通过对目前可以找到的开源活体检测项目进行调研后，找到一个合适的工程，该工程使用的是caffe进行建模，主要使用的是opencv来进行活体检测。目前有许多活体检测方法，包括：
- 纹理分析（Texture analysis），包括计算面部区域上的局部二进制模式（LBP）并使用SVM将面部分类为真脸或假脸；
- 频率分析（Frequency analysis），例如检查面部的傅里叶域；
- 可变聚焦分析（ariable focusing analysis），例如检查两个连续帧之间的像素值的变化；
- 基于启发式的算法（Heuristic-based algorithms），包括眼球运动、嘴唇运动和眨眼检测；
- 光流算法（Optical Flow algorithms），即检查从3D对象和2D平面生成的光流的差异和属性；
- 3D脸部形状，类似于Apple的iPhone脸部识别系统所使用的脸部形状，使脸部识别系统能够区分真人脸部和其他人的打印输出的照片图像；
--------------------------------------------------------------------------------------------------------------------------------------
我们目前所找到的工程采用图像处理中常用方法——卷积神经网络（CNN）来构建一个能够区分真实面部和假面部的深度神经网络（称之为“LivenessNet”网络），将活体检测视为二元分类问题。侧重于区分真实面孔与屏幕上的欺骗面孔。且该算法可以很容易地扩展到其他类型的欺骗面孔，包括打印输出、高分辨率打印等。
目前在跑通该项目的过程中已经可以很熟练的进行数据采集，数据训练，以及效果展示，该模型的特点是轻便，对数据的要求不高，很容易采集到测试训练数据，很轻便易与粘合，适合后续开发。
