要約
顔認識技術はさまざまなアプリケーションでますます使用されていますが、顔のなりすまし攻撃に対して脆弱です。
これらのスプーフィング攻撃には、印刷された紙やモバイル デバイスの画面などの固有の 3D 構造が関与することがよくあります。
ステレオ深度カメラはこのような攻撃を効果的に検出できますが、コストが高いため、広く普及するのは制限されています。
逆に、外部キャリブレーションのない 2 センサー システムは、費用対効果の高い代替手段を提供しますが、ステレオ技術を使用して深度を計算することはできません。
この研究では、非校正システムを使用して、顔の属性を活用して視差情報を導き出し、なりすまし防止の目的で相対的な奥行きを推定することで、この課題を克服する方法を提案します。
我々は、2 つの元のセンサー モダリティに加えて、作成された視差マップを 3 番目のモダリティとして組み込む、Disparity Model という造語であるマルチモーダルのなりすまし防止モデルを導入します。
Intel RealSense ID ソリューション F455 から収集された包括的なデータセットを使用して、さまざまななりすまし攻撃に対抗する際の視差モデルの有効性を実証します。
私たちの方法は文献に記載されている既存の方法を上回り、1.71% の等誤り率 (EER)、1% の偽陽性率 (FPR) で 2.77% の偽陰性率 (FNR) を達成しました。
これらの誤差は、最良の比較方法の誤差よりもそれぞれ 2.45% と 7.94% 低くなります。
さらに、3D スプーフィング攻撃にも対処するモデル アンサンブルを導入し、1% の FPR で 2.04% の EER、3.83% の FNR を達成しました。
全体として、私たちの研究は、深度情報が不足している未校正システムにおけるスプーフィング対策という困難なタスクに対する最先端のソリューションを提供します。
要約(オリジナル)
Face recognition technologies are increasingly used in various applications, yet they are vulnerable to face spoofing attacks. These spoofing attacks often involve unique 3D structures, such as printed papers or mobile device screens. Although stereo-depth cameras can detect such attacks effectively, their high-cost limits their widespread adoption. Conversely, two-sensor systems without extrinsic calibration offer a cost-effective alternative but are unable to calculate depth using stereo techniques. In this work, we propose a method to overcome this challenge by leveraging facial attributes to derive disparity information and estimate relative depth for anti-spoofing purposes, using non-calibrated systems. We introduce a multi-modal anti-spoofing model, coined Disparity Model, that incorporates created disparity maps as a third modality alongside the two original sensor modalities. We demonstrate the effectiveness of the Disparity Model in countering various spoof attacks using a comprehensive dataset collected from the Intel RealSense ID Solution F455. Our method outperformed existing methods in the literature, achieving an Equal Error Rate (EER) of 1.71% and a False Negative Rate (FNR) of 2.77% at a False Positive Rate (FPR) of 1%. These errors are lower by 2.45% and 7.94% than the errors of the best comparison method, respectively. Additionally, we introduce a model ensemble that addresses 3D spoof attacks as well, achieving an EER of 2.04% and an FNR of 3.83% at an FPR of 1%. Overall, our work provides a state-of-the-art solution for the challenging task of anti-spoofing in non-calibrated systems that lack depth information.
arxiv情報
著者 | Ariel Larey,Eyal Rond,Omer Achrack |
発行日 | 2024-10-31 15:29:51+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google