢測流程）；
參考：論文：Face Spoofing Detection Using Colour Texture Analysis.
2） 實驗結果
基於NUAA數據集的訓練與測試
3） 視頻demo展示：
鏈接：https://user.qzone.qq.com/577897657/photo/video/1006_aebeccfb73a94971a6515fada940eab4