基于帧跳过的深度集成学习用于人脸活体检测
计算机视觉与模式识别
2023-07-12 v2
摘要
人脸呈现攻击（PA），也称为欺骗攻击，对依赖人脸识别系统的生物识别系统（如门禁系统、移动支付和身份验证系统）构成重大威胁。为降低欺骗风险，文献中已提出若干基于视频的方法，用于分析连续视频帧中的面部运动。然而，估计相邻帧之间的运动是一项具有挑战性的任务，且需要较高的计算成本。本文将人脸活体检测任务重新表述为运动预测问题，并引入一种带有帧跳过机制的深度集成学习模型。具体而言，所提出的帧跳过采用均匀采样方法，将原始视频划分为固定大小的视频片段。通过这种方式，选取片段中每第 n 帧，以确保在训练三个不同的循环神经网络（RNN）期间能够轻易感知时间模式。受各 RNN 个体性能启发，开发了一个元模型，通过结合各 RNN 的预测来提升整体检测性能。在四个数据集上进行了大量实验，在最具挑战性的跨数据集测试场景下，使用半总错误率（HTER）在 MSU-MFSD（3.12%）、Replay-Attack（11.19%）和 OULU-NPU（12.23%）数据库上取得了最先进的性能。
引用
@article{arxiv.2307.02858,
title = {Deep Ensemble Learning with Frame Skipping for Face Anti-Spoofing},
author = {Usman Muhammad and Md Ziaul Hoque and Mourad Oussalah and Jorma Laaksonen},
journal= {arXiv preprint arXiv:2307.02858},
year = {2023}
}