[論文レビュー] Anisotropic Diffusion-based Kernel Matrix Model for Face Liveness Detection

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

Biometric Identification and Security参考文献 18被引用数 5

ひとこと要約

本稿では、エッジ強化型非等方拡散とカーネル行列特徴抽出（D-K特徴）を組み合わせ、一般化多重カーネル学習を用いて深層特徴と統合する、顔の生体認証検証用の非等方拡散ベースのカーネル行列モデル（ADKMM）を提案する。本手法は、NUAAで99.3%の精度、Replay-Attackで4.30%のHTERを達成し、最先端手法を上回る性能を示した。

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.

研究の動機と目的

• 写真、動画、マスクによるスプーフィング攻撃に対する顔バイオメトリクスの脆弱性に対処すること。
• 顔画像シーケンスにおける表面特性の違いと時間的相関をモデル化することで、検出性能を向上させること。
• エッジの詳細と画像シーケンス固有の関係性を両方効果的に捉える、頑健な特徴抽出手法を開発すること。
• 一般化多重カーネル学習を用いて、手作業によるD-K特徴と深層ニューラルネットワーク特徴を統合することで、性能を向上させること。

提案手法

• 勾配に基づく拡散係数を用い、K=15およびλ=0.15の設定で、顔画像シーケンスに非等方拡散を適用し、エッジや境界情報の強化を図る。
• カーネル行列モデルにより、拡散処理後の画像からD-K特徴を抽出し、シーケンス内での相関関係を捉える。
• 畳み込みニューラルネットワークを用いて、拡散処理後の画像から深層特徴を抽出し、D-K特徴を補完する。
• 一般化多重カーネル学習（GMKL）によりD-K特徴と深層特徴を統合し、初期化係数を0.5とし、RBFカーネルのλを固定して0.5とする。
• 最良の性能を得るため、NUAAでL=15の反復回数を最適化し、2つの公開データセットで妥当性を検証する。
• 性能評価には、正解率と半分合計誤り率（HTER）を用い、HTER = (FAR + FRR)/2 で定義される。

実験結果

リサーチクエスチョン

• RQ1 非等方拡散は、顔画像のエッジおよび境界特徴を効果的に強化し、生体認証検証の性能向上に寄与するか？
• RQ2 カーネル行列モデルによるD-K特徴は、顔画像シーケンスの内部相関を効果的に捉えられるか？
• RQ3 一般化多重カーネル学習を用いたD-K特徴と深層特徴の統合により、スプーフィング検出性能が向上するか？
• RQ4 標準ベンチマーク（NUAAおよびReplay-Attack）において、提案手法ADKMMは最先端手法と比較してどのように差をつけるか？

主な発見

• 提案手法ADKMMは、NUAAデータセットで99.3%の検出精度を達成し、表2に示されたすべての先行手法を上回った。
• Replay-Attackデータセットでは、テストセットで4.30%のHTER、開発セットで5.16%のHTERを達成し、表3に示されたすべてのベースライン手法を上回った。
• 最適な拡散反復回数はL=15であり、より高い値（例：L=25）を用いると、NUAAでの精度が93.1%に低下した。
• GMKLによるD-K特徴と深層特徴の統合は、顕著に性能の向上をもたらし、相補的な情報の獲得が確認された。
• LBPベースおよび拡散ベースの先行研究（DS-LBPやND-CNNを含む）と比較して、両方のデータセットで本手法が優れた性能を示した。
• 結果から、D-K特徴が表面特性の違いとシーケンスレベルの相関関係を効果的にモデル化できており、照明条件や攻撃条件の変化に対してもスプーフィング検出性能が向上することが確認された。