【FAS】《Face Anti-Spoofing Using Patch and Depth-Based CNNs》

2017 IEEE International Joint Conference on Biometrics (IJCB)

---

1 Background and Motivation

传统的人脸识别系统做活体检测的方法大致可以分为如下三类

• texture-based methods（pixel intensity 和各种不同形式的 attacks 没有明确关系，因此想要提取出比较鲁棒的纹理特征还是比较难的）
• motion based methods（eg 眨眨眼，这类方法可以很好的应对静态攻击，但面对诸如 replay 和 mask 攻击时，就相形见绌了）
• image quality and reflectance-based methods，这类方法主要时设计特征来捕获 superimposed illumination and noise information

大部分是基于手动设计的特征，很容易受到如下几种 presentation attack（PA）的攻击：

• print attack
• replay attack
• 3D masks

因此需要设计更加鲁棒的 face anti-spoofing 特征或者 PA detection system！

随着人脸欺骗数据库数量的增加，CNN被认为能够利用更大数量的训练数据，并学习可归纳的信息来区分真实和欺骗样本——特征不是手工设计，鲁棒性更强，可应付的 PA 更多！

本文，作者基于 CNN 的方法，提出 local features（利用 random 的图像 patch） 和 holistic depth maps（利用整张人脸，把活脸描述为 3D 的 object）two stream 的结构

local feature 分支的每个 patch 会计算的出来一个分数，之后取平均值

holistic depth maps 也会通过评估 depth 图像给出 living score

这两个分支的得分最后会结合起来，来给出最后的分类结果，live or spoof（作者深度指的是 the height map of the face region，而不是严格上的 object-surface-to-camera distance）

2 Innovation / Contribution

• 同时利用 learned 到的 local 和 holistic 特征来分类 live or spoof
• 提出了通过评估 dense depth map（RGB-D）来做人脸活体检测
• 在许多数据上实现了 SOTA

3 Related Work

• Traditional face anti-spoofing methods
• CNN-based methods
• Image depth estimation

4 Methods

两个 stream 的最终得分通过加权的形式融合在一起，patch stream 权重为1，depth steam 权重为 0.4

4.1 Patch-based CNN

用 patch 而不是用整张图的好处 (在人脸中取 patch)

• 增加训练样本（避免有限数据集中，整张人脸会存在 high similarities across the frames）
• 用整个人脸的话，会把人脸 resize 到固定大小，可能会丢失部分 discriminative information
• 假设整个人脸区域在空间上都存在 spoof-specific discriminative 信息，patch 的方式更有利于 enforce CNN 去发现这样的信息（个人感觉 patch 也会丢失一定的空间信息，不过 discrimination 信息确实往往是局部很小的位置）

相关先验知识的引入更有利于 CNN 学习到 spoof-specific discriminative information，例如利用不同的颜色空间作为输入（$RGB$，$HSV$，$Y{C}_b{C}_r$）

RGB 在活检应用场景中，发挥的作用有限，因为RGB不能很好的分开亮度和色度信息（$HSV$，$Y{C}_b{C}_r$ 可以，因此也能提供额外的可能利于活检的信息）， 且 R，B，G三个通道相关性较高，

4.1.1 Input features

其中 $I_H=I-f_{lp}(I)$，$f_{lp}$ 表示 low-pass filter

4.1.2 CNN architecture

3 个 fc，来一张图片，先 detection 人脸，然后再进行后续的 two-branch 操作，patch-based CNN 分支中，如果图片是 live 的，所有 patch 的标签都是 1，如果是 spoof 的，所有 patch 的标签则为 0

4.2 Depth-based CNN

printed paper or dispaly 类型的 PAs，它们的 depth 明显与 live faces 不同

Depth-based CNN 结构，输入是 face images，输出是 corresponding depth maps，从 table 1 可以看出，输入输出的分辨率大约隔了 2 倍（有反卷积操作）

1）Generating the depth labels

Fig 2 热力图标签是根据 SOTA 的 3D face model fitting 获得

注意到一些 print attack，例如 paper attack，纸张有可能是 bent 的，作者把这些 spoof face 的 label 也都设置为了 flat plain

2）FCN structure
FCN（fully convolutional network） structure，$f(I;\Theta )$，$I$ 是输入的图片，$\Theta$ 表示 network parateter

图 table1 所示，有 downsampling part and upsampling part（transpose convolutional layer） 两个部分构成，损失函数如公式2所示

$M$ 表示 depth map（label）

3）Depth Map for Classification

可以根据深度图来区别 live or spoof face，作者进一步通过训练 SVM，使得 depth map 具有 classify live vs. spoof 的能力，具体做法如下

作者将 CNN learning 得到的 depth map $M$ 划分为 $N\times N$ 大小的网格（有 overlaid），然后计算每个 cell 里的深度值的平均值作为当前 cell 的特征，这样一个二维的深度图 $M$ 就转化为了 $N^2$ 的特征 vector，用该特征作为 SVM 的输入!

作者用不同的 N 训练出了很多 SVM

5 Experiments

5.1 Database

• CASIA-MFSD
• MSU-USSA
• Reply Attack

5.2 Ablation Study

5.2.1 Patch-based CNN analysis

先检测出人脸，然后处理成不同的输入，最后再分成许多 patch，

LBP 的算法参考 LBP原理介绍以及算法实现

5.2.2 Depth-based CNN analysis

注意这个 cut print attack，是把打印的图片裁剪部分，露出相应的真人，例如：眼睛

可以看到，虽然 Depth-based CNN learning 出来的和 fig.4 中的 label 还有差距，但是 live 和各种 anti-spoofing 已经有效的被 CNN 区分开来，有利于后续的 SVM 进行分类

5.2.3 Fusion analysis

可以看出核心的还是 depth 方法，fusion 的话仅在 normal quality 图像上有较为明显的提升

5.4 Experimental Comparison

CASIA-FASD 数据集上的比较

评价指标的介绍参考：

• 活体检测评判标准HTER（half total error rate）解读
• 机器学习性能度量(2)：错误接受率 (FAR), 错误拒绝率(FRR)，EER计算方法，python实现

Moire Pattern 这方法这么牛？都 0 了

MSU-USSA 数据集上的比较

Reply Attack 数据集上的比较

6 Conclusion（own）

• high-frequency information of face images is crucial for anti-spoofing（Table 的实验结果看出，低频也还是有用的）
• For live videos，the depth changes little over time，while the depth of spoof ones can change substantially due to noisy estimation and involunatry hand movement while holding spoof mediums.
• patch 分支和 depth 分支加权在一起，能独当一面的，更多的是 depth 分支