2020
摘要
随着文明的不断进步,对个人隐私的保护和制度的有效性更加严格。在过去的研究中,与面部特征的距离被用来作为去识别的生物学特征,但这并不能解决使用照片来欺骗系统的问题。
1.引言
近年来,随着科技发展迅速,越来越多的场合开始关注人员身份问题,特别是在国家安全或高机密研究地点。
这时如果依赖于人工身份验证就非常容易受到非客观因素的影响,公平、公正、公开的原则受到挑战。
因此,自动识别技术应运而生。
早期的识别大多使用RFID标签(射频识别)
,但这种方法很容易被盗用复制,于是后来研究使用生物特征,比如指纹、语音印、手掌印、虹膜等。
这种生物特征识别方法就既方便又可靠,但利用RGB图像识别系统的性能受到环境照明的严重影响,很容易被图像的形式欺骗,降低了其安全性。
近年来越来越多基于生物识别的深度学习模型可以快速提高人脸识别的效率和准确性,但仍不能解决生物安全问题。
于是有了【3】和【4】,提出了presentation attack detection,PAD,以防止系统受到攻击欺骗,开启了对信息中心蕴含的个人隐私的保护研究。
后来又有了红外图像和热图像【5-7】等方法,在实现人脸识别的同时,还提出了一些基于可消除生物识别技术的模板保护方法,产生可区分和保密的可撤销的伪生物身份。
[19]设计了一对表示相似度度量(CRSM)来度量所获得的图表示之间的相似性。
2.方法
D. 模型和数据集的集成学习
去识别和热特征是验证热成像在提高人脸识别方面的有效性这一过程中值得关注的问题。
为了保护参与者的隐私(如姓名),所有图像在使用之前都被脱敏,参与者使用代号命名(例如,名字是ID-01)。
4.讨论
RGB图像仅适用于使用图像进行预测。如果RGB被转换为特征图像或特征矩阵,人脸上的可见特征将会丢失。此时,照片可以伪装成人类来欺骗识别系统,个人隐私也会出现问题。
把RGB人脸图像转换为热图像是第一个去识别过程,再转换为热特征图像或热特征矩阵是第二去识别过程。对于人脸,除了可以作为识别基础的可见特征外,不可见的热特征也是重要的不可伪造的生物特征。因此,经过去识别后,系统不仅仍然可以识别,而且还可以获得比原始图像更高的预测能力。然而,每种热图像模式都有自己合适的温度分布。因此,不同类型的输入数据可以通过集成学习体系结构相互增强,以减少错误识别的可能性。