Biometrische Gesichtspräsentationsangriffserkennung mit mehrkanalalem Faltungsneuronalen Netzwerk

Die Gesichtserkennung ist eine etablierte Methode der biometrischen Authentifizierung. Ihre Anwendbarkeit in unsupervisierten Szenarien ist jedoch durch die Anfälligkeit gegenüber Darstellungsangriffen (auch Spoofing genannt) eingeschränkt. Obwohl zahlreiche Ansätze zur Erkennung von Darstellungsangriffen (Presentation Attack Detection, PAD) existieren, gelingt es den meisten von ihnen nicht, anspruchsvolle Angriffe wie Silikonmasken zu erkennen. Da die Qualität von Darstellungsangriffsinstrumenten im Laufe der Zeit stetig steigt, bleibt die zuverlässige PAD-Erkennung allein auf Basis optischer Spektren äußerst herausfordernd. Wir argumentieren, dass die Analyse mehrerer Kanäle dazu beitragen könnte, dieses Problem zu lösen. In diesem Kontext stellen wir einen mehrkanalbasierten Ansatz auf der Grundlage von Convolutional Neural Networks (CNN) für die Darstellungsangriffserkennung vor. Zudem führen wir die neue Wide Multi-Channel Presentation Attack (WMCA)-Datenbank für Gesichts-PAD ein, die eine breite Vielfalt an 2D- und 3D-Darstellungsangriffen sowohl für Identitätsmanipulation (Impersonation) als auch für Verdeckungsstrategien (Obfuscation) enthält. Für die Forschung stehen Daten aus verschiedenen Kanälen zur Verfügung, darunter Farbe, Tiefeninformation, Nahinfrarot und Wärmebild. Der vorgeschlagene Ansatz wurde mit herkömmlichen feature-basierten Methoden verglichen und zeigte eine überlegene Leistung, wobei ein ACER von 0,3 % auf der neu eingeführten Datensammlung erreicht wurde. Die Datenbank und die Software zur Reproduktion der Ergebnisse werden öffentlich zugänglich gemacht.