跳转至

面部识别传感器

Face ID TrueDepth 系统
Apple Face ID TrueDepth 结构光系统原理

Apple Face ID (TrueDepth 系统)

硬件组成

Apple Face ID 使用前置 TrueDepth 摄像头系统,包含多个传感器协同工作:

TrueDepth 模组布局
Apple TrueDepth 模组硬件布局：红外接近传感器、泛光感应器、点阵投影器、前置相机、红外相机
组件 功能 技术
泛光感应器 红外 LED,均匀照亮面部 940 nm 近红外
点阵投影器 投射 ~30,000 个红外光点到面部 VCSEL + DOE
红外相机 接收面部反射的红外点阵图案 红外 CMOS
前置 RGB 相机 辅助检测,拍照 可见光 CMOS

结构光原理

结构光工作原理
结构光 3D 成像原理：点阵投影器投射已知图案，红外相机捕捉面部形变后的点阵进行三角测量
  1. 点阵投影器投射已知规则的红外点阵
  2. 点阵打在 3D 面部表面后发生形变
  3. 红外相机捕捉形变后的点阵图案
  4. 通过三角测量原理,从点阵形变恢复面部 3D 几何
  5. Neural Engine 将 3D 几何与注册时的面部模型比对

安全性

指标 数值
FAR (误识率) < 1/1,000,000
对比: Touch ID < 1/50,000
活体检测 红外+注意力检测 (眼睛注视)
防照片/视频攻击 3D 深度信息,无法被 2D 图像欺骗
防面具攻击 红外纹理 + 深度精度

Android 面部识别方案

Android 阵营的面部识别方案多样:

1. 结构光方案

与 Face ID 原理类似,使用红外点阵投影:

  • 搭载机型: 华为 Mate 20 Pro, OPPO Find X
  • 安全性: 可用于支付级认证

2. ToF 方案

使用前置 ToF 传感器获取面部深度信息:

  • 搭载机型: 三星 Galaxy S10 5G, LG G8
  • 安全性: 可用于支付级认证

3. 2D RGB 方案

仅使用前置 RGB 相机进行面部识别:

  • 搭载机型: 大部分中低端 Android 手机
  • 安全性: 较低,可能被照片欺骗,通常不可用于支付

关键参数解析

FAR 与 FRR

面部识别系统的安全性由两个核心指标衡量:

\[FAR = \frac{\text{错误接受次数}}{\text{冒充尝试总数}}\]
\[FRR = \frac{\text{错误拒绝次数}}{\text{合法尝试总数}}\]
  • FAR (False Acceptance Rate, 误识率): 非本人被错误接受的概率
  • FRR (False Rejection Rate, 拒识率): 本人被错误拒绝的概率
  • FAR 和 FRR 通常此消彼长 — 提高安全性 (降低 FAR) 会增加误拒率 (升高 FRR)

深度精度与点阵密度

结构光深度测量基于三角测量:

\[Z = \frac{f \cdot B}{d}\]

其中 \(f\) 为焦距, \(B\) 为基线距离 (投影器与相机间距), \(d\) 为视差。Face ID 投射 ~30,000 个点,在 25-50 cm 的典型使用距离上,深度分辨率约为 0.5-1 mm,足以区分面部的精细 3D 结构。

活体检测 (PAD)

ISO 30107 定义了 Presentation Attack Detection (PAD) 标准,评估面部识别系统抵御呈现攻击的能力:

攻击方式 2D RGB 结构光/ToF Face ID
打印照片 ✗ 易被攻破 ✓ 深度不匹配 ✓ 深度+红外
屏幕视频 ✗ 易被攻破 ✓ 深度不匹配 ✓ 深度+红外
3D 面具 — △ 部分可能通过 ✓ 红外纹理检测
化妆伪装 △ ✓ 3D 结构不变 ✓ 3D 结构不变

方案安全性对比

方案 FAR FRR 活体检测 安全等级 可用于支付
Face ID 1/1,000,000 ~3% 红外+注意力+3D 最高 ✓
Android 结构光 ~1/500,000 ~5% 3D 深度 高 ✓
Android ToF ~1/100,000 ~5% 3D 深度 中高 ✓ (部分)
2D RGB 1/50,000 - 1/10,000 ~8% 有限 低 ✗

应用实例

1. 模拟结构光深度图

import numpy as np

def simulate_depth_map(rows=20, cols=20, face_center=(10, 10), face_radius=7):
    """模拟结构光面部深度图 (合成数据)
    返回 2D 深度数组 (单位: mm, 值越小越近)
    """
    depth = np.full((rows, cols), 800.0)       # 背景 800mm
    cx, cy = face_center
    for r in range(rows):
        for c in range(cols):
            dist = np.sqrt((r - cx)**2 + (c - cy)**2)
            if dist < face_radius:
                # 椭球体模型: 鼻子最近 (~400mm), 边缘渐远
                z = 400 + 50 * (dist / face_radius) ** 2
                depth[r, c] = z + np.random.normal(0, 2)
    # 文字可视化
    symbols = '█▓▒░·'
    d_min, d_max = depth.min(), depth.max()
    for row in depth:
        line = ''
        for d in row:
            idx = int((d - d_min) / (d_max - d_min + 1e-6) * (len(symbols) - 1))
            line += symbols[idx]
        print(line)
    return depth

simulate_depth_map()

2. FAR/FRR 计算

import numpy as np

def compute_far_frr(genuine_scores, impostor_scores, threshold):
    """计算给定阈值下的误识率 (FAR) 和拒识率 (FRR)
    genuine_scores  — 本人匹配评分数组 (越高越匹配)
    impostor_scores — 冒充者匹配评分数组
    threshold       — 判定阈值 (>= threshold 则接受)
    """
    far = np.mean(impostor_scores >= threshold)     # 冒充者被错误接受
    frr = np.mean(genuine_scores < threshold)       # 本人被错误拒绝
    return float(far), float(frr)

# 示例: 模拟评分分布
np.random.seed(42)
genuine = np.random.normal(0.85, 0.08, 1000)       # 本人: 均值 0.85
impostor = np.random.normal(0.35, 0.12, 1000)      # 冒充者: 均值 0.35

print("阈值    FAR        FRR")
print("-" * 30)
for t in [0.4, 0.5, 0.6, 0.7, 0.8]:
    far, frr = compute_far_frr(genuine, impostor, t)
    print(f" {t:.1f}    {far:.4f}     {frr:.4f}")

延伸阅读