Impact of Image Context for Deep Learning Face Morphing Attack Detection

Abstract

A utilização do rosto como forma de identificar e verificar a identidade de um dado indivíduo tem impactado significativamente a expansão dos sistemas biométricos, em particular sistemas de reconhecimento facial, como medida de segurança.A face humana é por outro lado, extremamente suscetível a manipulações, tornando estes sistemas vulneráveis a ameaças e tentativas de ataque.O morphing facial é um dos ataques mais preocupantes, na medida em que permite obter uma imagem de um indivíduo que aparenta ser real, mas que na verdade, não existe. Além disso, a imagem resultante é confundível com a face de dois ou mais indivíduos já que incorpora uma combinação das características faciais dos mesmos. Isto permite, por exemplo, que um atacante se faça passar por outra pessoa obtendo acesso não autorizado a informações ou sistemas sensíveis.Por todos estes motivos a capacidade de detetar estes ataques é fundamental e tem sido alvo intensivo de estudo por parte de investigadores. Atualmente, a maioria das abordagens envolve o uso de algoritmos de aprendizagem profunda, que se têm mostrado eficazes em cenários mais realistas.Nesta dissertação o objetivo principal passa por investigar a influência do contexto da imagem na deteção de ataques de morphing facial no caso particular de algoritmos de aprendizagem profunda.Para isso, propôe-se analisar o impacto das configurações de alinhamento da imagem na deteção.Isto é motivado pelo facto de o procedimento de alinhamento facial influenciar diretamente as interconexões entre o contorno do rosto e o contexto da imagem. Nesse sentido, a deteção eficaz pode ser alcançada através da obtenção de condições de alinhamento ótimas.

The use of the face as a way to identify and verify an individual's identity has significantly impacted the expansion of biometric systems, particularly face recognition systems, as a security measure. However, the human face is extremely susceptible to manipulation, making the systems highly vulnerable to threats and attack attempts.Face morphing is one of the most concerning attacks since it allows to obtain an image of an individual that appears to be real but, in fact, does not exist. Furthermore, the resulting image can be easily confused with the faces of two or more individuals, as it incorporates a combination of their facial characteristics. This allows, for instance, an attacker to impersonate another person and gain unauthorized access to sensitive information or systems.For all these reasons, the ability to detect these attacks is crucial and has been the subject of intensive study by researchers. Currently, most of these techniques use deep learning algorithms, which have demonstrated effectiveness in realistic scenarios.In this dissertation, the main goal is to investigate the influence of image context on the detection of face morphing attacks in the particular case of deep learning algorithms. In that regard, it is proposed to analyze the impact of the image alignment settings on the detection of these attacks. This is motivated by the fact that the face alignment procedure directly influences the interconnections between the face contour and image context. Thus, effective detection can be achieved by obtaining optimal alignment conditions.