基于多通道自编码器特征域适应的鲁棒人脸防伪
计算机视觉与模式识别
2019-07-10 v1
摘要
尽管过去十年中人脸识别系统的性能显著提升，但已被证明极易受到呈现攻击（欺骗）的攻击。人脸呈现攻击检测（PAD）领域的研究大多集中于提升系统在单一数据库内的性能。人脸 PAD 数据集通常使用 RGB 相机采集，且真实样本和呈现攻击工具的数量都非常有限。在此类数据上训练人脸 PAD 系统会导致性能不佳，即使在闭集场景下也是如此，尤其是在涉及复杂攻击时。我们探索了两条路径来提升人脸 PAD 系统应对挑战性攻击的性能。第一，使用多通道（RGB、深度和近红外）数据，这类数据在众多量产设备中仍易于获取。第二，我们开发了一种新颖的基于自编码器+多层感知机（MLP）的人脸 PAD 算法。此外，我们未收集更多数据来训练所提深度架构，而是提出了域适应技术，将面部外观知识从 RGB 域迁移到多通道域。我们还证明，学习面部各区域的特征比从整张人脸学习的特征更具判别性。所提系统在最近公开的、包含多种呈现攻击的多通道 PAD 数据库上进行了测试。
引用
@article{arxiv.1907.04048,
title = {Domain Adaptation in Multi-Channel Autoencoder based Features for Robust Face Anti-Spoofing},
author = {Olegs Nikisins and Anjith George and Sebastien Marcel},
journal= {arXiv preprint arXiv:1907.04048},
year = {2019}
}
备注
8 pages, 7 figures, To appear in International Conference on Biometrics, ICB 2019