МЕТОДЫ УСИЛЕНИЯ ПРОЦЕДУРЫ ИДЕНТИФИКАЦИИ ПОЛЬЗОВАТЕЛЕЙ НА ОСНОВЕ ТЕХНОЛОГИИ LIVENESS DETECTION

  • В.В. Золотарев Сибирский государственный университет науки и технологий
  • А. О. Поважнюк Сибирский государственный университет науки и технологий
  • Е.А. Маро Южный федеральный университет
Ключевые слова: Биометрические системы идентификации, спуфинг-атаки, определение живучести

Аннотация

Биометрические системы идентификации и контроля доступа содержат методы
распознавания личности субъекта на основе уникальных физиологических и поведенческих
характеристик. Целью данной работы является разработка системы безопасного взаимо-
действия (аутентификации) участников геймифицированных образовательных проектов,
включающая в себя противодействие угрозам безопасности, возникающим при использовании биометрических характеристик пользователей. Выполнен сравнительный анализ эф-
фективности распознавания поддельных биометрических образцов методами liveness detection
на основе выявления подмены образца с помощью фото, видео на дисплее,
3D-модели, маски. В ходе исследования предложен способ применения метода liveness detection
для внедрения в системы геймифицированной образовательной среды. Предложена
модификация метода liveness detection (гибридный метод) и спроектирована система био-
метрической идентификации в реальном времени с использованием предложенного мето-
да. Разработан двухэтапный гибридный метод биометрической идентификации на основе
совместного использования пассивных и активных программных методов выявления под-
дельных биометрических образцов. Метод адаптирован для использования с минимальным
количеством дополнительных используемых устройств, единственным сканером биомет-
рических признаков является 2D-камера. Проведено тестирования работы сети видов дву-
слойный персептрон, трехслойный персептрон и сверточная нейронная сеть. Обучение
сети проводилось на собственных обучающих примерах. Положение диктора при записи
обучающих примеров: расстояние лица от камеры – 60см, режимы записи при повороте
головы на 0 (взгляд прямо в камеру), 30 (голова немного повернута в сторону) и 45 (голова
сильно повернута в сторону) градусов. По итогам тестирования лучшие показатели рас-
познавания были выявлены у сверточной нейронной сети с 3 сверточными слоями и 1 пол-
носвязным. Получена точность распознавания произнесенного слова до 100% при повороте
головы пользователя до 30° и до 70% - при повороте головы пользователя до 45°. При тес-
тировании на выборке, состоящей из 1000 примеров, значение FAR данной системы соста-
вило 1%, значение FRR составило 0%.

