[논문 리뷰] Morphing Attack Detection -- Database, Evaluation Platform and Benchmarking

Kiran Raja, Matteo Ferrara외 19명|arXiv (Cornell University)|2020. 06. 11.

Face recognition and analysis참고 문헌 42인용 수 87

한 줄 요약

이 논문은 얼굴 인식 시스템에서 Morphing 공격 탐지(MAD) 알고리즘의 내구성과 일반화 능력을 평가하는 데 있어 핵심적인 격차를 보완하기 위해 새로운 비공개(MAD) 데이터베이스와 온라인 평가 플랫폼을 소개한다. 데이터셋은 150명의 다양한 인종, 연령, 성별을 가진 피험자로 구성되어 있으며, 신중한 피험자 선별 및 후처리를 통해 고해상도의 변형 이미지를 생성하였고, 디지털 잔상 제거를 위해 프린트-스캔 시뮬레이션을 적용하였다. 주요 결과로는 심지어 최첨단 방법조차도 프린트-스캔 이미지에서 BPCER100이 90% 이상을 기록함으로써 실생활 운영 환경에서 더 강력한 탐지 알고리즘이 절실하게 필요하다는 점을 시사한다.

ABSTRACT

Morphing attacks have posed a severe threat to Face Recognition System (FRS). Despite the number of advancements reported in recent works, we note serious open issues such as independent benchmarking, generalizability challenges and considerations to age, gender, ethnicity that are inadequately addressed. Morphing Attack Detection (MAD) algorithms often are prone to generalization challenges as they are database dependent. The existing databases, mostly of semi-public nature, lack in diversity in terms of ethnicity, various morphing process and post-processing pipelines. Further, they do not reflect a realistic operational scenario for Automated Border Control (ABC) and do not provide a basis to test MAD on unseen data, in order to benchmark the robustness of algorithms. In this work, we present a new sequestered dataset for facilitating the advancements of MAD where the algorithms can be tested on unseen data in an effort to better generalize. The newly constructed dataset consists of facial images from 150 subjects from various ethnicities, age-groups and both genders. In order to challenge the existing MAD algorithms, the morphed images are with careful subject pre-selection created from the contributing images, and further post-processed to remove morphing artifacts. The images are also printed and scanned to remove all digital cues and to simulate a realistic challenge for MAD algorithms. Further, we present a new online evaluation platform to test algorithms on sequestered data. With the platform we can benchmark the morph detection performance and study the generalization ability. This work also presents a detailed analysis on various subsets of sequestered data and outlines open challenges for future directions in MAD research.

연구 동기 및 목표

• 얼굴 인식 시스템에서 Morphing 공격 탐지(MAD)를 위한 표준화되고 다양한 실생활 기반의 벤치마크가 부족한 문제를 해결한다.
• 미리보지 않은 데이터에 대한 테스트를 가능하게 하기 위해 비공개 데이터셋을 제공함으로써 MAD 알고리즘의 일반화 문제를 해결한다.
• 자동화된 국경 통제(ABC) 환경에서 실제 운영 조건을 시뮬레이션하기 위해 프린트-스캔 이미지 처리 파이프라인을 포함시킨다.
• 전용 온라인 평가 플랫폼을 통해 MAD 알고리즘의 지속적인 벤치마크를 가능하게 한다.
• 연령, 성별, 인종 등의 인구통계적 요인과 변형 매개변수의 MAD 성능에 미치는 영향을 조사한다.

제안 방법

• 다양한 인종, 연령, 성별을 가진 150명의 피험자로 구성된 새로운 비공개 데이터셋을 구축하여 인구통계적 일반화 능력을 향상시켰다.
• 고품질의 복합 이미지를 확보하기 위해 GIMP GAP, Sqirlz Morph, FaceFusion 등의 고급 변형 기법을 사용하고 피험자 사전 선별을 철저히 하였다.
• 눈에 띄는 변형 잔상 제거와 실생활 조건을 시뮬레이션하기 위해 인쇄 및 스캔 처리를 적용하여 디지털 신호를 제거하였다.
• 비공개 데이터에 대한 블라인드 테스트를 가능하게 하며 지속적인 벤치마크를 지원하는 온라인 평가 플랫폼을 개발하였다.
• 표준 지표를 사용해 알고리즘을 평가하였다: 등오류율(EER), 10%, 20%, 100%의 가짜 수락률에서의 BPCER 및 거부율.
• 다양한 변형 강도(0.3 및 0.5)를 가진 서브셋에서 추론 실험을 수행하여 공격 강도가 다른 조건에서 알고리즘의 내구성을 분석하였다.

실험 결과

연구 질문

• RQ1 실제 프린트-스캔 조건에서 미리보지 않은 비공개 데이터에 대해 기존 MAD 알고리즘의 성능은 얼마나 떨어지는가?
• RQ2 연령, 성별, 인종 등의 인구통계적 요인과 변형 강도가 변형 이미지 탐지 가능성에 어느 정도의 영향을 미치는가?
• RQ3 제안된 온라인 평가 플랫폼은 MAD 알고리즘의 지속적인 벤치마크와 일반화 테스트를 효과적으로 지원할 수 있는가?
• RQ4 다양한 MAD 접근법에서 디지털 이미지와 재디지털화된(프린트-스캔) 이미지 간의 성능 격차는 어느 정도인가?
• RQ5 하이브리드 또는 다중 모odal 탐지 전략은 고해상도 변형 이미지를 탐지하는 데 있어 단일 방법 대비 어떤가?

주요 결과

• 가장 뛰어난 D-MAD 방법(DFR)은 프린트-스캔 이미지에서 BPCER100이 19.70%를 기록하여 100% 가짜 수락 임계값에서 19.7%의 가짜 수락률을 보였으며, 이는 실무 요구사항과는 거리가 멀다는 것을 시사한다.
• S-MAD 알고리즘의 경우, 모든 테스트된 방법에서 BPCER100이 90%를 초과하였다(예: WL은 95.58%, Deep-S-MAD는 100%). 이는 프린트-스캔 조건에서 심각한 성능 저하가 있음을 보여준다.
• 모든 MAD 알고리즘에서 디지털 이미지에서 프린트-스캔 이미지로 전환할 때 일관된 성능 저하가 관찰되었으며, 일부 방법의 경우 BPCER100이 최대 10%포인트 상승하였다.
• 변형 강도(0.3 대비 0.5)는 성능에 측정 가능한 영향을 미쳤지만 제한적이었으며, 낮은 변형 강도에서 약간 더 좋은 결과를 보였다.
• 다양한 변형 방법이나 탐지 기법 간에 유의미한 향상이 관찰되지 않아 현재 접근법이 실생활 이미지 열화에 대해 충분히 강건하지 않음을 시사한다.
• 결과는 알고리즘이 한 데이터셋에서 학습된 후 다른 비공개 데이터셋에선 실패하므로, 교차 데이터베이스 학습과 테스트가 일반화 능력을 향상시키는 데 필수적임을 확인한다.