企业官网建设流程全解析

UniFace活体检测实战：MiniFASNet如何识破照片、屏幕与面具攻击

【免费下载链接】unifaceUniFace: A Unified Face Analysis Library for Python | Detection, alignment, landmarks, face-mesh, recognition, parsing, gaze, attributes and anti-spoofing under one API.项目地址: https://gitcode.com/gh_mirrors/un/uniface

UniFace是一款 Python 统一人脸分析库，其中的MiniFASNet 活体检测（人脸反欺骗攻击）模块可以用 1.2MB 的轻量模型，快速判断摄像头前的是真人，还是打印照片、屏幕重放或面具伪装。本文将从零讲透：如何安装、三步跑通第一次活体检测、如何设置置信度阈值，以及它能防御哪些攻击。

上图是 UniFace 反欺骗模块的实测效果：同一套现场，真人被标记为 Real（置信度 1.00），而打印照片和平板屏幕重放分别被识破为 Fake（0.66 / 0.99）。

什么是人脸活体检测？

活体检测（Liveness Detection / Face Anti-Spoofing）回答的问题只有一个：摄像头拍到的是"一张脸"，还是"一张脸的照片"？

常见的攻击手段包括：

UniFace 的 MiniFASNet 实现 基于 ONNX Runtime 推理，模型判断的是呈现方式（presentation）而非身份——它不关心脸是谁，只关心这张脸是"活的"还是被"再现"的。

快速安装与第一次活体检测

安装只需一条命令（首次运行时会自动下载 MiniFASNet 权重并校验 SHA256）：

pip install "uniface[cpu]" # NVIDIA 显卡可改装 uniface[gpu]

跑通第一次活体检测只需三步：人脸检测 → 活体判断 → 读取结果 👇

import cv2 from uniface.detection import RetinaFace from uniface.spoofing import MiniFASNet detector = RetinaFace() # 第1步：检测人脸位置 spoofer = MiniFASNet() # 第2步：初始化活体检测模型（默认 V2） image = cv2.imread("photo.jpg") faces = detector.detect(image) for face in faces: # 第3步：逐个判断真人还是伪造 result = spoofer.predict(image, face.bbox) label = "Real" if result.is_real else "Fake" print(f"{label}: {result.confidence:.1%}")

返回值是 SpoofingResult 数据类，只有两个字段：

• result.is_real：True表示真人，False表示伪造
• result.confidence：0.0 ~ 1.0 的置信度

💡 注意：MiniFASNet 需要人脸检测框作为输入（face.bbox），所以实践中总是和检测器组合使用，这也正是 UniFace "统一 API" 的价值所在——检测、对齐、活体、识别全部一个库搞定。

MiniFASNet 如何识破屏幕与照片攻击？

模型的核心逻辑藏在 preprocess 阶段：它不是直接用检测框裁脸，而是以人脸为中心向外扩展裁剪（V2 版本 scale=2.7，V1SE 版本 scale=4.0），把脸部周围的皮肤纹理、纸张边缘、屏幕反光等上下文信息一起送进网络——这些正是照片和屏幕重放"露馅"的地方。

模型提供两个变体（均约 1.2 MB，权重信息见 constants.py）：

from uniface.spoofing import MiniFASNet from uniface.constants import MiniFASNetWeights spoofer = MiniFASNet(model_name=MiniFASNetWeights.V1SE) # 切换变体

上面三张分别对应真人、打印照片和屏幕重放场景，正是 demo 对比图 中三个画面的原始素材。

实战技巧：如何设置置信度阈值？

默认情况下is_real由模型 argmax 决定。安全要求更高时，建议叠加置信度阈值，把"拿不准"的情况单独拦下来：

HIGH_THRESHOLD = 0.7 if result.is_real and result.confidence > HIGH_THRESHOLD: print("Real (high confidence)") else: print("Suspicious") # 可疑人脸，建议拒绝或二次验证

更进一步，多帧验证能显著提升安全性：连续采集 5 帧，其中至少 3 帧判定为真人，才放行（完整示例见 docs/modules/spoofing.md）。

它能防御哪些攻击？

⚠️使用限制：高性能 3D 面具可能无法被检出；光照和图像质量会影响准确率；高安全场景（银行、门禁）请务必结合多帧验证或其他活体手段。

CLI 一行命令：图片、视频、摄像头全支持

不想写代码？仓库自带的命令行工具 tools/spoofing.py 支持三种输入源，结果直接画框输出：

python tools/spoofing.py --source photo.jpg # 单张图片 python tools/spoofing.py --source video.mp4 # 视频文件 python tools/spoofing.py --source 0 # 实时摄像头

绿色框 = Real，红色框 = Fake，旁边附带置信度，输出自动保存到outputs/目录。

小结

UniFace 的活体检测把"人脸真伪"这件高安全级问题压缩成了极简体验：

1. 轻量：1.2 MB 的 ONNX 模型，CPU 即可实时运行
2. 统一：与 RetinaFace 等检测器共用同一 API，几行代码打通"检测 + 活体"流水线
3. 实战：照片、屏幕、视频回放、纸面具均能识别，配合阈值与多帧验证可支撑门禁级应用

源码与接口细节可进一步阅读 uniface/spoofing/ 与官方文档 docs/modules/spoofing.md，更多模块（识别、属性、质量评估）都能在同一库中组合使用。

【免费下载链接】unifaceUniFace: A Unified Face Analysis Library for Python | Detection, alignment, landmarks, face-mesh, recognition, parsing, gaze, attributes and anti-spoofing under one API.项目地址: https://gitcode.com/gh_mirrors/un/uniface