在
人脸识别商业化落地中，有一个重要的环节—活体检测，验证用户是否为真实活体本人在操作。活体检测可有效抵御照片、视频、面具等常见的攻击手段，帮助用户甄别欺诈行为，保障用户的利益。从实现方式可分为RGB单目活体检测、IR活体检测以及采用深度信息的活体检测。
RGB单目活体检测采用普通RGB摄像头，通过分析采集到人像的破绽如：摩尔纹、成像畸形、图像里面漏出的各种类型的边框、图像质量、反射率等，并结合分析全局特征和局部微纹理信息有效过滤假体。
近红外活体检测，则基于红外成像原理，屏幕类无法成像，可以有效过滤屏幕类攻击，纸张类可针对IR图像的纹理，颜色等特征进行活体识别。
深度信息活体检测则通过3D结构光或TOF获取3D人脸信息进行活体的有效判断。
双目摄像头组成，目前大多是一个RGB 摄像头加一个近红外摄像头。 近红外图像是灰度图，所以看上去像黑白图，它有自身特点，对于手机等反光材质难以成像，所以可以防止重放类攻击（视频或者照片）。此外如果活体检测算法方面对于近红外成像有进一步分析，可以发现对于人脸肤质的成像与非人脸的材质的成像有一定区别，以此可以杜绝面具、头套类型攻击。最后还可以利用两个摄像头成像的相关性分析，进一步判决活体与否。而对于单目RGB摄像头，一般只能通过配合式活体检测（根据指示做相应动作）来进行活体检测，这在用户体验上差了很多，而且对于算法要求很高，其精确度也难以比上双目方案。所以具有近红外摄像头的双目摄像头模组，在活体检测方面的作用是远大于普通单目彩色摄像头。
目前
人脸识别，根据人脸底库存放的位置不同，分为两种方案。一个是本地识别，如手机端的刷脸解锁、支付等，这种情况一般是1:1的人脸认证，人脸底注册照存于前端。由于手机等设备的消费电子类特性，其很可能在黑暗、被窝等暗环境使用。这就要求其人脸方案具有很强的光照性。因此，手机产品的人脸识别，最佳方案是基于红外摄像头的人脸方案。即人脸注册和
人脸识别（人脸特征提取）采用IR图片。而在这之前的人脸活体检测，如果单靠一个红外摄像头，防范的攻击类型有限（对于面具、头套、特殊处理的灰度照片等防范效果不佳），所以一般都要采用3D摄像头 （结构光、TOF等）。利用3D摄像头输出的IR+DEPTH图完成活体检测，用IR图完成人脸识别。 第二是本地活体检测+云端人脸识别，如支付宝、微信的金融刷脸支付设备等。这种情况，人脸注册的底库照片一般存于云端服务器（收单机构的服务器中），而且这类照片一般是彩色照片（如身份证照片、证件照等），这就意味着人脸特征提取和识别必须在云端完成，且采集照需要是彩色RGB照片。这种情况下，双目摄像头在成本上更加让人接受。通过RGB+IR图完成本地活体检测，并截取RGB图片上送云端做特征提取和人脸比对，比对结果返回终端完成支付流程。这种支付类场景，一般不会在暗环境进行，所以RGB摄像头可以派上用场，故其活体检测可以认为有2张有效图片，精度也会稍高。
