基于多通道卷积神经网络的生物特征人脸活体攻击检测

人脸识别是一种主流的生物特征认证方法。然而，其易受呈现攻击（又称伪造攻击）的威胁，限制了其在无监督应用场景中的实用性。尽管目前已有许多针对呈现攻击（Presentation Attack, PA）的检测方法，但大多数方法难以有效识别如硅胶面具等复杂伪造攻击。随着呈现攻击工具的质量持续提升，仅依赖可见光谱进行可靠攻击检测仍面临巨大挑战。我们认为，多通道分析可能有助于缓解这一问题。基于此，本文提出一种基于多通道卷积神经网络的呈现攻击检测（Presentation Attack Detection, PAD）方法。同时，我们构建了一个全新的宽泛多通道呈现攻击（Wide Multi-Channel Presentation Attack, WMCA）数据库，用于面部PAD研究。该数据库涵盖了多种2D与3D呈现攻击类型，既包括冒名顶替攻击，也包括伪装攻击。数据库提供了来自多个模态的数据，包括彩色图像、深度图、近红外图像和热成像数据，以推动面部PAD领域的研究进展。所提出的模型与基于特征的方法进行了对比，结果表明其显著优于现有基线方法，在所提出的WMCA数据集上实现了0.3%的等错误率（ACER）。该数据库及复现结果的软件已公开发布，供学术界自由使用。