روش غیرمداخله کننده و مقاوم در مقابل پوشش جهت کشف جعل در شناسایی چهره براساس یادگیری‌عمیق

در به کارگیری سیستم‌های شناسایی چهره روش‌های مختلف تقلب نظیر استفاده از ماسک پوششی و بکارگیری عکس شخص معتبر دو مشکل اساسی هستند که کاربردهای آن‌ها را محدود می‌کنند. براساس بررسی‌های انجام شده روش-هایی برای تشخیص تقلب در شناسایی چهره معرفی شده‌اند که بعضا مداخله کننده هستند، یعنی شخص را وادار به انجام حرکتی می‌کنند تا بتوانند چهره واقعی را از تقلبی تمییز دهند. استفاده از روش‌های مداخله کننده اغلب نارضایتی کاربران را به همراه دارد. در این مقاله با ارائه روشی غیرمداخله کننده و براساس ویژگی‌هایی مانند انعکاس نور یا وجود نویز متناوب اقدام به شناسایی تصاویر واقعی از تقلبی می‌کنیم. در این روش ابتدا با بهره گیری از الگوی دودویی محلی لبه‌ها و بافت تصویر برجسته می‌شوند. سپس جهت طبقه‌بندی تصاویر واقعی و غیرواقعی، ویژگی‌های تصویر توسط مدل یادگیری عمیق متشکل از سه لایه پیچش استخراج می‌شوند. نتایج نشان‌دهنده مقاومت روش پیشنهادی در برابر پوشش چشم است. به منظور ارزیابی روش پیشنهادی مجموعه داده‌ casia در این تحقیق مورد استفاده قرار گرفته‌است. نتایج حاکی از دقت 98 درصدی روش پیشنهادی در این مجموعه داده‌‌ است که در مقایسه با روش‌های موجود دقت بالاتری دارد.

a non-intrusive and cover resistant method for detecting forgery in face recognition using deep learning

in the use of face recognition systems, various fraud, such as the use of a mask and a photo of a genuine person, are two major problems that limit their applications. studies have shown a number of methods for detecting fraud in face recognition, which are sometimes intrusive, enforcing the person to make a move in order to distinguish the real face from the fake one. the use of intrusive methods often leads to user dissatisfaction. in this article, we present a non-intrusive method using features such as light reflection or the presence of periodic noise to distinguish real images from the fake one. in this method, the edges and texture of the image are highlighted by a local binary pattern to better detect fraud. then, by extracting the image feature using a deep learning technique with three layers of convolution, it will be able to distinguish between real and fake face images. this method is resistant to covering the eyes and face. in order to evaluate the proposed method, the casia dataset was used in this research. the results show 98% accuracy of the proposed method on this dataset. among the existing methods, we see an increase in accuracy.