Detecção de ataques em biometria facial utilizando redes neurais convolucionais

• Autor(a) principal: Sousa Neto, Sandoval Verissimo de
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFPB
• Texto Completo: https://repositorio.ufpb.br/jspui/handle/123456789/25507
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Anti-falsificação; Face; Ataques de apresentação; Detecção de ataques; Classi cação de imagens; Redes neurais convolucionais profundas; Face anti-Spoofing; Presentation attacks; Detection; Spoof detection; Image classi cation; Deep convolutional neral network

Com cada vez mais serviços sendo disponíveis virtualmente, métodos biométricos de autenticação que utilizam características como impressões digitais e face, são necessários para garantir uma melhor segurança para o usuário. A face de uma pessoa é um de seus traços biométricos mais importantes, principalmente devido a facilidade de uso, e com isso vem sendo cada vez mais estudada nos últimos anos. No entanto, conforme a utilização de métodos de autenticação por meio de biometria facial cresce, também aumentam as tentativas de ataques de impostores a esses sistemas. A grande facilidade de uso proporcionada pela biometria facial, também vem com a desvantagem de que devido ao grande uso de redes sociais pode ser mais fácil encontrar fotos ou vídeos de pessoas e utilizar assim esses registros para realizar ataques. Faz-se então necessário um sistema capaz de detectar se uma pessoa é genuína, ou se há uma foto ou vídeo de uma pessoa real tentando burlar um sistema. Essas aplicações são conhecidas como sistemas de anti-falsi ficação de face. Este trabalho propõe um método de detecção de falsi ficações utilizando redes neurais convolucionais. A transferência de aprendizado é utilizada para o treino do modelo. E o impacto de diferentes tipos de pré-processamento são estudados. Os testes são realizados em quatro bancos de imagens conhecidos na literatura (NUAA, MSU, Replay Attack, OULU). Os melhores resultados alcançam métricas melhores que alguns trabalhos da literatura, com uma taxa de erro igual inferior a 0; 2% no melhor experimento.