Литература

1. GOST ISO/IEC 19794-1-2015. Informatsionnye tekhnologii (IT). Biometriya. Formaty
obmena biometricheskimi dannymi. Ch. 1. Struktura; vved. 01.07.2016 [GOST ISO / IEC
19794-1-2015. Information technology (IT). Biometrics. Biometric data exchange formats.
Part 1. Structure; entered 01.07.2016]. Moscow: FGUP «StandartInform», 2016, 25 p.
2. PSA: Your Note 8's Face Unlock can easily be fooled, Sean Hollister. Available at:
cnet.com/news/samsung-note-8-fooled-face-unlock-not-secure.
3. Edinaya biometricheskaya sistema. Metodicheskie rekomendatsii po udalennoy identifikatsii
dlya rukovoditeley proektov. Versiya 1.0 [Unified biometric system. Methodological recommendations
for remote identification for project managers. Version 1.0]. Available at:
https://bio.rt.ru/upload/iblock/4ba/MR-po-udalennoy-identifikatsii-dlya-rukovoditeleyproektov_
v1.0.docx.
4. Shweta Policepatil, Sanjeevakumar M. Hatture Face Liveness Detection: An Overview, International
Journal of Scientific Research in Science and Technology, 2021. Available at:
https://ijsrst.com/paper/8266.pdf.
5. Chen H., Chen Y., Tian X. and Jiang R. A Cascade Face Spoofing Detector Based on Face Anti-
Spoofing R-CNN and Improved Retinex LBP, IEEE Access, 2019, Vol. 7, pp. 170116-170133.
DOI: 10.1109/ACCESS.2019.2955383.
6. Yousef A., Yaojie L., Amin J., Xiaoming L. Face anti-spoofing using patch and depth-based
CNNs, 2017 IEEE International Joint Conference on Biometrics (IJCB), 2017, pp. 319-328.
7. Trader J. Liveness Detection to Fight Biometric Spoofing, M2SYS Blog: сайт. A KernellO
Company, 2017. Available at: m2sys.com/blog/scanning-and-efficiency/liveness-detectionfight-
biometric-spoofing.
8. Lagorio A., Tistarelli M., Cadoni M., Fookes C., Sridharan S. Liveness detection based on 3d
face shape analysis, Conf. on Biometrics and Forensics (IWBF), April 2013.
9. Face ID Security, Apple Inc. Available at: apple.com/business-docs/FaceID_Security_
Guide.pdf.
10. Galbally J., Marcel S. Face Anti-Spoofing Based on General Image Quality Assessment, Conf.
on Pattern Recognition (ICPR), January 2014.
11. Kim G., Eum S., Suhr J.K., Kim D.I., Park K.R., Kim J. Face Liveness Detection Based on
Texture and Frequency Analyses, 5th IAPR International Conference on Biometrics (ICB),
2012. School of Electrical and Electronic Engineering. Yonsei University, Republic of Korea,
2012, 6 c.
12. Kim S., Ban Y., Lee S. Face Liveness Detection Using Defocus, Department of Electrical and
Electronic Engineering. Yonsei University, Korea, 14 Jan, 2015, pp. 1537-1563.
13. Jee H.-K., Jung S.-U., Yoo J.-H. Liveness detection for embedded face recognition system,
International Journal of Computer, Electrical, Automation, Control and Information Engineering,
2008, Vol. 2, No: 6, pp. 2142-2145.
14. Ali A., Deravi F., and Hoque S. Liveness detection using gaze collinearity, Proc. IEEE Int.
Conf. Emerg. Secur. Technol. (ICEST), Sep. 2012, pp. 62-65.
15. Kollreider K., Fronthaler H., Faraj M.I., and Bigun J. Real-time face detection and motion
analysis with application in “liveness” assessment, IEEE Transactions on Information Forensics
and Security, 2007, 2 (3-2), pp. 548-558.
16. Vorontsov K.V. Lektsii po metodu opornykh vektorov [Support vector machine lectures].
Available at: ccas.ru/voron/download/SVM.pdf.
17. Volkova S.S., Matveev Yu.N. Primenenie svertochnykh neyronnykh setey dlya resheniya
zadachi protivodeystviya atake spufinga v sistemakh litsevoy biometrii [Application of convolutional
neural networks for solving the problem of countering spoofing attacks in facial biometrics
systems], Nauchno-tekhnicheskiy vestnik informatsionnykh tekhnologiy, mekhaniki i
optiki [Scientific and technical bulletin of information technologies, mechanics and optics],
2017, Vol. 17, No. 4, pp. 702-710.
18. Eetveldt J.V. Real-time face liveness detection with Python, Keras and OpenCV, Towards
Data Science, 2019. Available at: https://towardsdatascience.com/real-time-face-livenessdetection-
with-python-keras-and-opencv-c35dc70dafd3.
19. Rodebrock A. Pyimagesearch, Author archive. Available at: https://www.pyimagesearch.com/
author/adrian.
20. Dlib C++ Library. Available at: http://dlib.net/.
21. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet Classification with Deep Convolutional
Neural Networks, Article in Advances in neural information processing systems, January
2012, 9 p.
Опубликован
2022-05-26
Выпуск
Раздел
РАЗДЕЛ III. АЛГОРИТМЫ ОБРАБОТКИ ИНФОРМАЦИИ