[论文解读] 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 5

一句话总结

本文提出了一种基于各向异性扩散的核矩阵模型（ADKMM），用于人脸活体检测，结合边缘增强的各向异性扩散与核矩阵特征提取（D-K 特征），并通过广义多核学习将这些特征与深度特征融合。该方法在 NUAA 数据集上达到 99.3% 的准确率，在 Replay-Attack 数据集上达到 4.30% 的 HTER，优于当前最先进方法。

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.

研究动机与目标

• 解决人脸生物识别在面对照片、视频或面具等欺骗攻击时的脆弱性问题。
• 通过建模人脸图像序列中的表面属性差异与时间相关性来提升检测性能。
• 开发一种鲁棒的特征提取方法，以捕捉边缘细节与图像序列内在关系。
• 通过广义多核学习融合手工设计的 D-K 特征与深度神经网络特征，进一步提升性能。

提出的方法

• 对人脸图像序列应用各向异性扩散，以增强边缘与边界信息，采用基于梯度的扩散系数，其中 K=15 且 λ=0.15。
• 通过核矩阵模型从扩散后的图像中提取 D-K 特征，以捕捉序列内部的相关性。
• 卷积神经网络从扩散后的图像中提取深度特征，以补充 D-K 特征。
• 通过广义多核学习（GMKL）融合 D-K 特征与深度特征，其中系数初始化为 0.5，RBF 核的 λ 固定为 0.5。
• 通过 L=15 次迭代优化方法以在 NUAA 数据集上达到最佳性能，并在两个公开数据集上进行验证。
• 性能通过准确率与半总错误率（HTER）进行评估，其中 HTER = (FAR + FRR)/2。

实验结果

研究问题

• RQ1 各向异性扩散是否能有效增强人脸图像中的边缘与边界特征，从而提升活体检测性能？
• RQ2 基于核矩阵建模提取的 D-K 特征是否能有效捕捉人脸图像序列的内部相关性？
• RQ3 通过广义多核学习将 D-K 特征与深度特征融合，是否能提升欺骗检测性能？
• RQ4 所提出的 ADKMM 方法在 NUAA 与 Replay-Attack 等标准基准上的表现与当前最先进方法相比如何？

主要发现

• 所提出的 ADKMM 在 NUAA 数据集上实现了 99.3% 的检测准确率，优于表 2 中列出的所有先前方法。
• 在 Replay-Attack 数据集上，该方法在测试集上达到 4.30% 的 HTER，在开发集上达到 5.16%，优于表 3 中的所有基线方法。
• 最优的扩散迭代次数为 L=15，因为更高的值（如 L=25）会使 NUAA 上的准确率下降至 93.1%。
• 通过 GMKL 融合 D-K 特征与深度特征显著提升了模型鲁棒性，表明信息互补性明显。
• 该方法在两个数据集上均优于基于 LBP 与基于扩散的先前工作，包括 DS-LBP 与 ND-CNN。
• 结果表明，D-K 特征能有效建模表面属性差异与序列级相关性，从而在不同光照条件与攻击方式下增强欺骗检测能力。