从数据采样视角看人脸活体检测
计算机视觉与模式识别
2022-08-30 v1
摘要
若不部署人脸活体检测对策，人脸识别系统可被出示真实用户的打印照片、视频或硅胶面具所欺骗。因此，人脸呈现攻击检测（PAD）在为数字设备提供安全人脸访问方面起着至关重要的作用。现有大多数基于视频的 PAD 对策缺乏应对视频中长距离时间变化的能力。此外，在特征提取步骤之前的关键帧采样在人脸活体检测领域尚未被广泛研究。为缓解这些问题，本文通过提出一种基于高斯加权函数建模长距离时间变化的视频处理方案，提供了一种数据采样方法。具体而言，所提方案基于 t 帧的高斯加权求和，将视频序列的连续 t 帧编码为单张 RGB 图像。仅使用数据采样方案本身，我们证明了在三个公开基准数据集（即 Replay-Attack、MSU-MFSD 与 CASIA-FASD）的库内与跨库测试场景中，无需任何额外修饰即可达到当前最优性能。特别地，相较于基线，所提方案在跨库场景中提供了低得多的错误率（CASIA-FASD 上从 15.2% 降至 6.7%，Replay-Attack 上从 5.9% 降至 4.9%）。
引用
@article{arxiv.2208.13164,
title = {Face Anti-Spoofing from the Perspective of Data Sampling},
author = {Usman Muhammad and Mourad Oussalah},
journal= {arXiv preprint arXiv:2208.13164},
year = {2022}
}