利用多尺度局部二值模式特征学习深度森林进行人脸活体检测
计算机视觉与模式识别
2019-10-10 v1
摘要
人脸活体检测(FAS)对于人脸识别系统的安全性具有重要意义。卷积神经网络(CNN)已被引入FAS领域并取得了具有竞争力的性能。然而,基于CNN的方法易受对抗攻击。攻击者可生成对抗性欺骗样本以规避基于CNN的人脸活体检测器。关于对抗攻击可迁移性的研究表明,在系统层面利用基于手工特征的方法可提升安全性。因此,基于手工特征的方法值得探索。本文中,我们引入由Zhou等人提出的作为CNN替代方案的深度森林,用于FAS问题。据我们所知,这是首次尝试在FAS问题中利用深度森林。此外,我们提出重新设计表征构建方式,使用LBP描述子而非原方案中的粒度扫描机制。我们的方法取得了具有竞争力的结果。在基准数据库IDIAP REPLAY-ATTACK上,达到了0%等错误率(EER)。本工作为融合方案中提升系统级安全性提供了一个具有竞争力的选项,并为希望探索CNN之外方法的研究者提供了重要思路。
引用
@article{arxiv.1910.03850,
title = {Learning deep forest with multi-scale Local Binary Pattern features for face anti-spoofing},
author = {Rizhao Cai and Changsheng Chen},
journal= {arXiv preprint arXiv:1910.03850},
year = {2019}
}
备注
8 pages, 6 figures, submitted to Pattern Recognition Letter in December 2018