[论文解读] Development of a Fuzzy Expert System based Liveliness Detection Scheme for Biometric Authentication

Avinash Kumar Singh, Piyush Joshi+1 more|arXiv (Cornell University)|Sep 17, 2016

Biometric Identification and Security参考文献 10被引用 5

一句话总结

本文提出了一种用于生物识别活体检测的模糊专家系统，可在光照不良和面部动作减少等挑战性条件下提升鲁棒性。通过整合模糊逻辑以评估眨眼和嘴部动作等动态面部特征，该系统在光照不良条件下实现0.28%的低误拒绝率（FRR），在面部动作极少时为0.4%，优于传统视觉方法在现实世界可变性条件下的表现。

ABSTRACT

Liveliness detection acts as a safe guard against spoofing attacks. Most of the researchers used vision based techniques to detect liveliness of the user, but they are highly sensitive to illumination effects. Therefore it is very hard to design a system, which will work robustly under all circumstances. Literature shows that most of the research utilize eye blink or mouth movement to detect the liveliness, while the other group used face texture to distinguish between real and imposter. The classification results of all these approaches decreases drastically in variable light conditions. Hence in this paper we are introducing fuzzy expert system which is sufficient enough to handle most of the cases comes in real time. We have used two testing parameters, (a) under bad illumination and (b) less movement in eyes and mouth in case of real user to evaluate the performance of the system. The system is behaving well in all, while in first case its False Rejection Rate (FRR) is 0.28, and in second case its FRR is 0.4.

研究动机与目标

• 解决视觉生物识别系统在光照变化和用户动作较少条件下易受欺骗攻击的脆弱性问题。
• 克服现有活体检测方法对眨眼或嘴部动作依赖过重的局限性，这些方法在光照不良时性能下降。
• 开发一种鲁棒且自适应的系统，能够在真实部署场景中保持高精度。
• 通过模糊逻辑推理降低在恶劣环境条件下误拒绝率（FRR）。

提出的方法

• 该系统采用模糊专家系统，基于眨眼和嘴部动作等动态面部特征评估活体状态。
• 设计模糊逻辑规则，根据面部特征的时间变化评估活体可能性。
• 输入特征包括来自视频序列的运动能量和纹理变化，经处理后提取活体指示特征。
• 系统使用基于规则的推理引擎，将多种线索整合为单一的活体置信度评分。
• 模糊隶属函数经过校准，以处理输入数据中的不确定性，特别是在光照不足和动作极少的情况下。
• 通过两种测试条件评估性能：光照质量下降和真实用户面部动作减少。

实验结果

研究问题

• RQ1 所提出的模糊专家系统在光照不良条件下检测活体的表现如何？
• RQ2 当真实用户眨眼或嘴部动作极少时，系统能否保持低误拒绝率（FRR）？
• RQ3 与传统的基于阈值的活体检测方法相比，模糊逻辑在多大程度上提升了系统的鲁棒性？
• RQ4 在光照变化和动作减少的条件下，该系统在区分真实用户与欺骗攻击方面的有效性如何？

主要发现

• 在光照不良条件下，系统实现了0.28%的误拒绝率（FRR），表明对光照变化具有很强的鲁棒性。
• 当真实用户面部动作减少时，FRR仅略微上升至0.4%，证明系统在低动作场景下具有鲁棒性。
• 模糊专家系统能有效将多种动态线索（如眨眼、嘴部动作）整合为统一的活体评估结果。
• 由于系统具备处理不确定性和可变性的能力，其在真实世界条件下优于传统视觉方法。
• 模糊逻辑的使用显著提升了在光照和用户行为不可预测环境下的可靠性。
• 结果证实，模糊推理在无需复杂特征工程的情况下显著增强了系统鲁棒性。