Ein personalisierter Benchmark für Gesichtsanti-Spoofing

Dank ihrer Benutzerfreundlichkeit und Effektivität sind Gesichtsauthentifizierungssysteme heutzutage in elektronischen Geräten allgegenwärtig, um den Zugriff auf geschützte Daten zu steuern. Allerdings bringt die weit verbreitete Einführung solcher Systeme Sicherheits- und Zuverlässigkeitsprobleme mit sich. Dies liegt daran, dass Gesichtsbilder leicht gefälscht werden können, um die Erkennungssysteme zu täuschen. Daher besteht die Notwendigkeit, das Benutzeridentifikationssystem mit einem robusten Anti-Spoofing-Element für Gesichter zu integrieren, das darauf abzielt, zu erkennen, ob ein abgefragtes Gesichtsbild eine Fälschung oder ein echtes (live) Gesicht darstellt. Die meisten aktuellen Gesichtsanti-Spoofing-Systeme stützen sich lediglich auf das Abfragebild, um den Zugriff zu genehmigen oder abzulehnen. In realen Anwendungsszenarien verfügen Gesichtsauthentifizierungssysteme jedoch oft über einen initialen Enrolment-Schritt, bei dem mehrere Live-Bilder des Benutzers aufgezeichnet und für Identifikationszwecke gespeichert werden. In diesem Artikel präsentieren wir einen ergänzenden Ansatz, um bestehende Gesichtsanti-Spoofing-Benchmarks dahingehend zu erweitern, dass auch die mit jedem Abfragebild assoziierten Enrolment-Bilder berücksichtigt werden. Wir wenden diese Strategie auf zwei kürzlich vorgestellte Datensätze an: CelebA-Spoof und SiW. Wir zeigen, wie bestehende Anti-Spoofing-Modelle mithilfe der Enrolment-Daten des jeweiligen Benutzers einfach personalisiert werden können, und evaluieren die Wirksamkeit der verbesserten Methoden anhand der neu vorgeschlagenen Datensplits CelebA-Spoof-Enroll und SiW-Enroll.