T/CFEII 0010-2023 人脸识别应用三维假体人脸分类分级规范

ICS 35.240
CCS L 80
团体标准
T/CFEII 0010—2023
人脸识别应用三维假体人脸分类分级规范
Facial recognition applications－Specification for classification and grading of 3D fakeface
2023 - 08 – 21 发布2023 - 08 – 21 实施
中国电子信息行业联合会 发布

目次
前言................................................................................ II
引言............................................................................... III
1 范围.................................................................................. 1
2 规范性引用文件........................................................................ 1
3 术语和定义............................................................................ 1
4 缩略语................................................................................ 2
5 概述.................................................................................. 2
5.1 呈现攻击流程...................................................................... 2
5.2 三维假体人脸使用原则.............................................................. 2
6 三维假体人脸分类...................................................................... 2
7 三维假体人脸分级...................................................................... 3
附录A （规范性） 人脸识别应用防假体攻击测试三维假体人脸选取比例.......................... 4
附录B （资料性） 三维假体人脸分级测试方案................................................ 5
II
前言
本标准按照GB/T 1.1—2020 《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定
起草。
本标准由中国电子信息行业联合会提出并归口。
请注意本标准的某些内容可能涉及专利，本标准的发布机构不承担识别专利的责任。
本标准起草单位：国家工业信息安全发展研究中心、国家语音及图像识别产品质量检验检测中心、
杭州海康威视数字技术股份有限公司、小视科技（江苏）股份有限公司、北京清飞科技有限公司、武
汉莫问科技有限公司、上海商汤智能科技有限公司、上海依图网络科技有限公司、蚂蚁科技集团股份
有限公司、北京百度网讯科技有限公司、北京尊冠科技有限公司、北京智游网安科技有限公司、罗克
佳华科技集团股份有限公司、大同市数字政府服务中心、北京信源电子信息技术有限公司大同分公司、
北京信源电子信息技术有限公司吉安分公司。
本标准主要起草人：朱倩倩、刘永东、李美桃、王晶晶、王升国、杨帆、李双、种国双、高云龙、
倪邦杰、乔思渊、魏宇飞、王新秀、李儒日、李佳秾、赵春昊、林冠辰、郭建领、李世勇、黄贵玲、
韩云、薛学琴、周永修、韩杰、马国斌。
III
引言
近年来，伴随着基础设施的改善和算法识别准确率的提升，人脸识别凭借非接触、非侵扰、采集
简单等特性，在赋能实体经济、促进产业转型、改善社会民生、提升生活质量等方面得以广泛应用。
然而，人脸识别在高速发展、改变生产生活方式的同时，也暴露出一些安全问题，其中假体人脸呈现
攻击是一种常见的安全风险。与二维假体人脸相比，三维假体人脸呈现攻击风险更大。目前三维假体
