Unsupervised Domain Adaptation for Face Anti-Spoofing

Haoliang Li , Student Member, IEEE, Wen Li, Member, IEEE, Hong Cao, Senior Member, IEEE, Shiqi Wang, Member, IEEE, Feiyue Huang, and Alex C. Kot, Fellow, IEEE

摘要

​  面部防欺骗技术（又称呈现攻击检测）近年来已成为学术界和工业界关注的热点课题，这与移动设备、个人电脑、平板电脑等终端用户身份验证需求的快速增长密切相关。目前，基于训练样本与测试样本在特征空间和边缘概率分布上属于同一领域的假设，已有大量面部欺骗检测方案被提出。然而，由于面部采集过程中光照条件、面部特征、摄像头质量等主导因素存在无限变化，这类单一领域方法普遍缺乏泛化能力，导致其难以实际应用。为此，我们提出了一种无监督领域适应性面部防欺骗方案，该方案通过在不同源域训练样本的基础上，为目标域学习分类器以应对现实场景。具体而言，首先基于源域和目标域数据构建嵌入函数，将数据映射至可度量分布相似性的新空间；随后通过最小化源域与目标域潜在特征间的最大均值差异，实现更通用分类器的训练。该框架还整合了手工设计特征与深度神经网络学习特征等前沿表征方法，以探究其在领域适应中的潜力。此外，我们开发了一个新型人脸欺骗检测数据库，收录了4000余张样本，涵盖多种欺骗类型、采集设备及光照条件。通过对比现有基准数据库与新数据库的实验验证，该方法在跨域场景中展现出显著的泛化优势，其抗欺骗性能始终优于传统方法。

1.引言

​  面部验证技术近年来备受瞩目，其核心在于通过采集的面部图像或视频对用户身份进行验证，并根据匹配结果决定是否接受请求。相较于依赖用户手写图案和密码的传统认证方式，面部验证具有独特优势：传统密码极易被盗用，而面部特征则具有高度私密性。此外，由于面部识别技术非侵入性强，且通过数字设备即可获取面部图像，这项技术已在信息安全、门禁控制等多个领域得到广泛应用。
​  尽管人脸识别技术面临诸多挑战，但近期提出的多种算法已取得显著成效，推动该领域研究日趋成熟。然而，伪造人脸图像/视频[1][2]仍可轻易绕过人脸识别验证系统。随着网络图像的快速传播，通过领英、脸书及视频聊天软件（如 QQ 、Skype）进行的人脸伪造行为日益猖獗。因此，亟需开发有效的人脸过滤技术以缓解安全风险。
​  总体而言，面部欺骗攻击主要分为照片攻击、遮蔽攻击、视频攻击和3D攻击四大类型。照片攻击通常采用两种方式：一是将人脸图像复制到高质量纸张上，二是将其显示在数字设备屏幕上，随后通过摄像头进行验证。除了纸质材料和屏幕显示，一种更高级的攻击手段是遮蔽攻击——通过剪裁眼睛和嘴巴来伪造面部特征，该技术已在文献[3]中提出。视频攻击则是通过平板电脑、笔记本电脑等数字设备播放录制的人脸视频进行验证。相较于传统照片攻击，遮蔽和视频攻击更具技术复杂性，因为它们能通过引入动态效果和实时信息来增强逼真度。3D攻击则依托面部模型技术，随着3D打印技术[4]和虚拟现实[5]的普及而兴起。不过，相较于传统照片、遮蔽和视频攻击，3D攻击的实施成本要高得多。
​  为解决面部防欺骗问题，学界提出了多种基于特征提取的通用分类器方法。尽管这些方法在基准数据库上表现良好，但由于其假设训练集和测试集的面部样本采集条件相似，导致泛化能力不足。正如多项研究[6]-[13]所指出的，当跨数据库场景出现时，面部欺骗检测的性能可能会显著下降。这极大阻碍了此类方法在实际应用场景中的应用，因为基于现有测试样本，始终难以在相似条件下生成标注训练样本。本文针对这一问题，提出了一种用于人脸防欺骗的无监督领域适应框架，以弥合通用分类器与领域适应分类器之间的差距。据我们所知，目前尚无研究将无监督领域适应应用于人脸欺骗检测问题。具体而言，当源域存在标注样本而目标域存在未标注样本时，基于这些数据的固有特性训练领域特定分类器具有实际应用价值。
​  本研究主要贡献包括以下三点：

  • 我们将从不同领域数据中学习分类器的面部防欺骗问题转化为无监督领域适应框架。在涉及不同条件下的面部数据的跨数据库场景中评估了所提方案的性能，实验结果表明其面部欺骗检测性能显著提升。
  • 将前沿特征融入领域适应框架，并对其性能及泛化能力进行分析。特别采用手工设计特征与深度神经网络学习特征，通过性能验证、分析与比较，探究这些特征在领域适应中的能力。
  • 我们引入了一个新的面部欺骗数据库。与现有数据库相比，我们的新数据库涵盖了更多样化的相机型号、光照条件和背景，以及不同的攻击类型。面部样本由配备从高质量到低质量摄像头的手机采集。总计收集了超过4000段面部视频。

​  本文结构安排如下：第二部分系统梳理人脸识别欺骗检测及生物特征域适应的相关研究进展；第三部分详细阐述我们提出的域适应框架；第四部分重点介绍所采用的特征提取方法；第五部分展示实验结果；第六部分对全文进行总结。