Une référence personnalisée pour la protection contre les attaques par spoofing visuel

Grâce à leur facilité d’utilisation et à leur efficacité, les systèmes d’authentification faciale sont aujourd’hui omniprésents dans les dispositifs électroniques afin de contrôler l’accès aux données protégées. Toutefois, l’adoption généralisée de ces systèmes soulève des problèmes de sécurité et de fiabilité. En effet, des contrefaçons d’images faciales peuvent être facilement fabriquées afin de tromper les systèmes de reconnaissance. Il est donc nécessaire d’intégrer au système d’identification utilisateur un composant robuste de détection des tentatives de fraude (anti-spoofing), dont le but est de déterminer si une image faciale soumise est une image vivante ou une contrefaçon. La plupart des systèmes actuels de détection anti-spoofing se contentent d’analyser uniquement l’image interrogée pour accepter ou rejeter une tentative d’accès. Toutefois, dans les scénarios réels, les systèmes d’authentification faciale disposent souvent d’une étape initiale d’enrôlement, durant laquelle quelques images vivantes de l’utilisateur sont enregistrées et stockées à des fins d’identification. Dans cet article, nous proposons une approche complémentaire visant à enrichir les benchmarks existants de détection anti-spoofing afin de prendre en compte les images d’enrôlement associées à chaque image interrogée. Nous appliquons cette stratégie à deux jeux de données récemment introduites : CelebA-Spoof et SiW. Nous démontrons comment les modèles existants de détection anti-spoofing peuvent être facilement personnalisés à l’aide des données d’enrôlement de l’utilisateur, et évaluons l’efficacité des méthodes améliorées sur les nouvelles partitions proposées : CelebA-Spoof-Enroll et SiW-Enroll.