awesome-face-anti-spoofing

该仓库是一个关于人脸反欺骗（face anti-spoofing）领域的数据集合集，收集和整理了多个相关数据集，包括NUAA、Replay-Attack、CASIA-FASD、CASIA-MFSD、3DMAD、MSU-MFSD、Oulu-NPU和Siw等。这些数据集涵盖RGB和深度模态，涉及不同年份和规模，用于支持人脸反欺骗算法的研究和评估。合集以表格形式组织数据集信息，提供主题数量、视频数量、模态、年份、页面链接和下载链接等详细内容。

This repository is a curated dataset collection for the face anti-spoofing field, which collects and organizes multiple relevant datasets including NUAA, Replay-Attack, CASIA-FASD, CASIA-MFSD, 3DMAD, MSU-MFSD, Oulu-NPU, Siw, and others. These datasets cover RGB and depth modalities, span different years and scales, and are designed to support research and evaluation of face anti-spoofing algorithms. The collection organizes dataset information in a tabular format, providing detailed information such as the number of subjects, number of videos, modality, release year, official webpage links, and download links.

原始信息汇总

awesome-face-anti-spoofing 数据集总结

概述

这是一个关于人脸反欺骗（Face Anti-Spoofing）的收藏列表，汇集了相关算法、论文、数据集和开源库。

数据集列表

数据集名称	人数	视频数	模态	年份	页面链接	下载链接
NUAA	15	未提供	RGB	2010	http://parnec.nuaa.edu.cn/xtan/data/nuaaimposterdb.html	https://pan.baidu.com/share/init?surl=dGaMpBzwRiJYvFapmWOUkw（提取码：tqfh）
Replay-Attack	50	1200	RGB	2012	https://www.idiap.ch/dataset/replayattack	未提供
CASIA-FASD	50	600	RGB	2012	http://www.cbsr.ia.ac.cn/users/zlei/papers/ICB2012/ZHANG-ICB2012.pdf	https://pan.baidu.com/share/init?surl=tGCCKNmSEG8yIZE6_FFDew（提取码：zx7k）
CASIA-MFSD	50	600	RGB	2012	未提供	未提供
3DMAD	17	255	RGB/Depth	2013	https://www.idiap.ch/dataset/3dmad	未提供
MSU-MFSD	35	440	RGB	2015	https://www.cse.msu.edu/rgroups/biometrics/Publications/Databases/MSUMobileFaceSpoofing/index.htm	未提供
Oulu-NPU	55	5940	RGB	2017	https://sites.google.com/site/oulunpudatabase/	未提供
Siw	165	4620	RGB	2018	http://cvlab.cse.msu.edu/spoof-in-the-wild-siw-face-anti-spoofing-database.html	未提供
CASIA-SURF	1000	21000	RGB/Depth/IR	2018	https://sites.google.com/qq.com/chalearnfacespoofingattackdete/	https://pan.baidu.com/share/init?surl=ZQVS-DBLqrGKQTd_JQ0lXg（提取码：j41h）

论文与算法分类

综述

• 活体检测Face Anti-spoofing综述（知乎专栏）
• Handbook of Biometric Anti-Spoofing Chapter 9

手工特征方法

单帧方法

• LBP（局部二值模式）
• DoG（高斯差分）
• Colour Texture（颜色纹理分析）

多帧方法

• Eyeblink（基于眨眼检测）
• DMD + LBP（动态模态分解与LBP结合）
• rPPg（心率脉冲检测）

基于CNN的方法

单模态方法

• CNN
• CNN-LSTM（时序特征学习）
• Patch（基于局部块的CNN）
• rPPg+Depth（深度与心率脉冲结合）
• Micro-texture + SSD（微纹理与单次检测器）
• De-Spoofing（噪声建模）

多模态方法

• CASIA-SURF
• SENet
• FaceBag（局部特征包模型）
• FeatherNets（轻量级卷积神经网络）

开源库

• idiap Bob：https://www.idiap.ch/software/bob/

相关研究机构与个人主页

• CASIA-CBSR (Stan Z. Li)：http://www.cbsr.ia.ac.cn/Li%20Group/publicationsCH.asp
• idiap-Biometrics group (Sebastien)：https://www.idiap.ch/en/scientific-research/biometrics-security-and-privacy
• Mark S. Nixon：https://www.ecs.soton.ac.uk/people/msn#publications
• biometrics msu (Anil K. Jain)：http://biometrics.cse.msu.edu/
• cvla msu (Xiaoming Liu)：http://cvlab.cse.msu.edu/
• Yaojie Liu (刘耀杰)：https://yaojieliu.github.io/publications/

搜集汇总

数据集介绍

构建方式

在面部反欺骗研究领域，数据集的构建是算法验证的基石。本数据集整合了行业内广泛认可的多个基准数据库，包括NUAA、Replay-Attack、CASIA-FASD、3DMAD、MSU-MFSD、Oulu-NPU、Siw以及CASIA-SURF等，覆盖了从早期到近年来的代表性资源。每个数据集均包含不同数量的受试者与视频样本，模态涵盖RGB、Depth及IR，并提供了明确的发表年份、官方页面及部分下载链接。这些数据集通过精心设计的采集协议，模拟了照片、视频、面具等多种攻击类型，为研究提供了标准化的评估平台。

