基于对抗学习的人脸活体检测技术研究

Face spoofing attacks use photos, videos, or other alternatives of the authorized person’s face to gain access. They have become important challenges to the security of the existing face authentication systems and a bottleneck which restricts the safe application of face recognition technology. To guarantee the reliability of face recognition, face liveness detection has received extensive attention in recent years and become a research hotspot in the field of biometric recognition security. Because of the complexity of the face spoofing attack scenes, the generalization and reliability of the existing face liveness detection methods still need to be improved. Therefore, this proposal intends to combine adversarial learning to focus on the following researches: face liveness detection model, color space mapping suitable for face liveness detection; extraction of face liveness detection features and the optimization of face liveness detection classifier. The above researches will solve the problem of effective extraction and quantitative expression of face liveness detection features, improve the generalization ability of detection features among different dataset samples, reduce the influence of sample category imbalance and scene difference on the classification performance of face liveness detection, and eventually improve the security and reliability of face authentication systems.

人脸欺骗攻击通过使用照片、视频或授权人脸部的其他替代品来获取他人的访问权限，对当前人脸认证系统的安全构成了严重挑战，已成为制约人脸识别技术安全应用的瓶颈问题。为确保人脸识别的可靠性，人脸活体检测近年来得到了广泛的关注并成为当前生物特征识别安全研究的热点。由于人脸欺骗攻击场景的复杂性，现有人脸活体检测方法的泛化能力与可靠性仍然有待提高。为此，本项目拟结合对抗学习，重点开展以下研究：人脸活体检测模型、适合人脸活体检测的颜色空间映射、人脸活体检测特征提取以及人脸活体检测分类器的优化。上述研究将解决人脸活体检测特征的有效提取和定量表达问题，提升检测特征在不同数据集样本间的泛化能力，降低样本类别不平衡和场景差异等对人脸活体检测分类性能的影响，提升人脸认证系统的安全性和可靠性。

人脸识别技术被广泛应用于门禁安检、在线支付、智能手机解锁等身份认证场景。与此同时，针对人脸认证系统的攻击也日益增多，人脸认证系统的安全问题近年来得到了广泛的关注。假体欺骗攻击是当前最为常见的攻击手段之一。相比于其他生物特征信息，人脸数据更容易被获取，人脸认证系统的脆弱性已先后被证实。.人脸活体检测是人脸数据的真实性进行鉴别和确认的技术，主要用于区分真实人脸和伪造人脸。本项目针对当前人脸活体检测特征表征能力、交叉测试性能、人脸活体检测分类器优化等方面存在的不足，结合对抗学习研究人脸活体检技术。.在人脸活体检测模型方面，提出了基于颜色失真的二维人脸活体检测模型与基于Self-attention 融合的双流 Vision Transformers 人脸活体检测模型。.在面向人脸活体检测的颜色空间映射方面，提出了基于纹理梯度增强和多尺度融合的人脸活体检测算法，并设计了抗噪声卷积神经网络以提高人脸变形检测对噪声的鲁棒性。.在基于对抗学习的人脸活体检测特征提取方面，提出了基于部分人脸操作的变形攻击方法，将人脸变形攻击从人脸的整体层面转变为组件层面，并提出了基于局部人脸差分的实体对抗样本呈现攻击取证方法。.在人脸活体检测分类器的优化方面，提出了基于时空和频率特征学习的假边域泛化框架、辅助无关的自适应网络AIAN以提升人脸伪造检测的泛化能力。.在基于深度学习的伪造人脸检测与伪造区域定位方面，提出了基于特征级监督的人脸融合攻击取证方法、基于 SSIM 差异图的人脸伪造检测与定位网络、通过使用观察列表来检测人脸融合攻击并识别人脸融合攻击者的方法以及人脸组件融合攻击方法。.在基于对抗学习的人脸伪造反取证方面，提出了基于生成对抗网络的计算机生成人脸图像反取证方法、以及计算机生成人脸图像与自然人脸图像双向转换的反取证方法。.项目组共发表和录用论文21篇，其中期刊论文19篇，会议论文 2 篇；IEEE/ACM会刊14篇、CCF 推荐学术期刊或学术会议17篇、CCF B类及以上论文13篇；申请发明专利1项；研制软件系统1个；培养学生23名。