Smartphone Presentation Attack Detection using TrueDepth

Abstract

Automatisk angrepsgjenkjenning ved ansikts-autentisering (PAD) er en viktig del av å kunne beskytte ansiktsgjenkjennings-systemer fra alvorlige potensielle sik- kerhetsbrudd. I dag eksisterer et flerfoldig antall stabile, effektive og nøyaktige systemer for PAD. I dagens PAD-landskap er de beste PAD-algoritemene beregnet for bruk på RGB-bilder. I virkeligheten kan flere dimensjoner og fakorer enn et standard kamera tas i betraktning når et presentasjons-angrep blir forsøkt oppda- get. Forskningen rundt hvor mye slik tilleggsdata kan påvirke prosessen av ansikts- basert angreps-gjenkjenning er i dag lite utforsket. Ikke en eneste offentlig-tilgjengelig artikkel har forsket på løsninger for PAD som tar dybde-data fra smart-telefoner i bruk. Slik dybde-data kan hentes direkte ut fra flere moderne telefoner, deriblant Apples iPhone, gjennom dens innebygde TrueDepth-sensor. Denne oppgaven tar for seg forskning rundt hvordan dybde-dataen som kan hentes fra denne typen sensorer kan effektivt brukes til PAD. Resultatet av denne oppgaven kontribuerer direkte til den pågående forskningen innen utvikling av fremtidsrettede PAD- metoder.

Automated Presentation Attack Detection(PAD) is essential to protect facial recog- nition systems from potential security breaches. A multitude of stable, effective and accurate PAD systems exist today. In the current landscape within the field of PAD, the majority of the systems considered to be the most effective, use RGB- imaging exclusively. In reality, more dimensions and factors beyond the standard RGB-data produced by a camera can be taken into account when attempting to stop a presentation attack from happening. The research on how each type of supplemental data effects the detection of presentation attacks, is largely unexplored territory. Little publicly available material has proposed a solution that takes advantage of depth data from mobile devices. One way this data that can be collected, is by using the widely available TrueDepth sensor available in the majority of new iPhones being manufactured today. This thesis focuses on researching how the depth data that is generated through the use of these sensors can be utilized effectively in PAD. It utilizes a new, TrueDepth-driven approach to PAD. The results produced in conjunction with this thesis contribute directly to the currently ongoing research on development of PAD methods for the future.