基于 Fisher 向量的人脸呈现攻击检测泛化能力研究
计算机视觉与模式识别
2021-03-03 v1 信息论
机器学习
math.IT
摘要
近几十年来，生物识别系统的广泛发展暴露出若干可能降低其可信度的威胁。这些威胁即呈现攻击，可由未授权人员轻易实施以进入生物识别系统。为缓解这些安全问题，大多数人脸呈现攻击检测（Presentation Attack Detection, PAD）技术在已知呈现攻击工具（Presentation Attack Instruments, PAI）和采集条件下评估时表现出良好的检测性能，而在测试集中包含未知攻击的更具挑战性场景中则表现不佳。对于这些更现实的场景，现有算法在很多情况下难以检测未知的 PAI 种类。在本工作中，我们使用一种基于 Fisher 向量的新特征空间，该特征空间由紧凑的二值化统计图像特征（Binarised Statistical Image Features）直方图计算而来，能够从已知样本中发现语义特征子集，从而增强对未知攻击的检测。这一新表示在取自公开人脸数据库的极具挑战性的未知攻击上进行了评估，显示出有前景的结果：在存在未知攻击的情况下，BPCER100 低于 17% 且 AUC 超过 98% 均可达到。此外，通过训练有限数量的参数，我们的方法能够在跨数据集场景中达到基于深度学习的最先进（state-of-the-art）方法水平。
引用
@article{arxiv.2103.01721,
title = {On the Generalisation Capabilities of Fisher Vector based Face Presentation Attack Detection},
author = {Lázaro J. González-Soler and Marta Gomez-Barrero and Christoph Busch},
journal= {arXiv preprint arXiv:2103.01721},
year = {2021}
}
备注
11 pages, 7 figures