[论文解读] Learning deep forest with multi-scale Local Binary Pattern features for face anti-spoofing

Rizhao Cai, Changsheng Chen|arXiv (Cornell University)|Oct 9, 2019

Biometric Identification and Security参考文献 37被引用 13

一句话总结

本文提出了一种新颖的面部反欺骗方法，采用多尺度局部二值模式（LBP）特征的深度森林模型，以替代原始的颗粒扫描机制，从而提升对对抗性攻击的鲁棒性。该方法在 IDIAP REPLAY-ATTACK 数据集上实现了 0% 的等错误率（EER），表现出与最先进 CNN 方法相当的性能，同时通过手工设计特征的融合，显著增强了系统级安全性。

ABSTRACT

Face Anti-Spoofing (FAS) is significant for the security of face recognition systems. Convolutional Neural Networks (CNNs) have been introduced to the field of the FAS and have achieved competitive performance. However, CNN-based methods are vulnerable to the adversarial attack. Attackers could generate adversarial-spoofing examples to circumvent a CNN-based face liveness detector. Studies about the transferability of the adversarial attack reveal that utilizing handcrafted feature-based methods could improve security in a system-level. Therefore, handcrafted feature-based methods are worth our exploration. In this paper, we introduce the deep forest, which is proposed as an alternative towards CNNs by Zhou et al., in the problem of the FAS. To the best of our knowledge, this is the first attempt at exploiting the deep forest in the problem of FAS. Moreover, we propose to re-devise the representation constructing by using LBP descriptors rather than the Grained-Scanning Mechanism in the original scheme. Our method achieves competitive results. On the benchmark database IDIAP REPLAY-ATTACK, 0\% Equal Error Rate (EER) is achieved. This work provides a competitive option in a fusing scheme for improving system-level security and offers important ideas to those who want to explore methods besides CNNs.

研究动机与目标

• 解决基于 CNN 的面部反欺骗系统对对抗性攻击的脆弱性问题。
• 探索树集成方法作为生物特征活体检测中深度学习的更安全替代方案。
• 通过用 LBP 描述符替代颗粒扫描机制，改进深度森林中的表征学习能力。
• 在基准数据集上实现具有竞争力的性能，同时提升系统级安全性。
• 为基于融合的反欺骗方案提供一种可行的非 CNN 替代方案。

提出的方法

• 用多尺度局部二值模式（LBP）描述符替代深度森林中原始的颗粒扫描机制，以实现表征学习。
• 从 RGB、HSV 和 YCbCr 颜色空间中提取 LBP 特征，以捕捉基于纹理的欺骗线索。
• 在深度森林中采用层叠式策略，逐步利用基于 LBP 的表征优化预测结果。
• 采用五折交叉验证协议，在多个基准数据集上评估性能。
• 优化每森林的树的数量，以在性能与计算成本之间取得平衡。
• 利用手工设计的特征，确保对抗性样本的不可迁移性，从而增强系统级安全性。

实验结果

研究问题

• RQ1 与基于 CNN 的模型相比，结合 LBP 特征的深度森林能否在面部反欺骗任务中实现具有竞争力的性能？
• RQ2 将颗粒扫描机制替换为基于 LBP 的表征学习，是否能提升检测准确率与鲁棒性？
• RQ3 手工设计的 LBP 特征能否增强面部活体检测对对抗性欺骗攻击的抵抗能力？
• RQ4 该方法在不同颜色空间（RGB、HSV、YCbCr）中的性能表现如何？
• RQ5 每森林中树的最优数量是多少，才能在准确率与计算效率之间实现最佳平衡？

主要发现

• 所提方法在 IDIAP REPLAY-ATTACK 数据库上实现了 0% 的等错误率（EER），优于所有报告的基于 CNN 的方法以及 CoALBP 在该基准上的表现。
• 在 MSU-MFVSD 数据库上，该方法在 YCbCr 颜色空间下实现了 1.56% 的 EER 和 1.33% 的 HTER，优于基于深度的 CNN（2.62% EER）和基于补丁的 CNN（0.55% HTER）在 HTER 上的表现。
• 采用 YCbCr 颜色空间的方法在 IDIAP 数据集中实现了 0% 的 EER，表明其在检测欺骗攻击方面具有高度的鲁棒性与准确性。
• 当每森林的树数量在 128–256 棵之间时，性能趋于稳定，超过 500 棵树后增益极小，表明在准确率与计算成本之间存在实际的权衡。
• 与原始的采用颗粒扫描机制的深度森林相比，LBP 增强的深度森林表现更优，证实了基于纹理的特征融合的有效性。
• 该方法通过利用对手工设计特征的非迁移性，显著降低了逃避攻击的风险，展现出强大的系统级安全性。