人脸作为人脸呈现攻击的一种呈现攻击工具，其在保障呈现攻击检测安全性中发挥了重要作用，但三
维假体作为呈现攻击工具，并没有统一的分类分级规范，导致各个单位和检验检测机构的测试结果不
在同一测试基准上，一定程度上阻碍了人脸识别行业的高质量发展。
本文件提出了三维假体人脸分类分级规范，明确了三维假体人脸的分类和分级要求。通过对三维
假体人脸分类分级的细化，有效规范检验检测机构、技术开发方和技术应用方等开展人脸识别系统防
三维假体人脸攻击的测试，提升人脸识别系统的防呈现攻击能力，保障人脸识别应用安全。

1
人脸识别应用三维假体人脸分类分级规范
1 范围
本文件规定了三维假体人脸分类和分级要求。
本文件适用于检验检测机构、技术开发方和技术应用方等开展人脸识别系统防三维假体人脸呈现
攻击的测试。
2 规范性引用文件
下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文
件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适
用于本文件。
GB/T 35678—2017 公共安全人脸识别应用图像技术要求
GB/T 37036.8—2022 信息技术移动设备生物特征识别第8 部分：呈现攻击检测
GB/T 41772—2022 信息技术生物特征识别人脸识别系统技术要求
GB/T 41815.1—2022 信息技术生物特征识别呈现攻击检测第１部分：框架
3 术语和定义
GB/T 37036.8—2022、GB/T 41815.1—2022 界定的以及下列术语和定义适用于本文件。
3.1
人脸识别应用face recognition applications
使用人脸识别技术来确认特定自然人或特定自然人身份的过程。
3.2
三维假体人脸3D fake face
冒充真人身份的三维人脸仿冒品，是一种呈现攻击工具（PAI）。
3.3
活体检测liveness detection
对解剖学特征、无意识或有意识的反应的度量和分析，以确定采集到的人脸样本是否来自采集端
有生命特征的人。
[来源：GB/T 41772—2022，3.18]
3.4
威胁程度threat level
在给定攻击者的知识能力、熟练程度、环境资源的情况下呈现攻击工具（PAI）威胁能力的度量。
3.5
相似度similarity
两个生物特性相似程度的一个实数，数值越大两个生物特性越相似。
3.6
反射率reflection
某一个波长照射在假体人脸上的反射能量与入射能量的比率。
2
3.7
色容差color tolerance
在单一光源下，假体人脸与对应被采集者的关键特征点的颜色偏差。
4 缩略语
下列缩略语适用于本文件。
2D：二维（Two Dimensions）
3D：三维（Three Dimensions）
NIR：近红外（Near Infrared Radiation）
PAD：呈现攻击检测（Presentation Attack Detection）
PAI：呈现攻击工具（Presentation Attack Instrument）
RGB：光学三原色（Red Green Blue）
5 概述
5.1 呈现攻击流程
呈现攻击一般分为定向呈现攻击和非定向呈现攻击。定向呈现攻击的实施者一般为生物特征识别
假冒者，目的是以特定对象为目标进行攻击；非定向呈现攻击的实施者一般为生物特征识别掩饰者，
不需要知晓特定的被攻击者生物特征，目的是为了掩饰自身的真实身份或特征。本文件主要讨论定向
呈现攻击的一般流程，见图1。活体检测是PAD 的子集，是保障人脸识别系统安全性的重要环节。
图1 定向呈现攻击流程
5.2 三维假体人脸使用原则
对人脸识别系统实施呈现攻击的威胁程度与测试人员的技能、呈现方式（如距离、角度、移动）、
光线条件、配饰（如围巾、眼镜、帽子）等外部因素相关，本文件旨在评估测试用三维假体人脸质量
的威胁程度，该因素是直接影响人脸识别系统呈现威胁程度的内部因素。
在呈现攻击检测中，一般情况下使用更多的假体人脸类型进行更多的测试次数，可以增加测试的
准确性。鉴于假体人脸作为一种人工制品，其材料和材料混合物的种类繁多，因此在假体人脸分类分
级的基础上，结合应用场景的安全风险程度，选取相应比例威胁程度等级的假体人脸作为PAI 进行防
假体攻击检测。人脸识别应用防假体攻击测试三维假体选取比例应符合附录A 的要求。
6 三维假体人脸分类
根据三维假体类型、材质类型、裁剪类型和形态类型对三维假体人脸进行分类，具体类型见表1。
表1 三维假体人脸分类
3
三维假体类型材质类型裁剪类型形态类型
仿真人脸面具
硅胶、砂岩、树脂、乳胶、石
膏、泡沫、石英砂、陶瓷、纸
质、布质等
抠洞、不抠洞——
仿真人脸头模
硅胶、砂岩、树脂、乳胶、石
膏、泡沫、石英砂、纸质、布质
