TrainingDataPro/asian-people-liveness-detection-video-dataset

Biometric Attack Dataset, Asian People数据集是一个用于面部反欺骗和面部识别的数据集，包含亚洲人的图像和视频。数据集包含超过30,600张照片和视频，涉及15,300人，来自32个国家，涵盖了南亚、东亚和中亚的族群。数据集通过提供特定族群的数据来增强模型的性能。视频是通过捕捉真实个体的面部表情来收集的，数据集提出了一种新的方法来学习和检测欺骗技术，从真实面部图像中提取特征以防止虚假用户获取此类信息。数据集包含不同分辨率、视角和颜色的图像和视频，为研究反欺骗技术的研究人员提供了全面的资源。数据集还探索了使用神经网络架构来促进面部不同区域的区分模式和纹理的识别，从而提高反欺骗模型的准确性和泛化能力。

The Biometric Attack Dataset, Asian People is a dataset dedicated to facial anti-spoofing and facial recognition tasks, encompassing images and videos of Asian individuals. It comprises over 30,600 photos and videos, involving 15,300 participants from 32 countries, covering ethnic groups across South Asia, East Asia and Central Asia. By providing data from specific ethnic groups, this dataset helps enhance the performance of related models. The videos are collected by capturing facial expressions of real individuals, and the dataset proposes a novel approach for learning and detecting spoofing techniques, extracting features from real facial images to prevent unauthorized users from acquiring such information. The dataset includes images and videos with varying resolutions, viewing angles and color profiles, offering a comprehensive resource for researchers investigating facial anti-spoofing technologies. Additionally, the dataset explores the application of neural network architectures to facilitate the recognition of discriminative patterns and textures across different facial regions, thereby improving the accuracy and generalization capability of anti-spoofing models.

原始信息汇总

Biometric Attack Dataset, Asian People

数据集概述

• 类型: 包含照片和视频
• 对象: 15,300名亚洲人
• 数量: 超过30,600个文件
• 来源国家: 32个国家
• 族群: 南亚、东亚和中亚

数据集用途

• 用于提升针对特定族群的模型性能，特别是在面部反欺骗技术方面。

文件类型

• 照片: 个人自拍
• 视频: 个人真实视频

数据集特点

• 包含多种分辨率、视角和颜色的真实人类图像和视频。
• 探索使用深度神经网络识别面部不同区域的独特模式和纹理。

商业使用

• 完整版数据集包含30,600个文件，可通过TrainingData购买。

元数据

• assignment_id: 媒体文件的唯一标识符
• worker_id: 个人的唯一标识符
• age: 年龄
• true_gender: 性别
• country: 国家
• ethnicity: 族裔
• video_extension: 视频扩展名
• video_resolution: 视频分辨率
• video_duration: 视频时长
• video_fps: 视频每秒帧数
• photo_extension: 照片扩展名
• photo_resolution: 照片分辨率

统计信息

• 提供数据集的统计图表，详细信息未在README中具体说明。

内容组织

• 数据集包含10个文件夹，每个文件夹对应一个人，包含1张照片和1个视频。
• 包含一个.csv文件，提供关于文件和人员的详细信息。

文件信息

• id: 个人ID
• selfie_link: 照片链接
• video_link: 视频链接
• age: 年龄
• country: 国家
• gender: 性别
• video_extension: 视频扩展名
• video_resolution: 视频分辨率
• video_duration: 视频时长
• video_fps: 视频每秒帧数
• photo_extension: 照片扩展名
• photo_resolution: 照片分辨率

搜集汇总

数据集介绍

构建方式

本数据集聚焦于亚洲人群的活体检测领域，旨在应对人脸识别系统中日益严峻的欺骗攻击挑战。其构建过程基于一种创新性方法，通过采集真实个体的面部呈现视频，并同步记录其展示欺骗样本的过程，从而实现对活体与伪造特征的深度区分。数据集包含来自32个国家的15,300名亚洲个体，共计30,600余张照片与视频，覆盖南亚、东亚及中亚等多元族裔。所有媒体文件均以结构化形式组织，每名参与者对应一个独立文件夹，内含一张自拍照片与一段真实视频，并辅以CSV文件提供年龄、性别、国家、视频分辨率、帧率等元数据，为模型训练提供了严谨的配对样本与丰富的标注信息。

特点

该数据集的核心特点在于其专为亚洲人群设计的针对性，弥补了现有活体检测数据集在族裔多样性上的不足。媒体文件涵盖了多种分辨率、视角与色彩条件，增强了模型在真实场景下的泛化能力。数据集不仅包含真实人脸影像，还引入了通过面部呈现方式制造的欺骗样本，使模型能够从不同面部区域的纹理与模式中提取判别性特征。此外，数据集利用深度神经网络架构，探索了区分活体与伪造图像的细微差异，从而提升了反欺骗模型的准确性与鲁棒性。其全面的元数据统计（如年龄分布、国家来源）进一步支持了细粒度的分析与评估。

