Deep representations for iris, face, and fingerprint spoofing detection

• Processo: 15/03036-1
• Modalidade de apoio: Auxílio à Pesquisa - Publicações científicas - Artigo
• Vigência: 01 de abril de 2015 - 30 de junho de 2015
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Alexandre Xavier Falcão
• Beneficiário: Alexandre Xavier Falcão
• Instituição Sede: Instituto de Computação (IC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Aprendizado computacional Biometria Reconhecimento de padrões Publicações de divulgação científica Artigo científico
• Palavra(s)-Chave do Pesquisador: Aprendizado de descritores | Aprendizado de Máquina | Biometria | Deep Learning | Detecção de Spoofing | representação de imagem | Reconhecimento de Padrões

Resumo

Sistemas Biométricos tem melhorado significativamente a identificação e autenticação de pessoas, tendo um papel importante na segurança pessoal, nacional e global.No entanto, estes sistemas podem ser enganados (ou "falsificados") e, apesar dos recentes avanços na detecção de impostores/falsificações, as soluções atuais muitas vezes dependem de conhecimento de domínio de aplicação, sistemas específicos de leitura biométrica e tipos de ataques.Em nossa proposta, nós assumimos muito pouco conhecimento sobre a falsificação da biometria no sensor para conceber sistemas de detecção de falsificações excelentes para modalidades como íris, face e impressão digital baseado em duas abordagens de aprendizado em profundidade (deeplearning). A primeira abordagem consiste em aprender arquiteturas de redes convolucionais adequadas para cada domínio, enquanto a segunda abordagem foca no aprendizado dos pesos dos filtros da rede de convolução através do algoritmo de retro-propagação de erros.Nós consideramos nove bases de dados de falsificação de biometrias --- cada uma delas contém amostras reais e falsas de um dada modalidade de biometria e tipo de ataque --- e aprendemos representações profundas (de várias camadas) para cada base de dados através da combinação e contraste das duas abordagens de aprendizado.Esta estratégia não só forneceu uma melhor compreensão de como estas abordagens se interagem, mas também criaram sistemas que excedem os melhores resultados conhecidos em oito das nove bases de dados.Os resultados indicam fortemente que sistemas de detecção de falsificações baseados em redes convolucionais podem ser robustos à ataques já conhecidos e possivelmente serem adaptados, com pouco esforço, à ataques baseados em imagens que ainda estão por vir. (AU)