等
—— 静态、动态
注1：抠洞指抠除眼睛、鼻子、嘴巴等部位。
注2：静态指面部五官不具备动作能力；动态指面部五官具备动作配合能力。
7 三维假体人脸分级
在人脸识别应用中，一般在使用摄像头拍摄及采集人脸图像的同时，结合各类活体检测技术，判
断图像是否来自真人，有效防范三维假体等类别的攻击，保证人脸信息的真实有效性。
常见的活体检测技术有RGB 活体检测、NIR 活体检测、3D 活体检测、动作活体检测、光线活体检
测等。RGB 活体检测主要通过人脸的外观图像特征及底层纹理特性进行活体判断；NIR 活体检测主要通
过不同材质对近红外光的反射率差异进行活体判断；3D 活体检测主要通过3D 结构光或TOF 原理获取
物体的深度信息或距离信息进行活体判断；动作活体检测主要通过指令动作的配合及图像特征进行活
体判断，指令动作包括但不限于点头、摇头、张嘴、眨眼等；光线活体检测又称炫彩活体检测，主要
通过屏幕颜色变化采集人脸不同反射颜色信息进行判断。
根据三维假体人脸对人脸识别系统威胁程度，三维假体人脸共分为基本级和增强级两个等级。一
般情况下，二维图像相似度越高，人脸比对的通过率越高；色容差越小、工艺精度误差越小，RGB 活
体检测和人脸比对的通过率越高；近红外光反射率差越小，NIR 活体检测通过率越高；三维数据误差
小，3D 活体检测通过率越高。各等级的要求见表2，三维假体人脸分级测试方案见附录B。
表2 三维假体人脸分级要求
对象指标
分级要求
基本级增强级
三维假体人脸
色容差色容差小色容差小
工艺精度误差工艺精度误差小工艺精度误差小
二维图像相似度二维图像相似度高二维图像相似度高
近红外光反射率差异— 近红外光反射率差异小
三维数据误差— 三维数据误差小
4
附录A
（规范性）
人脸识别应用防假体攻击测试三维假体人脸选取比例
人脸识别应用防假体攻击测试三维假体人脸选取比例见表A.1。
表A.1 人脸识别应用防假体攻击测试三维假体人脸选取比例
序号
三维假体人脸选取比例
（增强级：基本级）
典型应用场景
1 2:8 公园、居民小区等使用人脸识别技术核对人员身份
2 5:5 机场、火车站使用人脸识别技术认证比对，或入户门开锁
3 8:2 移动智能终端、应用程序使用人脸识别技术实现解锁、支付等功能
5
附录B
（资料性）
三维假体人脸分级测试方案
B.1 测试环境
除特殊规定外，测试环境要求室内环境，环境温度为15℃～35℃，光照强度为300lx～3000lx，色
温为4000K～5000K。
B.2 测试工具
温湿度计、光照计、色温照度计、色差仪、人脸比对平台、高光谱成像仪。
B.3 三维假体人脸测试
B.3.1 色容差
假体人脸与对应被采集者的8 个关键特征点（额头、左下眼睑、右下眼睑、左侧面颊、右侧面颊、
鼻尖、嘴唇、下巴）色容差见图B.1。若8 个特征点的色容差值都不大于7SDCM，则判定结果为色容差
小，否则判定结果为色容差大。色容差测试结果判定见表B.1。
图B.1 人脸关键特征点
表B.1 色容差测试结果判定
假体人脸/被采集者特征点位置测试结果判段方法判定结果
001-SZ/001
额头ΔE=6.41SDCM
ΔE≤7SDCM 色容差小
左下眼睑ΔE=6.90SDCM
右下眼睑ΔE=6.53SDCM
左侧面颊ΔE=5.79SDCM
右侧面颊ΔE=6.60SDCM
鼻尖ΔE=6.97SDCM
6
嘴唇ΔE=5.29SDCM
下巴ΔE=6.68SDCM
002-SZ/002
额头ΔE=6.79SDCM
ΔE＞7SDCM 色容差大
左下眼睑ΔE=11.59SDCM
右下眼睑ΔE=4.82SDCM
左侧面颊ΔE=8.20SDCM
右侧面颊ΔE=6.00SDCM
鼻尖ΔE=4.79SDCM
嘴唇ΔE=4.71SDCM
下巴ΔE=6.36SDCM
注：ΔE 表示色容差。
B.3.2 工艺精度误差
查看采集数据的工艺精度误差和制作假体人脸的工艺精度误差。若采集工艺精度误差ΔA≤0.1mm
和制作工艺精度误差ΔB≤0.1mm，则判定结果为工艺精度误差小，否则判定为工艺精度误差大。工艺
精度评估结果判定见表B.2。
表B.2 工艺精度评估结果判定
采集工艺精度误差制作工艺精度误差判段方法判定结果
ΔA≤0.1mm ΔB≤0.1mm ΔA≤0.1mm 且ΔB≤0.1mm 工艺精度误差小
ΔA＞0.1mm ΔB≤0.1mm
ΔA＞0.1mm ΔA≤0.1mm ΔB＞0.1mm 或ΔB＞0.1mm 工艺精度误差大
ΔA＞0.1mm ΔB＞0.1mm
注：ΔA 表示采集工艺精度误差，ΔB 表示制作工艺精度误差。
B.3.3 二维图像相似度
假体人脸与对应被采集者在同一采集设备下正面拍摄两张分辨率不低于1280*720 的彩色照片，应