使用方法

该数据集适用于多种计算机视觉任务，包括视频分类、图像分类、目标检测及特征提取等。研究人员可直接利用提供的照片与视频对进行活体检测模型的训练与验证，通过CSV文件中的元数据（如年龄、性别、国家）进行分组分析或偏见评估。数据集支持监督学习范式，其中真实样本作为正例，欺骗样本作为负例，便于构建二分类模型。同时，其广泛的媒体文件类型与分辨率变化可被用于测试模型对输入质量波动的鲁棒性。对于商业用途，完整版本（含50,000余套文件）可通过指定网站申请获取，以支持更大规模的研究与部署需求。

背景与挑战

背景概述

在生物特征识别技术迅猛发展的当下，人脸活体检测作为抵御演示攻击（如照片、视频重放等）的核心防线，其可靠性与泛化能力直接关乎身份认证系统的安全。然而，现有公开数据集多聚焦于跨种族场景，针对亚洲人群——尤其是南亚、东亚与中亚族裔——的精细化活体检测数据极为匮乏，导致模型在此类人群上的表现存在显著偏差。为弥合这一鸿沟，TrainingDataPro团队于近期发布了亚洲人脸活体检测视频数据集，该数据集汇集了来自32个国家的15,300名亚洲个体的30,600余份图像与视频样本，涵盖多样化的分辨率、视角与肤色。研究团队通过捕捉真实个体呈现伪造媒介（如屏幕翻拍）时的面部动态，创新性地利用深度神经网络从真实人脸中提取判别性纹理与区域特征，以增强模型对攻击模式的识别能力。该数据集不仅为提升亚洲族群的人脸防欺骗性能提供了关键资源，也推动了跨种族活体检测公平性的研究进展。

当前挑战

当前该数据集面临的核心挑战包括：首先，在领域问题层面，活体检测技术需应对日益复杂的演示攻击手段，如高分辨率屏幕翻拍与3D面具，这些攻击能有效模仿真实人脸的纹理与动态特征，传统基于纹理或运动线索的检测方法在此类场景下泛化能力不足。其次，构建过程中遭遇多重困难：数据采集需在受控与自然光照条件下同步捕捉真实人脸及多种攻击媒介（如手机、平板屏幕），确保样本覆盖不同设备型号与显示质量；此外，标注工作面临精细度难题，需为每段视频标注攻击类型、分辨率、帧率等元信息，而来自32个国家的参与者因文化差异导致的面部表情与动作多样性，进一步增加了数据标准化与质量控制的门槛。最后，数据集仅包含亚洲族群，虽提升了针对性，却也限制了模型在多族群联合训练时的平衡性，如何在不牺牲特定族群精度的前提下实现跨种族迁移，仍是亟待突破的瓶颈。

常用场景

经典使用场景

该数据集专为面部活体检测与反欺骗研究设计，聚焦于亚洲人群（包括南亚、东亚及中亚）的生物特征攻击场景。其核心应用在于训练和评估深度学习模型，以区分真实人脸与通过照片、视频等媒介呈现的欺骗性攻击。数据集包含超过30,600张图像与视频，涵盖15,300名来自32个国家的个体，并提供了多分辨率、多视角及多种光照条件下的样本，从而为构建鲁棒的活体检测系统提供了丰富的训练素材。研究者常利用该数据集进行跨种族或单一种族内部的模型泛化能力测试，尤其针对亚洲面部特征的欺骗检测任务，以弥补现有数据集在种族多样性上的不足。

实际应用

在实际应用中，该数据集赋能金融、安防及移动设备等领域的活体检测系统。例如，在手机人脸解锁或远程银行身份验证中，模型需实时识别屏幕翻拍或3D面具等攻击手段。数据集提供的多样化亚洲人脸样本，使部署于亚洲市场的系统能更精准地抵御本地化的欺骗攻击，降低误报与漏报率。此外，其视频数据支持动态活体检测，可应用于出入境安检或在线教育监考等场景，通过分析面部微表情与运动连续性来增强安全性。该数据还促进了低资源环境下的轻量级模型开发，适用于边缘计算设备。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于深度神经网络的纹理特征提取方法（如局部二值模式与深度特征融合）、时序注意力机制的视频活体检测模型，以及面向跨种族场景的域自适应算法。研究者利用其丰富的元数据（如年龄、性别、国家）构建了公平性评估框架，揭示了人口统计学属性对活体检测性能的影响。此外，部分工作将该数据集与通用种族数据集联合训练，提出了多任务学习框架，同时优化活体检测与人脸识别任务。这些成果不仅推动了反欺骗技术的理论进展，也为工业界部署可解释、高鲁棒性的活体检测系统提供了实践指导。