特点

该数据集集合体展现了显著的特点：首先，其时间跨度从2010年至2018年，反映了面部反欺骗技术的演进脉络。其次，模态多样性突出，不仅包含传统的RGB图像，还引入了深度与红外信息，支持多模态算法的开发。再者，样本规模层次分明，从小型的15人数据集到大型的1000人CASIA-SURF，适应不同研究需求。最后，攻击类型覆盖全面，包括打印攻击、重放攻击及3D面具攻击，确保了评估的鲁棒性。这些特性使得该集合成为领域内算法比较与性能验证的权威参考。

使用方法

研究人员可依据具体任务灵活选用数据集。例如，进行基础算法验证时，可选用NUAA或Replay-Attack等小型数据集；探索多模态融合时，则推荐使用CASIA-SURF或3DMAD。每个数据集均附有官方页面，提供详细的协议说明与标注格式，便于直接下载与预处理。此外，该集合还收录了开源库如idiap Bob，简化了特征提取与评估流程。论文与算法分类（如handcrafted与cnn-based）为方法复现提供了清晰的指引，用户可结合对应文献快速上手实践。

背景与挑战

背景概述

人脸活体检测（Face Anti-Spoofing）作为生物特征识别领域的关键技术，旨在抵御照片、视频或面具等伪造手段对人脸识别系统的攻击。该领域的研究可追溯至2010年，NUAA数据集的发布标志着早期探索的起点。随后，中国科学院自动化研究所（CASIA）、Idiap研究所及密歇根州立大学等国际顶尖机构相继推出CASIA-FASD、Replay-Attack、Oulu-NPU和Siw等数据集，推动算法从手工特征（如LBP、DoG）向深度学习的演进。2018年，CASIA-SURF大规模多模态数据集的出现，进一步将研究重心引向跨模态融合与复杂场景泛化。这些数据集及配套算法共同构成了人脸活体检测的基准体系，对提升人脸识别的安全性与可靠性产生了深远影响。

当前挑战

当前人脸活体检测面临多重挑战：领域问题层面，攻击手段的多样性（如高清重放、3D面具、深度伪造视频）使得单一模态或静态特征难以有效泛化，模型在真实场景中易受光照、姿态及遮挡干扰；构建过程层面，高质量数据采集成本高昂，需覆盖多模态（RGB、深度、红外）、多攻击类型及大规模主体，同时标注精确性要求极高，而现有数据集在规模、模态覆盖和场景多样性上仍存在局限。此外，跨数据集评估中的域偏移问题凸显了算法鲁棒性的不足，如何平衡模型轻量化与检测精度，成为实际部署中的核心挑战。

常用场景

经典使用场景

在生物特征识别领域，人脸防伪（Face Anti-Spoofing）是确保人脸识别系统安全性的关键环节。该数据集集合了多种经典的人脸防伪数据集，如NUAA、Replay-Attack、CASIA-FASD、Oulu-NPU等，广泛用于训练和评估基于RGB、深度和红外模态的活体检测算法。其经典使用场景包括区分真实人脸与照片、视频回放、3D面具等欺骗攻击，为模型在受控环境及复杂光照、姿态条件下的鲁棒性验证提供了标准化基准。

衍生相关工作

该数据集催生了一系列里程碑式的研究工作，例如基于局部二元模式（LBP）的纹理分析开创了手工特征防伪的先河，而CASIA-SURF数据集则推动了多模态深度学习的浪潮。后续工作如FaceBagNet通过局部特征聚合提升鲁棒性，FeatherNets以轻量级网络实现高效推理，以及De-Spoofing方法通过噪声建模逆向破解攻击模式。这些工作共同构成了从浅层学习到深度生成模型的完整技术谱系，持续引领人脸防伪领域的前沿探索。

数据集最近研究

最新研究方向

随着生物识别技术在金融支付、移动设备解锁等场景中的广泛应用，人脸防伪（Face Anti-Spoofing）已成为保障系统安全的核心挑战。当前研究前沿聚焦于多模态融合与深度学习架构的创新，例如利用RGB、深度和红外（Depth/IR）多模态数据增强攻击检测的鲁棒性，代表性工作如CASIA-SURF数据集及FeatherNets、FaceBagNet等轻量化网络。同时，基于时序动态特征（如眨眼、rPPG脉搏信号）与噪声建模的“去伪影”方法（De-Spoofing）开辟了从被动防御转向主动感知的新路径。这些进展与近年来高仿真的3D面具、视频重放攻击等安全事件紧密关联，推动学术界与工业界在Oulu-NPU、SiW等大规模基准数据集上展开激烈竞赛，其成果不仅提升了人脸识别系统的抗欺骗能力，更对构建可信身份认证生态具有里程碑意义。