满足GB/T 35678—2017 中人脸图像注册图像的要求。输入不少于3 个主流国内外人脸比对平台测试，
若人脸比对平台输出结果都为同一个人，则判定结果为二维图像相似度高，否则判定为二维图像相似
度低。二维图像相似度测试结果见表B.3。
表B.3 二维图像相似度测试结果
序号材质性别颜色
国内外人脸比对平台
A B C D E F
1 硅胶男彩色
同一个人
的可能性
极高
同一个人的
概率为
78.62%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度83%
同一个人
7
2 硅胶女彩色
同一个人
的可能性
极高
同一个人的
概率为
76.51%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
73.1%
同一个人
3 泡沫女彩色
同一个人
的可能性
极高
同一个人的
概率为
78.48%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
72.2%
同一个人
4 树脂男彩色
同一个人
的可能性
极高
同一个人的
概率为
82.88%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
63.3%
同一个人
5 树脂男彩色
同一个人
的可能性
极高
同一个人的
概率为
74.75%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度74%
同一个人
6 硅胶女彩色
同一个人
的可能性
极高
同一个人的
概率为
74.41%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
74.4%
同一个人
7 硅胶男彩色
同一个人
的可能性
较高
同一个人的
概率为
74.26%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
71.5%
同一个人
8 树脂女彩色
同一个人
的可能性
极高
同一个人的
概率为
74.95%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
79.7%
同一个人
9 树脂男彩色
同一个人
的可能性
极高
同一个人的
概率为
73.62%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
80.2%
同一个人
10 乳胶男彩色
同一个人
的可能性
极高
同一个人的
概率为
74.7%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
75.7%
同一个人
11 乳胶女彩色
同一个人
的可能性
极高
同一个人的
概率为
74.99%
两张照
片是同
一个人
同一个人的
可能性很高
无识别同一个人
12 树脂女白色
同一个人
的可能性
较高
同一个人的
概率为
74.74%
两张照
片是同
一个人
可能性一般无识别同一个人
13 布质女彩色
同一个人
的可能性
极高
同一个人的
概率为
84.09%
两张照
片是同
一个人
同一个人的
可能性很高
同一人相
似度
52.9%
同一个人
14 树脂女铜色
同一个人
的可能性
极低
同一个人的
概率为
13.13%
两张照
片不是
同一个
人
同一个人的
可能性极低
无识别
不是同一
个人
15 树脂女铜色
同一个人
的可能性
极低
同一个人的
概率为
1.56%
两张照
片不是
同一个
人
同一个人的
可能性极低
无识别
不是同一
个人
B.3.4 近红外光反射率
假体人脸材料与对应被采集者皮肤在高光谱成像仪下的780nm~1100nm 近红外反射率测试。若假体
人脸与真实皮肤在红外波段的光反射波形一致，则判定为近红外反射率差异小，否则判定为近红外反
射率差异大。假体人脸材料近红外反射率对比见图B.2，对应被采集者近红外反射率对比见图B.3,泡
沫和硅胶材质假体人脸材料近红外光反射率测试结果判定见表B.4。
8
图B.2 材料近红外反射率比对
图B.3 真人近红外反射率比对
表B.4 近红外光反射率测试结果判定
9
假体材质近红外反射率对比图判段方法判定结果
泡沫
近红外光谱波形
不一致
近红外光反射
率差异大
10
硅胶
近红外光谱波形
一致
近红外光反射
率差异小
B.3.5 三维数据误差
假体人脸与对应被采集者用同一采集设备得到两组3D 点云数据，利用Geomagic Qualify 3D 偏差
检测分析3D 点云数据误差见图B.4。若三维数据标准差ΔC≤0.8mm，则判定为三维数据误差小，否则
判定为三维数据误差大。
注：ΔC表示三维点云数据标准差
11
图B.4 3D点云数据比对