活体检测：FaceSpoof Buster: a Presentation Attack Detector Based on Intrinsic Image Properties and Deep

论文翻译：

ABSTRACT

目前，人脸识别技术在生物特征认证系统中的应用十分普遍，这主要是因为人脸识别是一种最容易获得的生物特征识别技术。通过使用伪造的生物特征样本(如纸质文件或真实访问的录制视频)来对这类系统进行识别的技术被称为演示攻击，但在文献中也可能被称为面部欺骗。表示攻击检测是防止此类未经授权的访问受限制的区域和/或设备的关键步骤。在本文中，我们提出了一种基于外部图像特性和深度神经网络相结合来检测表示攻击企图的方法。我们的方法探索深度、显著性和光照映射，与一个预先训练的卷积神经网络序列来产生鲁棒性的鉴别特征。每一个属性都是单独分类的，在内部过程中，它们通过一个学习分类器组合在一起，在最流行的PAD数据集上取得了出色的结果。结果表明，该方法能够在数据集间协议中跳过最先进的结果，这在文献中被定义为最具挑战性的。

Introduction

识别一个人的血液特征(如面部、虹膜或指纹)或行为模式(如击键动力学、步态)的任务被称为生物识别学。由于依赖于这种访问的设备的大量采用，使得模仿合法用户的开发技术显著增加，这给安全认证系统增加了重大挑战。攻击生物识别系统的过程在文献中称为表示攻击，但也可以称为欺骗攻击，它包括呈现给采集传感器的合成生物识别样本，其中包含有效用户的生物识别模式，以验证自己是合法用户。
在这项工作中，我们提出了一个新的工具，称为FaceSpoofBuster，用于检测表示攻击，不需要任何额外的硬件组件(如深度传感器，红外传感器)。该方法利用了不同生物样品的内在特性，与以往的文献方法相比，取得了较好的结果，同时对数据库间的分类、常用数据集间的评价等任务也具有一定的识别能力。
我们的方法是通过提取这些内在特性，如深度、光照和显著性，我们可以从给定的生物特征样本中获得更多关于真实性的信息。
结合体积神经网络(CNN)和转移学习过程，我们能够提取鲁棒性和鉴别性特征，并将其与SVM分类器结合在一个两步分类过程中，对攻击样本进行检测。该方法优于现有的人脸表示攻击检测(PAD)方法，主要针对具有挑战性的任务，如数据集间评估。
本文主要工作如下:(1)提出了一种结合图像固有特性和深度神经网络的人脸表示攻击检测新方法FaceSpoof Buster;(2)对PAD问题的不同性质(如显著性、深度和光照图)的评估，据我们所知，从未在这方面进行过评估;(3)跨数据集的测试产生的HTER导致了数据集内部和数据集内部协议的不同;(4)有效的应用之前在PAD环境下训练的CNN

RelatedWorks

这里深度的相关工作实际上也不是很新鲜了，但是我们这里看到还有一个是显著性图像的生成和光照图的生成，感觉还是有点东西的。
Illumination Maps
在数字取证领域，光照不一致一直被用来检测图像伪造(Carvalho et al. (2016);d. Carvalho等(2013)))。这些工作的假设是，光照是一个重要的线索，在认证语境中很难伪造。
受d. Carvalho等人(2013)方法的启发，我们还使用光照映射将光照信息编码到PAD上下文中。我们的假设是，从真实的人脸生成的光照图与从黄斑表面生成的光照图相比，其反射会有所不同。这类似于深度图的假设，但在这里，把注意力集中在非人类的面部特征上，而面部特征与平板或纸张的反射方式不同。在tanetal .(2008)提出的工作基础上，我们的方法利用强度-色度逆空间来估计单一图像的照度图。
Saliency Maps
在深度和光照中一样，我们使用显著性信息在我们的方法中来增强有用的信息。同样，我们的假设是，在显著性估计中，PAD中使用的平面对象会破坏显著性估计信息的质量。
我们的显著性图像估计基于Zhu等人(2014)，主要包括两个步骤:(1)利用边界连通性进行背景建模，描述图像区域相对于图像边界的空间布局;(2)一个原则性的优化框架，集成多个低层线索，包括提出的背景测度。

采用两步分类管道，第一步分类器用于特征向量分类，第二步分类器用于第一步分类器产生的概率分类，与前一步分类器相比，该方法具有较大的优越性。通过允许给定帧的许多内在属性叠加在一起，也可以利用额外的信息来完成PAD的任务。

针对bottleneck向量分类任务，采用支持向量机(SVM)分类器(Nasrabadi, 2007)，由于其在使用多个特征时对二元分类任务的鲁棒性。给定特征向量，我们的分类器返回每一帧，该帧是否被攻击的概率。
作为分类管道的最后一步，我们继续将我们的pfv向量输入到第二个分类器中，这个分类器稍后被称为概率分类器。为此，我们选择了另一个SVM分类器。作为这个分类的输出，我们将对每个视频进行最终分类

网络框架：

实验结果

这里来看，显著性好像没啥用处，但是光照图似乎还可以，我们以后可以研究一下。