6、基于现成深度特征多分类器融合的人脸呈现攻击检测

基于现成深度特征多分类器融合的人脸呈现攻击检测

1. 引言

随着人脸识别应用的指数级增长，人脸识别设备的呈现攻击（或直接攻击）安全问题日益凸显。尤其是人脸识别应用在智能手机身份验证中的广泛部署，若手机被盗或丢失，攻击者在无人监管的情况下有更多机会进行攻击。呈现攻击的目的是通过展示合法用户的人脸伪造物（如打印照片、电子设备显示的照片、3D打印面具等）来欺骗人脸识别系统。因此，呈现攻击检测（PAD）对于提高生物识别应用的安全性和可靠性至关重要。

目前，人脸呈现攻击检测算法在文献中得到了广泛研究，主要分为基于硬件和基于软件的方法：
- 基于硬件的方法 ：能提供较高的攻击检测准确率，但需要额外的硬件组件和成本，例如多光谱成像、挑战 - 响应、特殊成像传感器等。
- 基于软件的方法 ：通过处理捕获的人脸图像来识别伪造物，成本较低且易于集成到现有系统中，但在检测不同类型的呈现攻击工具时可能不够通用。其中，基于纹理的特征在人脸PAD中应用较为广泛，如局部二值模式（LBP）及其变体。

在智能手机环境下，人脸呈现攻击检测更为困难，因为低成本的打印和电子显示攻击容易实施且系统易受攻击。此前在OULU - NPU数据集上进行的广泛评估表明，多种算法在不同评估协议下的性能较低，这可能是由于数据集具有挑战性以及评估协议旨在测试算法的泛化能力。

为解决智能手机环境下的人脸呈现攻击检测问题，本文提出了一种基于多分类器融合的深度特征方法。该方法使用预训练的AlexNet深度卷积神经网络学习深度特征，并采用Soft - Max和谱回归核判别分析（SRKDA）两种分类器进行分类，最后使用加权求和规则融