[논문리뷰] An Overview of Face Liveness Detection1

논문:https://arxiv.org/ftp/arxiv/papers/1405/1405.2227.pdf

 

Abstract

얼굴인식은 넑게 biometric(개인 식별을 가능하게 하는 지문, 안구 혈관 배열도,음성 따위처럼 유일한 개인적 특성을 반영하는 특정한 속성을 이용하는 일과 관계되는 것.) 접근하기 위해 사용된다.

얼굴 인식 기술은 최근 빠르게 발전해가고있고 다른 방법보다 더 직접적이고, 사용자에게 익숙하고 편리하다. 

하지만 얼굴인식 시스템은 non-real face에 의해 만들어진 spoof 공격에 취약하다.

spoof 얼굴 인식 시스템은 얼굴사진에 의해 인식되는 쉬운방법이다. 보안 시스템은 이러한 spoofing에 대항하여 지키기위해 Liveness detection필요하다. 

여기에서 face liveness detection 접근법들은 liveness detection을 사용한 다양한 타입의 기술에 기초하여 카테고리화 되어있다. 이 카테고리화는 다른 spoof 공격 시나리오들과 이들의 발전된 해결책에 관련하여 이해하기쉽게 도와준다. face liveness detection works와 연관된 최근 work review는 보여준다. 주된 목표는 미래 발전과 더 안전한 face liveness detection 접근법을 위한 단순한 길을 제공해주는 것이다.

 

1.Introduction

일반 대중들은 spoof 공격에 대항하는 안전 조치에대한 엄청난 요구를 가지고있다. 

Biometric은 이러한 안전 산업 부분에서 가장빠르게 성장하고 있다. identification을 위한 몇몇 익숙한 기술은 얼굴 인식, 지문 인식, 필적 등이다. 이러한 기술들 사이에서 최근 빠르게 발전된것 중에 하나인 얼굴인식 기술은 더 직접적이고 사용사에게 친숙하고 편리하다. 그러므로 다양한 안전 시스템에 적용되어왔다. 하지만 일반적으로 얼굴인식 알고리즘들은 'live' 얼굴(실제 얼굴)과 'not live' 얼굴을 구별할수없다. 이것은 주요한 안전 이슈이다. spoofing같은 것들을 대항하기 위한 안전 시스템은 liveness detection이 필요하다.

 

Liveness detection은 매우 활발한 연구 주제를 가지고있다. 하지만 얼굴 인식에서 접근법들은 이 문제를 다루기에 매우 많이 제한된다.

얼굴인식에서 흔한 공격 방법들은 몇몇 카테고리로 분류된다. 이 분류는 verifiaction proof가 얼굴 verification 시스템(훔친 사진, 훔친 얼굴 사진,녹화된 비디오, 입술 움직입과 깜빡일수있는 능력을 가진 3D 얼굴 모델같은)에 제공되는 것에 따라 기초된다.

Anti-spoof 문제는 얼굴 인식 시스템이 일상생활에 널리 적용되기 전에 잘 해결되어야한다.

 

2. Literature

2.1 Frequency and Texture based analysis

기본 목적은 live face 와 fake face(2-D 종이 마스크)를 모양과 상세함면에서 구분하는 것이다.

이 저자는(이 접근법의 저자인 Guhyun Kim) frequency와 textrue에 근거하여 fake 얼굴 인식 방법에 기반한 single image를 제안해왔다. 저자는 frequency 분석 방법에 대한 각 주파수가 지니고 있는 힘을 나타낸 스펙트럼인 power spectrum을 시행했다. 게다가 Local Binary Pattern (LBP)에 기반한 기술 방법은 얼굴 이미지에서 textrue 분석을 위해 시행되어졌다.

-->frequency와 textrue의 특징을 가지고 분석한다.

     frequency는 power spectrum으로, texture는 LBP 기술을 이용한다. 

 

저자는 두가지 이유로 주파수 정보를 사용하는것을 제안했다.

첫번째는 전반적인 얼굴 모양에서 빛 요소와 연관된 저주파수 지역에서 차이점으로 이어지는 3-D 모양의 existence 차이점이다. 

두번째는 live face와 마스크에 상세한 정보의 차이점은 고주파 정보에 불일치를 야기한다.

 

texture 정보는 2-D 객체로부터 취해진 이미지가 texture 정보의 손실로부터 고통받는 경향이 있기때문에 다뤄진다.

