Smartphone Presentation Attack Detection using TrueDepth
Bachelor thesis
Permanent lenke
https://hdl.handle.net/11250/3004308Utgivelsesdato
2022Metadata
Vis full innførselSamlinger
Sammendrag
Automatisk angrepsgjenkjenning ved ansikts-autentisering (PAD) er en viktig delav å kunne beskytte ansiktsgjenkjennings-systemer fra alvorlige potensielle sik-kerhetsbrudd. I dag eksisterer et flerfoldig antall stabile, effektive og nøyaktigesystemer for PAD. I dagens PAD-landskap er de beste PAD-algoritemene beregnetfor bruk på RGB-bilder. I virkeligheten kan flere dimensjoner og fakorer enn etstandard 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-tilgjengeligartikkel har forsket på løsninger for PAD som tar dybde-data fra smart-telefoner ibruk. Slik dybde-data kan hentes direkte ut fra flere moderne telefoner, deriblantApples iPhone, gjennom dens innebygde TrueDepth-sensor. Denne oppgaven tarfor seg forskning rundt hvordan dybde-dataen som kan hentes fra denne typensensorer kan effektivt brukes til PAD. Resultatet av denne oppgaven kontribuererdirekte 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, effectiveand accurate PAD systems exist today. In the current landscape within the fieldof PAD, the majority of the systems considered to be the most effective, use RGB-imaging exclusively. In reality, more dimensions and factors beyond the standardRGB-data produced by a camera can be taken into account when attempting tostop a presentation attack from happening.The research on how each type of supplemental data effects the detectionof presentation attacks, is largely unexplored territory. Little publicly availablematerial has proposed a solution that takes advantage of depth data from mobiledevices. One way this data that can be collected, is by using the widely availableTrueDepth sensor available in the majority of new iPhones being manufacturedtoday. This thesis focuses on researching how the depth data that is generatedthrough the use of these sensors can be utilized effectively in PAD. It utilizes anew, TrueDepth-driven approach to PAD. The results produced in conjunction withthis thesis contribute directly to the currently ongoing research on developmentof PAD methods for the future.