摘要

人脸识别作为一种广泛应用的生物特征识别技术，已取得显著发展。然而，其在面对呈现攻击（presentation attacks）时的脆弱性带来了严重的安全威胁。尽管现有的呈现攻击检测（Presentation Attack Detection, PAD）方法试图应对这一问题，但其在面对未见过的攻击类型时往往难以实现有效泛化。为此，本文提出一种基于单类分类器的新型PAD框架，该框架采用多通道卷积神经网络（Multi-Channel Convolutional Neural Network, MCCNN）学习特征表示。我们设计了一种新颖的损失函数，促使网络在学习真实人脸（bonafide）样本紧凑嵌入表示的同时，使其与攻击样本的表示保持较大距离。在此基础上，进一步利用单类高斯混合模型（One-class Gaussian Mixture Model）进行最终的PAD判别。所提出的框架创新性地实现了仅基于真实样本与已知攻击样本，即可训练出具备强鲁棒性的PAD系统。这一方法尤为重要，因为相较于收集多种复杂且昂贵的攻击样本，获取真实人脸数据及相对简单的攻击样本要容易得多。我们在公开的WMCA多通道人脸PAD数据库上对所提系统进行了评估，该数据库涵盖了丰富的2D与3D呈现攻击类型。此外，我们还仅使用RGB通道，在MLFP与SiW-M数据集上进行了实验。实验结果表明，该方法在未见过的攻击测试协议中均表现出优异性能，充分验证了其有效性。为促进研究复现，本文已将相关软件、数据及实验协议全部公开发布。