 

주파수 정보를 추출하기 위해서 첫번째, 얼굴 이미지를 주파수 domain으로 변형했다. 이 변형된 결과는 같은 주파수끼리 동심원의 몇몇 그룹으로 나누었다. 마지막으로는 1-D 특징 벡터는 모든 동심원들의 평균 energy value들이 결합됨으로써 얻어진다.

 

texture기반 특징 추출을 위해서는 이미지의 texture 정보를 묘사하는 가장 유명한 기술중에 하나인 LBP를 사용한다.

 

마지막인 혼합 특징 추출을 위해서는 power spectrum과 LBP 기반 방법들에의해 만들어진 특징 벡터를 가진 detector를 위해 Support Binary Pattern(SVM) classifier을 사용한다.

혼합기반 방법은 power spetrum과 LBP기반 특징 벡터로 훈련된 SVM classifier의 decision value combinaion에 의한 특징 벡터를 추출한다.

실험결과는 2D일때(프린트와 캐리커처에희애 캡쳐된 이미지) LBP 기반 방법은 frequency 기반 방법 보다 더 유망한 결과를 보여준다.

전반적으로 혼합 기반 방법은 주파수기반  5.43% error rate와 LBP기반 12.46% error rate비교되는 4.42% error rate 결과를 보여준다.

 

micro-tecture 분석을 이용한 single 이미지로부터 얼굴 spoofing 감지하는 비슷한 기술로는 Jukka에의해 시행되었다.

핵심 아이디어는 특정 공간에서 micro texture의 차이점을 강조하는 것이다.

LBP를 이용해서 얻은 벡터는 SVM classifier에 input이 된다. SVM classifier는 micro-texture pattern이 fake인지 아닌지 결정 짓는다.

 

texture 기반 liveness detection 을 위한 또 다른 방법은 single 이미지 또는 sequence 이미지의 Fourier Spectra의 분석이다. 이 방법은 live 얼굴의 움직임과 구조 정보를 기반해두고 있다.

 

저자들은 live face detection하는 효과적인 방법을input image의 2D Fourier spectra 라고 제안한다.

그들은 HFD에 대응하는 모든 주파수에서 고주파수 요소의 에너지 비율을 계산한다. 

 

매우 선명하고 큰 사진은 시스템을 속인다면 패배되기 때문에 이 문제를 풀기위해서는 motion image가 사용된다.

//무슨 문제인지 이해하기

문제를 풀기위한 세번째 단계를 가진 알고리즘이 있는데 첫번째는 subset은 모든 input image sequence 로부터 추출된 이미지에 의해 구성된다.  두번째 단계는 각각 subset의 이미지를 위해 energy value는 계산된다.

Frequency Dynamics descriptor(FDD)는 얼굴의 일시적인 변화값으로 계산된다. 

-->Live face는 Fake face와는 비교해서 Frequenct Dynamics descriptor 와 high frequenct descriptor에서 min,max의 차이가 큰것같다.

 

 

(2.2~2.12 내용은 뒤포스팅으로 리뷰하겠습니다.)

---

4.Conclusion

이 논문은 face livenss detection의 다른 접근법 개요를 제공했다. 

논문은 사용된 기술들의 타입과 liveness indicator/clue 타입에 기초하여 카테고리화를 제시했다.

liveness detection을 위한 가장 흥미로운 접근법의 개요는 제시되었다.

많은 liveness detection 기술의 경우에서 관찰된 가장 흔한 문제는 빛 변화의 영향과 texture 정보에 피해를 주는 amplified noise의 영향이다. liveness detection 방법에 근거하여 눈의 움직임과 깜빡임을 위해서는 반사를 일으키는 안경은 liveness detection 해결책의 미래 발전을 위해 고려되어야한다. 게다가 liveness detection 성능에 중요한 역할을 하는 dataset은 예상되는 시나리오를 흉내내게끔 informaive하고 다양해야만한다.

비상호적인 비디오 장면들은 사용자들이 특정한 일을 하는 상호적인 장면을 포함해야만한다.

미래 공격 dataset들은 3D 얼굴 조각상과 향상된 texture 정보같은 공격을 고려되어야만 한다.

우리의 주된 목표는 더 안전한 방법과 사용자가 이용하기 편하고 효율적인 liveness detection 접근법에대한 명확한 방법을 주는 것이다.