Um estudo sistemático sobre detecção de impostor facial.

• Autor(a) principal: Souza Junior, Luiz Otávio de Oliveira
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFBA
• Texto Completo: http://repositorio.ufba.br/ri/handle/ri/19387
• topic: Ciência da Computação; Ataques; Sistemas de Reconhecimento Facial; Detecção de Imitação Facial

Face é uma das características humanas mais exploradas em sistemas automáticos de identificação, podendo ser usada tanto em controle de acesso em sistemas de segurança, quanto para identificação de suspeitos, apenas para citar alguns exemplos. Principalmente em sistemas biométricos de controle de acesso, a identificação facial de um sujeito pode ser burlada a partir de fotos, vídeos ou máscaras, permitindo que impostores tenham acesso a tais sistemas. Estes ataques ocorrem por meio de captura de uma imagem de face genuína, gravação de movimentos dos olhos ou boca de um usuário com direito de acesso ou mesmo máscaras confeccionadas especialmente para imitar um usuário genuíno do sistema. Por conta disso, métodos de detecção de imitação facial passam a ser imprescindíveis para auxiliar sistemas de reconhecimento facial, a fim de distinguir uma imagem falsa (imagem da imagem ou imagem de um vídeo) de uma face real (imagem de um usuário). No presente trabalho, é proposto um estudo sistemático sobre os sistemas de detecção de imitação facial publicados na literatura da área de Reconhecimento de Padrões em Imagens. O estudo inicia com uma taxonomia dos trabalhos mais relevantes e uma evolução temporal dos trabalhos neste campo de pesquisa; em seguida, analisa comparativamente os resultados dos trabalhos da literatura sobre as bases de dados mais utilizadas para avaliações comparativas, buscando esclarecer a relevância dos resultados encontrados sob o ponto de vista das métricas utilizadas; por fim, após analisar as características dos métodos criados no passado, propõe perspectivas futuras no que se refere a sistemas mais robustos e que possam ser avaliados a partir de bases de dados mais complexas, bem como métricas menos enviesadas para avaliação dos resultados. O estudo discute algumas questões abertas sobre o tema, visando contribuir para a construção de sistemas aplicáveis no mundo real.