27、基于深度学习的多通道人脸呈现攻击检测

基于深度学习的多通道人脸呈现攻击检测

1. 引言

生物识别技术为访问控制提供了安全便捷的手段，其中面部生物识别因其非侵入性，成为生物认证中最便捷的方式之一。尽管人脸识别系统在许多困难数据集上已达到人类识别水平，但大多数系统仍易受到呈现攻击（PA），即欺骗攻击的影响。简单地向未受保护的人脸识别系统展示一张打印照片，就可能骗过系统。呈现攻击包括“冒充”和“混淆”身份，用于攻击的生物特征或物体称为呈现攻击工具（PAI）。

常见的攻击检测方法利用颜色、纹理、运动和生理线索等特征，但对于3D面具和部分攻击等复杂攻击的检测具有挑战性。大多数现有呈现攻击检测（PAD）方法仅适用于有限的攻击工具和可见光谱图像，在处理现实中的3D面具和其他攻击时性能不佳。随着攻击工具质量的提高，仅依靠可见光谱区分真实人脸和攻击变得更加困难。

多通道方法被提出作为替代方案，它利用不同通道的互补信息，如深度、红外和热通道，来提高PAD系统的辨别能力，使系统更难被欺骗。然而，PAD面临的一个主要问题是对未知攻击的泛化能力较差。在开发PAD系统时，难以预测所有可能的攻击，因此需要对未知攻击具有鲁棒性的系统。

为解决这些问题，提出了一种基于单类分类器的框架。该框架的核心是多通道卷积神经网络（MC - CNN），它使用特定的损失函数学习嵌入，结合预训练的LightCNN模型，仅重新训练跨多个通道的低级别特征，同时保持高级别层不变。该网络旨在为真实人脸类学习紧凑表示，同时利用判别信息进行PAD任务。

2. 相关工作

2.1 基于特征的人脸PAD方法

• 运动模式检测 ：通过检测运动模式来识别攻