Lernen Sie ein Faltungsneuronales Netzwerk für die Gesichtserkennung und das Erkennen von Spoofing-Angriffen

Obwohl einige Fortschritte erzielt wurden, sind die manuell gestalteten Texturmerkmale, wie z.B. LBP [23], LBP-TOP [11], immer noch nicht in der Lage, die diskriminativsten Merkmale zwischen echten und gefälschten Gesichtern zu erfassen. In dieser Arbeit setzen wir uns nicht selbst auf die Merkmalsgestaltung fest, sondern wir verlassen uns auf ein tiefes Faltungsneuronales Netz (CNN), um Merkmale mit hoher Diskriminationsfähigkeit in einem überwachten Verfahren zu lernen. In Kombination mit einigen Datenvorverarbeitungsschritten verbessert sich die Face-Anti-Spoofing-Leistung erheblich. In den Experimenten wurde eine relative Abnahme des Halben Gesamtfehlers (HTER) von über 70 % auf zwei anspruchsvollen Datensätzen, CASIA [36] und REPLAY-ATTACK [7], im Vergleich zum Stand der Technik erreicht. Gleichzeitig deuten die experimentellen Ergebnisse aus den Wechseltests zwischen den beiden Datensätzen darauf hin, dass das CNN Merkmale mit besserer Generalisierungsfähigkeit erlernen kann. Darüber hinaus zeigen die Netze, die mit kombinierten Daten aus den beiden Datensätzen trainiert wurden, weniger Vorbehalte gegenüber den beiden Datensätzen.