基于深度学习的人脸欺骗检测
计算机视觉与模式识别
2025-11-03 v2 人工智能
摘要
数字图像欺骗已成为基于人脸识别的生物识别身份验证系统中的重要安全威胁。本研究评估了三种基于视觉的模型（MobileNetV2、ResNET50 和 Vision Transformer, ViT）在图像分类中的欺骗检测性能，利用包含 150,986 张图像的数据集进行训练、测试和验证，分别包含 140,002 张、10,984 张和 39,574 张。欺骗检测对于增强图像识别系统的安全性至关重要，本研究通过准确率、精确率、召回率和 F1 分数等指标比较了各模型的效果。结果显示，MobileNetV2 在测试数据集上优于其他模型，达到 91.59% 的准确率、91.72% 的精确率、91.59% 的召回率和 91.58% 的 F1 分数，分别与 ViT 的 86.54%、88.28%、86.54% 和 86.39% 相比。MobileNetV2 在验证数据集上表现更佳，准确率为 97.17%，略高于 ViT 的 96.36%。MobileNetV2 在训练期间收敛更快，能够更好地对未见数据进行泛化，尽管两种模型都表现出一定程度的过拟合。这些发现突显了 MobileNetV2 在安全性和可靠性方面的平衡性能和鲁棒性，使其成为欺骗检测应用的首选方案。本研究强调了在安全敏感环境中选择合适模型的重要性，并建议 MobileNetV2 可用于实际部署。
引用
@article{arxiv.2503.19223,
title = {Face Spoofing Detection using Deep Learning},
author = {Najeebullah and Maaz Salman and Zar Nawab Khan Swati},
journal= {arXiv preprint arXiv:2503.19223},
year = {2025}
}
备注
The author's school has a conflict of interest regarding the submission of this article prior to his graduation thesis submission