[論文レビュー] Securing Face Liveness Detection Using Unforgeable Lip Motion Patterns

Man Zhou, Qian Wang+6 more|arXiv (Cornell University)|Jun 15, 2021

Face recognition and analysis参考文献 41被引用数 7

ひとこと要約

本稿では、ランダムなチャレンジに応じて動的に生成される音響信号に応じて生じる偽造不能な口元の動きパターンを利用し、顔認証のための安全なライブネス検出手法FaceLipを提案する。これらのリアルタイムでユーザー固有の音響信号を分析することで、FaceLipは洗練された3次元プロジェクション攻撃に対しても耐性を持ち、実環境条件下で92.95%の正確性を達成し、従来の手法を上回る強固さとセキュリティを示している。

ABSTRACT

Face authentication usually utilizes deep learning models to verify users with high recognition accuracy. However, face authentication systems are vulnerable to various attacks that cheat the models by manipulating the digital counterparts of human faces. So far, lots of liveness detection schemes have been developed to prevent such attacks. Unfortunately, the attacker can still bypass these schemes by constructing wide-ranging sophisticated attacks. We study the security of existing face authentication services (e.g., Microsoft, Amazon, and Face++) and typical liveness detection approaches. Particularly, we develop a new type of attack, i.e., the low-cost 3D projection attack that projects manipulated face videos on a 3D face model, which can easily evade these face authentication services and liveness detection approaches. To this end, we propose FaceLip, a novel liveness detection scheme for face authentication, which utilizes unforgeable lip motion patterns built upon well-designed acoustic signals to enable a strong security guarantee. The unique lip motion patterns for each user are unforgeable because FaceLip verifies the patterns by capturing and analyzing the acoustic signals that are dynamically generated according to random challenges, which ensures that our signals for liveness detection cannot be manipulated. Specially, we develop robust algorithms for FaceLip to eliminate the impact of noisy signals in the environment and thus can accurately infer the lip motions at larger distances. We prototype FaceLip on off-the-shelf smartphones and conduct extensive experiments under different settings. Our evaluation with 44 participants validates the effectiveness and robustness of FaceLip.

研究の動機と目的

• 既存の顔認証システムおよびライブネス検出手法に内在する深刻な脆弱性、特に高度な3次元動的攻撃に対する脆弱性を特定すること。
• 現在のライブネス検出手法が、低コストで汎用的な3次元プロジェクション攻撃（デジタル顔モデルの操作を伴う）に対して不十分であることを実証すること。
• リアルタイムでの音響信号解析を通じて、偽造不能なユーザー固有の口元の動きパターンを保証する新しいライブネス検出メカニズムを設計・実装すること。
• 多様な環境的およびデバイス的条件下での提案手法の強靭性と実用性を検証すること。

提案手法

• FaceLipは、ユーザーにパスコードを発話させるランダムなチャレンジを生成し、これによりリアルタイムで生成される一意の動的口元の動きパターンを音響信号にエンコードする。
• システムはスマートフォンのマイクを用いてこれらの音響信号をキャプチャし、物理的な口元の動きを検証することで、リプレイ攻撃や合成攻撃を防止する。
• 特徴量を音声から抽出した信号に基づき、ハイブリッドLSTM-CNNニューラルネットワークを用いて本物の口元の動きとスプーフィング信号を区別する。
• 一貫性検証により、ノイズ環境下や中程度のユーザーの動きがあっても、検出された口元の動きが与えられたチャレンジに応じた期待されるパターンと一致することを保証する。
• クライアント・サーバアーキテクチャを採用し、音声はローカルでキャプチャされ、動きおよび一貫性検証はサーバーで実行されることで、効率性とセキュリティが向上する。
• パスコードを変更してもコアモデルの再トレーニングは不要であり、モデルが特定のパスコード内容に依存せず、物理的口元の動きパターンを認識するようにトレーニングされているため。

実験結果

リサーチクエスチョン

• RQ1 低コストの3次元プロジェクション攻撃が、3次元顔モデルに操作された動画を投影することで、商業的に提供されている顔認証サービスやライブネス検出手法を回避可能であるか。
• RQ2 環境ノイズやユーザーの動きが、口元の動きパターンに基づく音響ベースのライブネス検出の信頼性にどの程度影響を及ぼすか。
• RQ3 動的に生成される音響信号から導出される偽造不能な口元の動きパターンが、3次元動的攻撃などの洗練されたプレゼンテーション攻撃に対して効果的に耐性を持つのか。
• RQ4 パスコードの長さ、デバイスの種別、マイクからの距離に応じてFaceLipの性能はどのように変化するか。
• RQ5 ハードウェアの改造なしで、市販のスマートフォンにFaceLipを展開することが可能で、パスコード変更時にもコアモデルの再トレーニングが不要であるか。

主な発見

• FaceLipは、主流の商業的顔認証サービスやライブネス検出手法を回避するあらゆるテスト済みの3次元プロジェクション攻撃に対して成功裏に耐性を示した。
• 6文字のパスコードを用いた場合、実環境条件下で92.95%の正確性を達成し、高い信頼性を示した。
• 一貫性検証により、さまざまな距離や環境条件下でも高い性能を維持し、距離が離れる状況でも88%を超える正確性を達成した。
• ユーザーの動き、特に中程度の振動に対しても正確性の低下はわずかであり、信号解析パイプラインの強靭性を確認した。
• さまざまな市販スマートフォンと互換性があり、パスコード変更時にもLSTM-CNNモデルの再トレーニングが不要であることを確認した。
• クライアント・サーバアーキテクチャにより、効率的な処理が可能であり、動きおよび一貫性検証をサーバーで隔離することでセキュリティが強化された。