[논문 리뷰] Anisotropic Diffusion-based Kernel Matrix Model for Face Liveness Detection

Changyong Yu, Yunde Jia|arXiv (Cornell University)|2017. 07. 10.

Biometric Identification and Security참고 문헌 18인용 수 5

한 줄 요약

이 논문은 얼굴 생체인식의 스푸핑 공격(사진, 영상, 마스크 등)에 대한 취약성을 해결하고자, 에지 강화된 이방성 확산과 커널 매트릭스 특징 추출(D-K 특징)을 결합한 이방성 확산 기반 커널 매트릭스 모델(ADKMM)을 제안한다. 이를 통해 일반화된 다중 커널 학습을 이용해 수동 특징과 딥 뉘런 웹 특징을 융합한다. 이 방법은 NUAA에서 99.3%의 정확도와 Replay-Attack에서 4.30%의 HTER를 기록하며 최신 기술들을 능가한다.

ABSTRACT

Facial recognition and verification is a widely used biometric technology in security system. Unfortunately, face biometrics is vulnerable to spoofing attacks using photographs or videos. In this paper, we present an anisotropic diffusion-based kernel matrix model (ADKMM) for face liveness detection to prevent face spoofing attacks. We use the anisotropic diffusion to enhance the edges and boundary locations of a face image, and the kernel matrix model to extract face image features which we call the diffusion-kernel (D-K) features. The D-K features reflect the inner correlation of the face image sequence. We introduce convolution neural networks to extract the deep features, and then, employ a generalized multiple kernel learning method to fuse the D-K features and the deep features to achieve better performance. Our experimental evaluation on the two publicly available datasets shows that the proposed method outperforms the state-of-art face liveness detection methods.

연구 동기 및 목표

• 사진, 영상, 마스크 등을 이용한 스푸핑 공격에 취약한 얼굴 생체인식의 문제를 해결하기 위해.
• 얼굴 영상 시퀀스에서 표면 성질의 차이와 시간적 상관관계를 모델링하여 검출 성능을 향상시키기 위해.
• 에지 세부 정보와 영상 시퀀스 내부의 본질적 관계를 모두 포착할 수 있는 강건한 특징 추출 방법을 개발하기 위해.
• 일반화된 다중 커널 학습을 통해 수동 특징(D-K 특징)과 딥 뉘런 웹 특징을 융합하여 성능을 향상시키기 위해.

제안 방법

• K=15와 λ=0.15를 사용한 기울기 기반 확산 계수를 적용한 이방성 확산을 얼굴 영상 시퀀스에 적용하여 에지와 경계 정보를 강화한다.
• 커널 매트릭스 모델이 확산된 이미지에서 D-K 특징을 추출하여 시퀀스 전반의 내부 상관관계를 포착한다.
• 컨볼루션 신경망이 확산된 이미지에서 딥 특징을 추출하여 D-K 특징을 보완한다.
• 일반화된 다중 커널 학습(GMKL)이 D-K 특징과 딥 특징을 융합하며, 계수는 0.5로 초기화하고 RBF 커널의 λ는 0.5로 고정한다.
• NUAA에서 최적 성능을 내기 위해 L=15회 반복을 사용하며, 두 개의 공개 데이터셋에서 검증한다.
• 정확도와 반총오류율(HTER)을 사용해 성능을 평가하며, HTER = (FAR + FRR)/2로 정의된다.

실험 결과

연구 질문

• RQ1 이방성 확산이 얼굴 영상에서 에지 및 경계 특징을 효과적으로 강화하여 생체성 검출 성능을 향상시킬 수 있는가?
• RQ2 커널 매트릭스 모델링을 통해 유도된 D-K 특징이 얼굴 영상 시퀀스의 내부 상관관계를 효과적으로 포착할 수 있는가?
• RQ3 일반화된 다중 커널 학습을 통해 D-K 특징과 딥 특징을 융합하면 스푸핑 공격 검출 성능이 향상되는가?
• RQ4 제안된 ADKMM 방법은 NUAA와 Replay-Attack과 같은 표준 벤치마크에서 최신 기술들과 비교해 어떻게 성능을 냈는가?

주요 결과

• 제안된 ADKMM는 Table 2에 나열된 모든 이전 방법들을 능가하는 99.3%의 검출 정확도를 NUAA 데이터셋에서 달성했다.
• Replay-Attack 데이터셋에서 테스트 세트에서는 4.30%의 HTER, 개발 세트에서는 5.16%의 HTER를 기록하며 Table 3에 제시된 모든 베이스라인 방법들을 능가했다.
• 최적의 확산 반복 수는 L=15였으며, 이보다 높은 값들(예: L=25)은 NUAA에서 정확도를 93.1%로 떨어뜨리는 악영향을 주었다.
• GMKL를 통한 D-K 특징와 딥 특징의 융합은 강건성을 크게 향상시켜 상호 보완적인 정보의 유용성을 입증했다.
• 두 데이터셋 모두에서 LBP 기반 및 확산 기반의 이전 연구들(예: DS-LBP, ND-CNN)을 모두 능가했다.
• 결과는 D-K 특징가 표면 성질의 차이와 시퀀스 수준의 상관관계를 효과적으로 모델링하며 다양한 조명 조건과 공격 조건 하에서도 스푸핑 검출 성능을 향상시킨다는 것을 확인시켰다.