[논문 리뷰] A database for face presentation attack using wax figure faces

Shan Jia, Chuanbo Hu외 2명|arXiv (Cornell University)|2019. 06. 06.

Biometric Identification and Security참고 문헌 31인용 수 6

한 줄 요약

이 논문은 얼굴 인식 시스템의 3차원 제시 공격에 대한 취약성을 평가하기 위해 4,500명의 주제에서 촬영한 고해상도 실물 및 초현실적인 왁스 초상화 얼굴 이미지 4,400장을 포함하는 공개된 첫 번째 왁스 초상화 얼굴 데이터베이스(WFFD)를 소개한다. 실험 결과, 최신 얼굴 인식 시스템과 제시 공격 탐지(PAD) 방법이 실물 얼굴과 왁스 초상화 얼굴을 구분하는 데 어려움을 겪으며, 최대 47.24%의 ACER 값을 기록함으로써 매우 현실적인 3차원 위조 공격의 위협성을 입증한다.

ABSTRACT

Compared to 2D face presentation attacks (e.g. printed photos and video replays), 3D type attacks are more challenging to face recognition systems (FRS) by presenting 3D characteristics or materials similar to real faces. Existing 3D face spoofing databases, however, mostly based on 3D masks, are restricted to small data size or poor authenticity due to the production difficulty and high cost. In this work, we introduce the first wax figure face database, WFFD, as one type of super-realistic 3D presentation attacks to spoof the FRS. This database consists of 2200 images with both real and wax figure faces (totally 4400 faces) with a high diversity from online collections. Experiments on this database first investigate the vulnerability of three popular FRS to this kind of new attack. Further, we evaluate the performance of several face presentation attack detection methods to show the attack abilities of this super-realistic face spoofing database.

연구 동기 및 목표

• 얼굴 인식 시스템(FRS) 보안 평가를 위한 대규모이고 초현실적인 3차원 제시 공격 데이터베이스의 부족을 보완하기 위해.
• 초현실적인 왁스 초상화 얼굴을 이용한 공격 조건에서 인기 있는 얼굴 인식 시스템의 취약성을 조사하기 위해.
• 기존의 얼굴 제시 공격 탐지(PAD) 방법이 새로운 초현실적인 3차원 공격 방식에 대해 얼마나 효과적인지 평가하기 위해.
• 최신 왁스 초상화 기술이 현재 생체인식 보안 시스템에 미치는 위협을 입증하기 위해.

제안 방법

• WFFD 데이터베이스는 450명의 주제에서 실물 얼굴과 왁스 초상화 얼굴의 고해상도 이미지를 사용하여 구축되었다.
• 이미지는 공개된 왁스 초상화 박물관 등을 포함한 다양한 출처에서 확보되었으며, 연령, 민족, 자세, 표정, 조명 및 카메라 종류 등에 걸쳐 높은 다양성을 확보하였다.
• 왁스 초상화 위조 공격에 대한 취약성을 평가하기 위해 세 가지 유명한 얼굴 인식 모델(ResNet-50, VGG-16, ResNet-50 기반 방법)을 WFFD에서 평가하였다.
• 다양한 평가 프로토콜에서 일곱 가지 최신 PAD 방법—다중 척도 LBP, 색상 LBP, Haralick 특징, 반사도, 다중 수준 LPQ, 딥 러닝 기반 모델—을 테스트하였다.
• 세 가지 평가 프로토콜을 정의하였다: 프로토콜 I(다른 카메라 및 환경), 프로토콜 II(동일한 카메라 및 환경), 프로토콜 III(다른 데이터셋 테스트).
• 성능 측정은 등오차율(EER), 공격 제시 분류 오차율(APCER), 최적 성능 분류 오차율(BPCER), 평균 분류 오차율(ACER)을 사용하였다.

실험 결과

연구 질문

• RQ1 초현실적인 왁스 초상화 얼굴을 이용한 위조 공격에 대해 인기 있는 얼굴 인식 시스템은 얼마나 취약한가?
• RQ2 다양한 촬영 조건에서 기존의 얼굴 제시 공격 탐지(PAD) 방법이 실물 얼굴과 왁스 초상화 얼굴을 얼마나 잘 구분하지 못하는가?
• RQ3 실제로 더 높은 현실성과 환경 일관성이 증가함에 따라 PAD 방법의 성능은 다양한 평가 프로토콜에서 어떻게 변화하는가?
• RQ4 딥 러닝 기반 PAD 방법이 수작업 특징 기반 방법에 비해 초현실적인 3차원 위조 공격에 대해 뛰어난 탐지 성능을 달성할 수 있는가?
• RQ5 WFFD 데이터베이스의 전체 공격 능력은 현재 생체인식 보안 시스템을 얼마나 도전적으로 만들 수 있는가?

주요 결과

• ResNet-50 기반 PAD 방법이 모든 프로토콜에서 가장 뛰어난 성능을 보였으며, 프로토콜 I에서 ACER 19.27%, 프로토콜 II에서 21.83%, 프로토콜 III에서 20.04%를 기록하였다.
• 반사도 기반 방법이 가장 열악한 성능을 보였으며, 프로토콜 III에서 ACER 46.11%를 기록하여 왁스 초상화 공격에 대한 일반화 능력이 떨어지는 것으로 나타났다.
• 평균적으로 PAD 방법은 ACER 값이 20.04%에서 47.24% 사이로 나타나, WFFD 데이터베이스에 대해 상당한 탐지 실패 비율을 보였다.
• 성능 저하가 가장 심각하게 나타난 것은 프로토콜 II였으며, 실물과 왁스 초상화 얼굴이 동일한 조건에서 촬영되어 더 높은 EER 및 ACER 값을 기록하였다.
• VGG-16 기반 방법은 성능이 열악하여 프로토콜 III에서 ACER 47.24%를 기록하였으며, 기존 데이터셋에서 학습된 딥 러닝 모델이 새로운 초현실적인 위조 아티팩트에 노출되었을 때의 한계를 보여주었다.
• 결과적으로 왁스 초상화 얼굴은 인간의 피부와 유사한 현실성과 재질을 지녀 현재의 FRS 및 PAD 시스템에 강력한 위협을 가하고 있음을 확인하였다.