[論文レビュー] Introduction to Presentation Attack Detection in Face Biometrics and Recent Advances

Javier Hernandez‐Ortega, Julián Fiérrez+2 more|arXiv (Cornell University)|Nov 23, 2021

Biometric Identification and Security被引用数 5

ひとこと要約

本論文は、顔バイオメトリクスにおけるプレゼンテーションアタック検出（PAD）について包括的な紹介を提供し、印刷された写真、動画、マスクなどの一般的な攻撃タイプをレビューし、最先端のPAD技術を評価している。現在の手法がDeepfakesのような新しい攻撃に対して限界を示すことを強調し、耐性と一般化性能を向上させるためにマルチモーダル統合と生物学的にインspiredな特徴量の活用を提唱している。

ABSTRACT

The main scope of this chapter is to serve as an introduction to face presentation attack detection, including key resources and advances in the field in the last few years. The next pages present the different presentation attacks that a face recognition system can confront, in which an attacker presents to the sensor, mainly a camera, a Presentation Attack Instrument (PAI), that is generally a photograph, a video, or a mask, to try to impersonate a genuine user. First, we make an introduction of the current status of face recognition, its level of deployment, and its challenges. In addition, we present the vulnerabilities and the possible attacks that a face recognition system may be exposed to, showing that way the high importance of presentation attack detection methods. We review different types of presentation attack methods, from simpler to more complex ones, and in which cases they could be effective. Then, we summarize the most popular presentation attack detection methods to deal with these attacks. Finally, we introduce public datasets used by the research community for exploring vulnerabilities of face biometrics to presentation attacks and developing effective countermeasures against known PAIs.

研究の動機と目的

• 本分野の研究者にとって、顔バイオメトリクスにおけるプレゼンテーションアタック検出（PAD）の基礎的概要を提供すること。
• 印刷された写真、動画、マスクを含む一般的なプレゼンテーションアタック機器（PAI）を特定・分類し、その有効性を評価すること。
• 既存のPAD技術をレビュー・比較し、生体認証検出とマルチモーダルアプローチに重点を置くこと。
• PAD研究の進展とシステムの耐性評価に不可欠な公開データセットの重要性を強調すること。
• Deepfakesのような新たな挑戦に直面した際の今後の研究方向性を提示し、より強固なPADシステムの構築を提言すること。

提案手法

• 攻撃の複雑さとスプーフィング手法に基づいてPAIを分類：静止画像、動画リプレイ、3次元マスク、およびDeepfakesのような合成メディア。
• テクスチャ、動き、生理的信号（例：血流、赤外線パターン）を分析するPAD技術を調査し、生きた顔と偽物の顔を区別する。
• PADと顔認識システムを統合することで意思決定の正確性を向上させるための統合戦略（逐次的および並列的）を評価する。
• 特に未知のPAIタイプに対して効果を発揮するように、深層学習と転移学習の活用を提案する。
• 現実世界の攻撃状況をカバーするため、新たな多様なデータベースの開発を提言する。
• 従来のテクスチャや動きに基づく手法とは対照的に、生物学的・生理的特徴（例：赤外線画像、脈拍検出）が有望な代替手法であることを強調する。

実験結果

リサーチクエスチョン

• RQ1 顔バイオメトリクスシステムにおいて、最も一般的で効果的なプレゼンテーションアタックのタイプは何か？
• RQ2 現在のPAD技術は、訓練時とは異なる条件でテストされた場合、さまざまなPAIタイプに対してどの程度の性能を示すか？
• RQ3 Deepfakesのような高度なスプーフィング手法に対して、既存のPAD手法にどのような限界があるか？
• RQ4 複数のPAD技術を統合することで、多様な攻撃に対して耐性と一般化性能がどのように向上するか？
• RQ5 血流や熱画像パターンのような生物学的にインspiredな特徴量は、従来の手法と比較してPAD性能にどのような貢献を果たすか？

主な発見

• PAD対策が講じられていない場合、顔認識システムは印刷された写真、動画リプレイ、3次元マスクなどのプレゼンテーションアタックに対して極めて脆弱である。
• 多くのPAD技術は特定のPAIタイプ（例：印刷された写真）に対しては有効であるが、動画リプレイやDeepfakesなどの他のスプーフィング手法に対しては失敗する。
• 特に逐次的および並列的アーキテクチャを用いた複数のPAD技術の統合は、多様な攻撃タイプにわたる検出性能を顕著に向上させる。
• 深層学習と転移学習は、微細または新しいスプーフィング手法の検出において、顕著な精度向上を示している。
• 血流や熱画像パターンのような生理的特徴量は、高品質な合成攻撃に対して、従来のテクスチャや動きに基づく手法とは対照的に有望な代替手段を提供する。
• 多様で現実世界の攻撃状況をカバーするデータベースの不足は、PADシステムの一般化能力を制限しており、代表的で新たなデータセットの開発が急務であることを示している。