在学习得到的类颜色空间中进行人脸呈现攻击检测
计算机视觉与模式识别
2018-11-13 v2
摘要
人脸呈现攻击检测（PAD）已成为生物识别系统中的一个棘手问题，并已提出众多对策以应对之。然而，其中大多数直接在现有颜色空间（如 RGB、HSV 与 YCbCr）中提取特征描述子并区分假脸与真脸。遗憾的是，我们无从知晓何种颜色空间最优或如何将不同空间组合。更糟的是，真脸与假脸在现有颜色空间中相互重叠。因此，本文生成一种可学习的可区分类颜色空间以应对人脸 PAD 问题。更具体地，我们提出一种端到端深度学习网络，其可将现有颜色空间映射至一个新的学习得到的类颜色空间。受生成对抗网络（GAN）生成器启发，所提网络由一个空间生成器与一个特征提取器组成。在训练该类颜色空间时，探索了一种新的点到中心三元组组合机制，以最大化类间距离并最小化类内距离，同时在真脸与呈现的假脸间保持安全间隔。在两个标准人脸 PAD 数据库（即 Relay-Attack 与 OULU-NPU）上的大量实验表明，我们提出的基于类颜色空间分析的对策显著优于最先进的方法，并展现出优异的泛化能力。
引用
@article{arxiv.1810.13170,
title = {Face Presentation Attack Detection in Learned Color-liked Space},
author = {Lei Li and Zhaoqiang Xia and Xiaoyue Jiang and Fabio Roli and Xiaoyi Feng},
journal= {arXiv preprint arXiv:1810.13170},
year = {2018}
}