知物由學 | 基於DNN的人臉識別中的反欺騙機制

“知物由學”是網易雲易盾打造的一個品牌欄目，詞語出自漢·王充《論衡·實知》。人，能力有高下之分，學習才知道事物的道理，而後才有智慧，不去求問就不會知道。“知物由學”希望透過一篇篇技術乾貨、趨勢解讀、人物思考和沉澱給你帶來收穫的同時，也希望開啟你的眼界，成就不一樣的你。當然，如果你有不錯的認知或分享，也歡迎透過郵件（zhangyong02@corp.netease.com）投稿。

以下是正文：

本文作者：ArturBaćmaga，YND的AI專家。

想象一下，只需使用臉部即可解鎖手機，無需指紋掃描或觸控。它會在沒有任何使用者干預的情況下自動且完美地工作。是的，目前已經可以做到了這一點，它被稱為iPhone X，你可能已經在使用它了。

更好的未來是：使用人臉識別進行使用者身份驗證的潛力比這更大！在不遠的將來，我們能夠透過展示我們獨特的面部特徵來租一輛車，並簽署法律檔案。

實際上，我們已經開始看到需要身份驗證的某些服務（如銀行和其他型別的交易系統）。在這種情況下，所提供的法律資料將與檔案上的ID和麵部影像上的資料進行交叉檢查，並與所有者的面部進行比較。但是，像大多數新技術一樣，技術在創新，騙子也在創新。而欺騙人臉識別機制的最流行方式之一是“人臉欺騙”攻擊。

欺騙攻擊是指透過使用照片、影片或授權人臉部的其他替代品來獲取其他人的特權或訪問權。

一些欺騙攻擊的例子：

1.列印攻擊：攻擊者將別人的照片列印或者顯示在數字裝置上。

2.重播/影片攻擊：誘騙系統的更復雜的方式，通常需要一個受害者臉部的迴圈影片。與保持某人的照片相比，這種方法可以確保行為和麵部運動看起來更自然。

3.3D掩碼攻擊：在這種型別的攻擊中，掩碼被用作欺騙的首選工具。這是一個比利用臉部影片更復雜的攻擊。除了自然的面部運動之外，它還可以欺騙一些額外的保護層，例如深度感測器。

欺騙檢測方法：

欺騙的方法有很多種，對應的我們有許多不同的方法來應對它們的挑戰。最流行的反欺騙最先進的解決方案包括：

1.面部生命力檢測：一種基於分析測試面如何“活著”的機制。這通常透過檢查眼球運動來完成，例如閃爍和臉部運動。

2.上下文資訊科技：透過調查影像的周圍環境，我們可以嘗試檢測掃描區域中是否有數字裝置或照片紙。

3.紋理分析：在這裡探測輸入影像的小紋理部分，以便在欺騙和真實影像中查詢圖案。

4.使用者互動：透過要求使用者執行動作（將頭部向左/向右轉動，微笑，閃爍的眼睛），機器可以檢測動作是否以與人類互動類似的自然方式進行。

當然，我們不能忽視房間裡的大象（指某種巨大到不可能被忽視的真相，而事實上如此巨大的大象常常被集體忽略。）——iPhone X上的FaceID。在最新的硬體迭代中，Apple推出了先進的深度對映和3D感應技術，可以以前所未有的精度實現欺騙檢測。但是，由於這種高階硬體在不久的將來將無法在大多數消費類裝置上使用，所以我們不得不進化我們的技術以保證我們可以避免被欺騙。

事實上，在我們的研究和實施過程中，我們發現使用中等質量的2D相機也可以實現極高水平的實時欺騙檢測。到底是什麼讓2D相機擁有如此高的檢測水準？答案就是當下最火的深度學習解決方案和自定義的神經網路。

我們透過與現有的文件化方法進行交叉檢查來驗證我們的方法。

交叉檢查1：影像質量評估：

該解決方案基於將原始影像與用高斯濾波處理的影像進行比較。該論文的作者[1]證明了假影像之間的差異與真實影像之間的差異，並且可以自動檢測。為了做到這一點，我們提取了14種流行的影像質量特徵，例如：均方誤差，平均差或邊緣/角差。下一步是將它們傳送給分類器，以確定它是“真實”的臉還是“假的”臉。

圖1. IQA分類處理流程：將影像轉換為灰度，使用高斯濾波器，從原始影像和濾波影像之間的差異中提取14個特徵，將特徵傳遞給分類器。

交叉檢查2：影像失真分析：

四種不同的特徵（鏡面反射、模糊、色度矩和色彩多樣性）被髮送分類器用於分類。分類器由多個模型構建而成，每個模型都訓練出不同型別的欺騙攻擊向量。

圖2. IDA分類過程流程：提取4個失真特徵，將它們傳遞給一組分類器，將結果傳遞給負責欺騙/非欺騙決策的分類器

最終方法：深度神經網路模型：

這是基於用CNN（卷積神經網路，這是影像分析中最流行的神經網路）建立的模型。裁剪後的人臉影像被傳遞到神經網路，然後透過神經層進行處理，以將其分類為真實/假的。

圖3. DNN分類處理流程：將面部影像傳遞到CNN

訓練系統：

上述所有解決方案都包含了需要監督學習才能返回正確結果的模型。訓練集是從站在攝像機前面的人們的影像構建的，或者拿著一個裝置，並在其上顯示他們的臉部。所有的面孔被裁剪並分成兩組：真實的和假的。這些影像是由中等解析度的800萬畫素相機拍攝的，這是一款在工業應用中使用的流行款式，三種方法都使用相同的訓練集。

訓練集示例

比較結果：

對於效能測試，我們使用簡單的精確度、召回率和F1分數。所有三個實驗的結果顯示在下表中：

準確性和效能總結

欺騙示例

下一步是什麼？

所呈現的最先進的解決方案僅適用於2D重放/影片攻擊。為了增加對更多型別攻擊的抵抗能力，DNN模型還可以透過使用紙質列印的攻擊示例擴充套件訓練資料來調整。另外，3D欺騙嘗試可以透過附加感測器來處理（例如深度）。

安全是一個不斷變化的問題，因為一旦引入新的保護方法，攻擊者就會不斷發現新的方法來破壞系統，我們需要不斷發明一些新的方法來對抗那些攻擊者！

相關閱讀：

知物由學第三期 | 未來安全隱患：AI的軟肋——故意欺騙神經網路

知物由學第四期 | 乾貨！一文了解安卓APP逆向分析與保護機制

知物由學第五期 | 這些企業大佬如何看待2018年的安全形勢？

知物由學第六期 | 知物由學｜遊戲開發者如何從容應對Unity手遊風險？