摘要

活体攻击（Presentation attacks）是生物特征识别系统面临的持续性威胁，攻击者试图通过伪造生物特征信息绕过系统验证。人类视觉系统通常依赖背景信息作为上下文线索进行判断。然而，在基于人脸的系统中，背景信息往往被忽略，因为现有的活体攻击检测（Face Presentation Attack Detection, PAD）模型大多仅在裁剪后的人脸图像（face crops）上进行训练。本文对多种PAD模型（包括多任务学习、对抗训练和动态帧选择方法）在两种不同设置下进行了对比研究：一种是使用裁剪图像，另一种则保留完整图像中的背景信息。实验结果表明，当图像中包含背景信息时，模型性能始终更优。所提出的多任务学习方法在ROSE-Youtu数据集上取得了显著优于现有最先进方法的性能，等错误率（Equal Error Rate, EER）低至0.2%。此外，本文采用Grad-CAM++对模型预测结果进行可视化分析，以探究模型在多大程度上关注了对人类视觉判断具有参考价值的背景特征。分析结果表明，并非所有攻击类型下背景线索都具有判别性，说明模型仅在必要时才会有效利用背景信息，展现出对上下文线索的智能选择能力。