[논문 리뷰] FaceSpoof Buster: a Presentation Attack Detector Based on Intrinsic Image Properties and Deep Learning

Rodrigo Bresan, Allan Pinto외 3명|arXiv (Cornell University)|2019. 02. 07.

Biometric Identification and Security인용 수 7

한 줄 요약

이 논문은 사전에 학습된 CNN을 활용한 전이 학습을 통해 깊이, 조명, 주목도 맵과 같은 내재적 이미지 특성(내재적 특성)을 활용하는 딥러닝 기반의 제시 공격 탐지 방법인 FaceSpoof Buster을 제안한다. 이 방법은 도전적인 이종 데이터셋 평가 프로토콜에서 CASIA-FASD 데이터셋에서 33.14%의 HTER를 기록하며 최신 기술 수준을 초월한다.

ABSTRACT

Nowadays, the adoption of face recognition for biometric authentication systems is usual, mainly because this is one of the most accessible biometric modalities. Techniques that rely on trespassing these kind of systems by using a forged biometric sample, such as a printed paper or a recorded video of a genuine access, are known as presentation attacks, but may be also referred in the literature as face spoofing. Presentation attack detection is a crucial step for preventing this kind of unauthorized accesses into restricted areas and/or devices. In this paper, we propose a novel approach which relies in a combination between intrinsic image properties and deep neural networks to detect presentation attack attempts. Our method explores depth, salience and illumination maps, associated with a pre-trained Convolutional Neural Network in order to produce robust and discriminant features. Each one of these properties are individually classified and, in the end of the process, they are combined by a meta learning classifier, which achieves outstanding results on the most popular datasets for PAD. Results show that proposed method is able to overpass state-of-the-art results in an inter-dataset protocol, which is defined as the most challenging in the literature.

연구 동기 및 목표

• 심층 학습 기반의 제시 공격 탐지(PAD) 시스템을 개발하여, 깊이 또는 적외선 카메라와 같은 추가 센서에 의존하지 않는 하드웨어 비용 없는 방법을 확보한다.
• 깊이, 조명, 주목도와 같은 내재적 이미지 특성이 스푸핑 공격 탐지에 있어 구분 가능한 특징으로 기능할 수 있는지 조사한다.
• 다양한 내재적 특성을 메타 분류기로 통합하여, 이종 데이터셋 평가 프로토콜에서의 일반화 능력을 향상시켜, 더 나은 성능을 달성한다.
• PAD 맥락에서 특징 추출을 위해 사전에 학습된 CNN을 활용한 전이 학습의 효과를 입증한다.
• 특히 도전적인 이종 데이터셋 평가 상황에서 기존 최신 기술 수준의 방법들을 뛰어넘는다.

제안 방법

• 기존의 계산 방법을 활용해 입력 얼굴 이미지에서 깊이, 조명, 주목도와 같은 세 가지 내재적 이미지 특성을 추출한다.
• 각 내재적 특성 맵에서 특징 추출을 위해 사전에 학습된 컨volutional 신경망(CNN)을 사용하며, 전이 학습을 통해 특징의 강건성을 향상시킨다.
• 두 단계 분류 과정을 적용한다: 각 내재적 특성 맵에 대해 학습된 분류기(예: SVM)를 사용한 개별 분류 후, 통합된 예측 결과에 대한 메타 분류를 수행한다.
• 개별 분류기의 출력을 메타 학습기(SVM)를 사용해 통합하여 전체 탐지 정확도와 일반화 능력을 향상시킨다.
• NUAA, Replay-Attack, CASIA-FASD 데이터셋의 조합을 포함한 다중 데이터셋 학습 전략을 활용하여 모델의 일반화 능력을 향상시킨다.
• HTER(Half Total Error Rate), APCER(Average Positive Crossover Error Rate), BPCER(Average Negative Crossover Error Rate)와 같은 표준 PAD 평가 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 깊이, 조명, 주목도와 같은 내재적 이미지 특성이 얼굴 제시 공격 탐지에 효과적인 분류 특징으로 기능할 수 있는가?
• RQ2 메타 분류기를 통해 여러 내재적 특성을 통합할 경우, 특히 이종 데이터셋 평가 환경에서 탐지 성능이 향상되는가?
• RQ3 다양한 데이터셋 간의 일반화 능력 측면에서 제안된 방법이 기존 최신 기술 수준의 PAD 접근법보다 어떻게 비교되는가?
• RQ4 사전에 학습된 CNN에서의 전이 학습이, 작업에 특화된 학습을 처음부터 수행하지 않더라도 PAD에 적합한 특징 표현을 얼마나 향상시키는가?
• RQ5 하드웨어 비용 없는 접근 방식이, 기존 데이터 기반 또는 하드웨어 기반 방법들보다 이종 데이터셋 프로토콜에서 뛰어난 성능을 달성할 수 있는가?

주요 결과

• 제안된 방법은 이종 데이터셋 평가 프로토콜에서 CASIA-FASD 데이터셋에서 33.14%의 HTER를 기록하며, 이는 이전의 모든 최신 기술 수준 방법들을 능가한다.
• 조명 맵만으로도 CASIA-FASD에서 39.32%의 HTER를 기록하여 독립적으로 사용할 경우 강력한 분류 능력을 보여준다.
• NUAA 데이터셋에서, Replay-Attack 및 CASIA 데이터셋의 조합으로 학습한 경우 조명 맵은 50.51%의 HTER를 기록하여 강력한 일반화 능력을 보여준다.
• 이종 데이터셋 평가 조건에서 깊이 + 조명 + 주목도의 연결된 특징 맵은 Replay-Attack 데이터셋에서 40.21%의 HTER를 기록하여 더 높은 강건성을 확보한다.
• CASIA와 Replay-Attack 데이터셋의 조합으로 학습한 경우, NUAA 데이터셋에서 50.61%의 HTER를 기록하여 강력한 이종 데이터셋 일반화 능력을 보여준다.
• 주목도 맵을 사용한 결과는 CASIA-FASD에서 43.15%의 HTER를 기록하여, 스푸핑 탐지에서 잠재적인 분류 특징으로서의 가능성을 입증한다.