作者|Trung Anh Dang
编译|Flin
来源|towardsdatascience
多亏了计算机科学和电子技术的迅速发展，如今，就市场份额而言，面部识别正成为仅次于指纹的全球第二大生物特征认证方法。
每天，越来越多的制造商在他们的产品中加入面部识别功能，例如苹果公司采用了人脸识别技术，银行则采用eKYC解决方案进行了入职流程。
人脸识别研究的主要目的是提高验证和识别任务的性能，与此相反，过去对人脸识别系统的安全漏洞的研究较少，直到最近几年，人们才开始关注不同类型的人脸识别攻击，包括检测一个生物特征是来自一个活着的人还是一张照片。
面部识别系统上使用的两种攻击
如上图所示，存在七个可以作为攻击目标的模块和点，它们分为两种类型：演示攻击和间接攻击。
演示攻击
演示攻击在传感器级别（1）进行，而无需访问系统内部。
演示攻击与纯粹的生物识别漏洞有关。在这些攻击中，入侵者使用某种伪像，例如，照片，面具，合成指纹或打印的虹膜图像，或试图模仿真实用户的行为（例如步态，签名）欺诈地访问生物识别系统。
由于“生物特征不是秘密”，攻击者意识到这种现实，即暴露了大量生物特征数据，显示了人的脸部，眼睛，声音和行为，因此他们利用这些信息资源来尝试利用以下示例欺骗人脸识别系统。
- 攻击者使用要被冒充的用户照片。
- 他们使用要模仿的用户视频。
- 黑客可以构建和使用被攻击人脸的3D模型，例如，超逼真面具
我们使用反欺骗技术来防止这些攻击。
间接攻击
可以在数据库，匹配的通信通道等上执行间接攻击（2-7）。在这种类型的攻击中，攻击者需要访问系统内部。
可以通过与“经典”网络安全有关的技术（而不是与生物识别技术）相关的技术来防止间接攻击，因此在本文中我们将不再讨论。
进攻方式
如果不实施演示攻击检测，大多数最新的面部生物特征识别系统都容易受到简单攻击。
通常，可以通过向相机呈现目标人员的照片，视频或3D蒙版来欺骗面部识别系统。或使用化妆或整形手术。但是，由于高分辨率数码相机曝光率高、成本低，使用照片和视频是最常见的攻击类型。
- 照片攻击：照片攻击包括将被攻击身份的照片显示在面部识别系统的传感器上。
- 视频攻击：攻击者可以在任何复制视频的设备中播放合法用户的视频，然后将其呈现给传感器/摄像机。
- 3D蒙版攻击：在这种类型的攻击中，攻击者构建面部的3D重建并将其呈现给传感器/相机。
- 其他攻击：化妆，手术
反欺骗技术
因为大多数面部识别系统很容易受到欺骗方的攻击。因此，为了在真实场景中设计一个安全的人脸识别系统，从系统的初始规划开始，防欺骗技术应该是首要任务。
由于面部识别系统试图区分真实用户，因此无需确定提供给传感器的生物特征样本是真实的还是假的。我们可以通过以下四种不同方式来实现它们。
传感器
我们使用传感器来检测信号中的实时特征。
专用硬件
借助专用硬件（例如3D摄像机）来检测生命迹象，但并非总是可以部署。
挑战响应法
使用挑战响应法，其中可以通过请求用户以特定方式与系统进行交互来检测演示攻击。
- 微笑
- 悲伤或幸福的面部表情
- 头部动作
算法
使用以下识别算法本质上具有抵御攻击的能力。
镜面特征投影：首先，通过刻画真实图像对应的镜面特征空间，在此基础上学习真实数据和虚假数据的投影。其次，根据真实投影训练SVM模型，然后使用3D掩模投影和打印照片投影作为检测模拟的反欺骗模型。
深度特征融合：通过深入研究人脸图像颜色特征信息对人脸检测的重要性，利用深度卷积神经网络ResNet和SENet构建了深度特征融合网络结构，有效地训练相关的人脸防欺骗数据。
图像质量评估：该方法基于图像质量度量的组合。该解决方案将原始图像与经过处理的图像进行比较。
深度学习：此方法基于多输入架构，该架构结合了预训练的卷积神经网络模型和本地二进制模式描述符。
生物特征认证方法
https://towardsdatascience.co...
如何实施？
我们可以使用反欺骗技术构建演示攻击检测系统（PAD），并将其与面部识别系统集成。
使用这种方法，防欺骗系统首先做出决定，只有确定样本来自有生命的人之后，面部识别系统才会对其进行处理。
原文链接：https://towardsdatascience.co...
欢迎关注磐创AI博客站：
http://panchuang.net/
sklearn机器学习中文官方文档：
http://sklearn123.com/
欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/
