2018/4/16 12:08:06当前位置推荐好文社会热点浏览文章

摘要: 如何利消耗神经网络训练自己的反欺诈模型,看看吧~附学习资料~

想象一下,只要使消耗脸部就可解锁手机,无需指纹扫描或者触摸。它会在没有任何消耗户干预的情况下自动且完美地工作。是的,目前已经能做到了这一点,它被称为iPhone X,你可可以已经在使消耗它了。

大多数人希望有一个更好的未来,例如:使消耗人脸识别进行消耗户身份验证的潜力比这更大!在不远的将来,我们可以够通过展现我们独特的面部特征来租一辆车,并签订法律文件。

实际上,我们已经开始看到需要身份验证的某些服务(如银行和其余类型的交易系统)。在这种情况下,所提供的法律数据将与文件上的ID和面部图像上的数据进行交叉检查,并与所有者的面部进行比较。但是,像大多数新技术一样,技术在创新,骗子也在创新。而欺骗人脸识别机制的最流行方式之一是“人脸欺骗”攻击。

欺骗攻击是指通过使消耗照片、视频或者受权人脸部的其余替代品来获取其余人的特权或者访问权。

少量欺骗攻击的例子:


1.   打印攻击:攻击者将别人的照片打印或者者显示在数字设施上。

2.   重播/视频攻击:诱骗系统的更复杂的方式,通常需要一个受害者脸部的循环视频。与保持某人的照片相比,这种方法能确保行为和面部运动看起来更自然。

3.   3D掩码攻击:在这种类型的攻击中,掩码被消耗作欺骗的首选工具。这是一个比利消耗脸部视频更复杂的攻击。除了自然的面部运动之外,它还能欺骗少量额外的保护层,例如深度传感器。

欺骗检测方法:

欺骗的方法有很多种,对应的我们有许多不同的方法来应对它们的挑战。最流行的反欺骗最先进的处理方案包括:


1.   面部生命力检测:一种基于分析测试面如何“活着”的机制。这通常通过检查眼球运动来完成,例如闪烁和脸部运动。

2.   上下文信息技术:通过调查图像的附近环境,我们能尝试检测扫描区域中能否有数字设施或者照片纸。

3.   纹理分析:在这里探测输入图像的小纹理部分,以便在欺骗和真实图像中查找图案。

4.   消耗户互动:通过要求消耗户执行动作(将头部向左/向右转动,微笑,闪烁的眼睛),机器能检测动作能否以与人类互动相似的自然方式进行。


当然,我们不可以忽视房间里的大象(指某种巨大到不可可以被忽视的真相,而事实上如此巨大的大象常常被集体忽略。)——iPhone X上的FaceID。在最新的硬件迭代中,Apple推出了先进的深度映射和3D感应技术,能以史无前例的精度实现欺骗检测。但是,因为这种高端硬件在不久的将来将无法在大多数消费类设施上使消耗,所以我们不得不进化我们的技术以保证我们能避免被欺骗。

事实上,在我们的研究和实施过程中,我们发现使消耗中等质量的2D相机也能实现极高水平的实时欺骗检测。究竟是什么让2D相机拥有如此高的检测水准?答案就是当下最火的深度学习处理方案和自己设置的神经网络。

我们通过与现有的文档化方法进行交叉检查来验证我们的方法。

交叉检查1:图像质量评估:

该处理方案基于将原始图像与消耗高斯滤波解决的图像进行比较。该论文的作者[1]证实了假图像之间的差异与真实图像之间的差异,并且能自动检测。为了做到这一点,我们提取了14种流行的图像质量特征,例如:均方误差,平均差或者边缘/角差。下一步是将它们发送给分类器,以确定它是“真实”的脸还是“假的”脸。

图1. IQA分类解决流程:将图像转换为灰度,使消耗高斯滤波器,从原始图像和滤波图像之间的差异中提取14个特征,将特征传递给分类器。

交叉检查2:图像失真分析:

 四种不同的特征(镜面反射、模糊、色度矩和色彩多样性)被发送分类器消耗于分类。分类器由多个模型构建而成,每个模型都训练出不同类型的欺骗攻击矢量。

图2. IDA分类过程流程:提取4个失真特征,将它们传递给一组分类器,将结果传递给负责欺骗/非欺骗决策的分类器

最终方法:深度神经网络模型:

这是基于消耗CNN(卷积神经网络,这是图像分析中最流行的神经网络)建立的模型。裁剪后的人脸图像被传递到神经网络,而后通过神经层进行解决,以将其分类为真实/假的。

图3. DNN分类解决流程:将面部图像传递到CNN

训练系统:

上述所有处理方案都包含了需要监督学习才可以返回正确结果的模型。训练集是从站在摄像机前面的人们的图像构建的,或者者拿着一个设施,并在其上显示他们的脸部。所有的面孔被裁剪并分成两组:真实的和假的。这些图像是由中等分辨率的800万像素相机拍摄的,这是一款在工业应消耗中使消耗的流行款式,三种方法都使消耗相同的训练集。

训练集示例

比较结果:

对于性可以测试,我们使消耗简单的准确度、召回率和F1分数。所有三个试验的结果显示在下表中:

精确性和性可以总结


欺骗示例

下一步是什么?

所呈现的最先进的处理方案仅适消耗于2D重放/视频攻击。为了添加对更多类型攻击的抵抗可以力,DNN模型还能通过使消耗纸质打印的攻击示例扩展训练数据来调整。另外,3D欺骗尝试能通过附加传感器来解决(例如深度)。

安全是一个不断变化的问题,由于一旦引入新的保护方法,攻击者就会

本文由阿里云云栖社区组织翻译。

文章原标题《Anti-Spoofing Mechanisms in Face Recognition Based on DNN》

作者:YND

译者:乌拉乌拉,审校:。

详细内容请阅读原文。

网友评论