,
نوع مقاله : مقاله پژوهشی
چکیده
در بکارگیری سیستم‌های شناسایی چهره روش‌های مختلف تقلب نظیر استفاده از ماسک پوششی و بکارگیری عکس شخص معتبر دو مشکل اساسی هستند که کاربردهای آن‌ها را محدود می‌کنند. براساس بررسی‌های انجام شده روش-هایی برای تشخیص تقلب در شناسایی چهره معرفی شده‌اند که بعضا مداخله کننده هستند، یعنی شخص را وادار به انجام حرکتی می‌کنند تا بتوانند چهره واقعی را از تقلبی تمییز دهند. استفاده از روش‌های مداخله کننده اغلب نارضایتی کاربران را به همراه دارد. در این مقاله با ارائه روشی غیرمداخله کننده و براساس ویژگی‌هایی مانند انعکاس نور یا وجود نویز متناوب اقدام به شناسایی تصاویر واقعی از تقلبی می‌کنیم. در این روش ابتدا با بهره گیری از الگوی دودویی محلی لبه‌ها و بافت تصویر برجسته می‌شوند. سپس جهت طبقه‌بندی تصاویر واقعی و غیرواقعی، ویژگی‌های تصویر توسط مدل یادگیری عمیق متشکل از سه لایه پیچش استخراج می‌شوند. نتایج نشان‌دهنده مقاومت روش پیشنهادی در برابر پوشش چشم است. به منظور ارزیابی روش پیشنهادی مجموعه داده CASIA در این تحقیق مورد استفاده قرار گرفته‌است. نتایج حاکی از دقت ۹۸ درصدی روش پیشنهادی در این مجموعه داده است که در مقایسه با روش‌های موجود دقت بالاتری دارد.
- Ahonen, Timo, Abdenour Hadid, and Matti Pietikäinen. (2004, May) "Face Recognition with Local Binary Patterns." European conference on computer vision.
- Abbaspoor, N., & Hassanpour, H. (2022). "Face Recognition in A Large Dataset Using a Hierarchical Classifier". Multimedia Tools and Applications, 1-19.
- Pan, Gang. "Eyeblink-based Anti-spoofing In Face Recognition from A Generic Webcamera." IEEE 11th international conference on computer vision. IEEE, 2007.
- Alibabaie, N., & Latif, A. (2021). Adaptive Periodic Noise Reduction in Digital Images Using Fuzzy Transform. Journal of Mathematical Imaging and Vision, 63(4), 503-527.
- Zhang, Wanling, and Shijun Xiang. "Face Anti-spoofing Detection Based On DWT-LBP-DCT Features." Signal Processing: Image Communication 89 (2020): 115990.
- Pinto, A., Schwartz, W. R., Pedrini, H., & de Rezende Rocha, A. (2015). Using Visual Rhythms for Detecting Video-based Facial Spoof Attacks. IEEE Transactions on Information Forensics and Security, 10(5), 1025-1038.
- Xu, S. Li, and W. Deng. Learning Temporal Features Using LSTM-CNN Architecture for Face Anti-spoofing. In Pattern Recognition (ACPR), 3rd IAPR Asian Conference on, pages 141–145. IEEE, 2015. 2, 7, 8
- Tang, J., Su, Q., Su, B., Fong, S., Cao, W., & Gong, X. (2020). Parallel Ensemble Learning of Convolutional Neural Networks and Local Binary Patterns for Face Recognition. Computer Methods and Programs in Biomedicine, 197, 105622.
- Patro, S., and Kishore Kumar Sahu. "Normalization: A Preprocessing Stage. 1503.06462 (2015).
- Li, Shutao, et al. "Deep Learning for Hyperspectral Image Classification: An overview." IEEE Transactions on Geoscience and Remote Sensing 57.9 (2019): 6690-6709.
- Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Ne ural Networks,” in Proc. Adv. Neural Inf. Process. Syst., 2012, pp. 1097–1105.
- Mathew, Amitha, P. Amudha, and S. Sivakumari. "Deep Learning Techniques: An Overview." International Conference on Advanced Machine Learning Technologies and Applications. Springer, Singapore, 2020.
- Nitish Srivastava, Geoffrey Hinton, and Alex and Krizhevsky. Dropout: A Simple Way to Prevent Neural Networks from Overftting. Journal of Machine Learning Research, 15:1929-1958, 2014.
- Zhang, J. Yan, S. Liu, Z. Lei, D. Yi, and S. Li, “A Face Antispoofing Database with Diverse Attacks,” in IAPR Intl. Conference on Biometrics, 29 2012-april 1, pp. 26 –31
- Yang, Z. Lei, and S. Z. Li. "Learn Convolutional Neural Network for Face Anti-spoofing". CoRR, abs/1408.5601, 2014. 2, 7, 8
- Boulkenafet, J. Komulainen, and A. Hadid. Face Antispoofing Based on Color Texture Analysis. In Image Processing (ICIP), IEEE International Conference on, pages 2636–2640. IEEE, 2015.
)