单一变形攻击检测的面部特征可视化

​

Face Feature Visualisation of Single Morphing Attack Detection

解决问题：
这篇论文旨在解决单一变形攻击检测的问题，提出了一种可解释的面部特征可视化方法，用于提取不同面部特征，包括原始图像、形状、纹理、频率和压缩等，并训练了一个随机森林分类器来检测单一变形攻击。

关键思路：
论文的关键思路是提出了一种可解释的面部特征可视化方法，用于提取不同面部特征，并训练了一个随机森林分类器来检测单一变形攻击。相比当前领域的研究，这篇论文的思路在于提出了一种可解释的方法，使得检测结果更加直观易懂。

其他亮点：
该论文使用了FRLL数据库，并在其中训练了一个随机森林分类器来检测单一变形攻击。该论文的实验结果表明，基于离散余弦变换的方法在合成图像上表现最佳，而基于BSIF的方法在基于地标的图像特征上表现最佳。此外，该论文还提出了一种可解释的面部特征可视化方法，可以帮助边境警卫人员调查可疑图像。

关于作者：
Juan Tapia和Christoph Busch是本文的主要作者，他们分别来自挪威科技大学和挪威比约根大学。Juan Tapia曾在多个国际会议上发表过关于生物特征识别和安全性的论文，而Christoph Busch则在生物特征识别、身份认证和数据隐私方面有着丰富的研究经验。

相关研究：
近期其他相关的研究包括：

1. “Face Morphing Detection Using Deep Learning and Handcrafted Features”，作者为Shifeng Zhang，Xiaobo Wang，和Ajian Liu，所在机构为中国科学院大学和中国科学院自动化研究所。
2. “Morphing Attack Detection Using Convolutional Neural Networks and Local Binary Patterns”，作者为Mojtaba Mahdavi，Saeed Mozaffari，和Mohammad Reza Khosravi，所在机构为伊朗伊斯兰共和国科学与工业研究组织。

论文摘要：本文提出了一种可解释的面部特征可视化方法，用于探测单一变形攻击中的真实和变形图像。该特征提取基于原始图像、形状、纹理、频率和压缩。该可视化方法可以帮助开发用于边境政策的图形用户界面，尤其是用于调查可疑图像细节的边境警卫人员。在三种基于地标的面部变形方法和一种基于StyleGAN的变形方法中，使用随机森林分类器在留一法协议下进行训练，以检测变形攻击。对于合成图像，离散余弦变换方法获得了最佳结果，对于基于地标的图像特征，BSIF方法获得了最佳结果。

​Read More