A ROBUST ACTIVE-BASED FACE SPOOF DETECTION FOR FACE RECOGNITION SYSTEMS

Abstract

Yüz tanıma sistemlerinin çeşitli gerçek yaşam durumlarında ve uygulamalarında artan oranda konuşlandırılmasıyla birlikte, ortaya çıkan çeşitli sahtekarlık yaklaşımları ile saldırganların çabaları da artıyor. Bu nedenle, sağlam bir sahtecilik algılama tekniğinin geliştirilmesi çok önemlidir. Aktif tabanlı teknikler, sahtekarlık tespiti görevinde sağlam olduklarını kanıtlamış olsalar da, müdahalecilik, yüksek maliyet, hesaplama karmaşıklığı, düşük genelleme yeteneği ve çoğu ekstra donanım gerektiren sorunlarla karşı karşıyadırlar. Bu çalışma, diğer aktif tabanlı yaklaşımlardan daha az müdahaleci, daha az pahalı, düşük karmaşıklık, daha yüksek genelleme kabiliyetine sahip, çeşitli ortam biçimlerini veya 2B saldırıları tespit edebilen aktif tabanlı sağlam bir sahtekarlık algılama tekniği önerdi. Ekstra donanım gerektirmez ve bu nedenle mevcut sistemlere kolayca uyum sağlar. Sahtekarlık tespiti, kameradan farklı mesafelerde yakalanan kullanıcının yüzünün Video karelerindeki bozulma değişiklikleri analiz edilerek elde edilir. Gerçek dünyadaki yüz fotoğrafı ve video verileri de toplandı ve hem meşru hem de sahte saldırı veri setini oluşturmak için kullanıldı. Hem makine öğrenimi sınıflandırıcılarını hem de derin öğrenme modelini kullanan önerilen yaklaşım, sırasıyla 0,23 ve 0,021 kadar düşük EER ve HTER ile %98,18'e kadar yüksek bir doğrulukla yanıltıcı algılama elde etti.With increasing rate of deployment of face recognition systems in various real life cases and applications, efforts by attackers is also on the rise with variety of spoofing approaches emerging. Hence, the development of a robust spoof detection technique is crucial. Although active-based techniques have proven robust in the task of spoof detection, they are faced with the problem of intrusiveness, high cost, computational complexity, low generalization ability and most of which require extra hardware. This study proposed an active-based robust spoof detection technique capable of detecting diverse forms of media or 2D attacks, yet, less intrusive, less expensive, low complexity, higher generalization ability than other active-based approaches. It does not require extra hardware and so can easily fit into existing systems. Spoof detection is achieved by analyzing the distortion changes of Video frames of user's face captured at different distances from the camera. Real-world facial photo and video data were also collected and used to generate both the legitimate and spoof attacks dataset. Utilizing both machine learning classifiers and deep learning model, the proposed approach achieved spoof detection with accuracy as high as 98.18%, with EER and HTER as low as 0.23 and 0.021 respectively.