Event-based Liveness Detection using Temporal Ocular Dynamics: An Exploratory Approach
Dieser Beitrag untersucht ereignisbasierte Lebendigkeitserkennung, indem die mikrosekundengenauen temporalen okulären Dynamiken, die von Ereigniskameras erfasst werden, genutzt werden, um echte Augenbewegungen effektiv von Replay-Angriffen zu unterscheiden, und erreicht mit einem spiking convolutional neural network eine Genauigkeit von bis zu 95,37 %.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, Ihr Telefon mit Ihrem Gesicht zu entsperren. Normalerweise macht die Kamera ein Foto von Ihnen. Doch ein cleverer Dieb könnte einfach ein Video Ihres Gesichts auf einem Tablet hochhalten und die Kamera täuschen, sodass sie glaubt, Sie seien anwesend. Dies wird als „Replay-Angriff" bezeichnet.
Dieser Artikel schlägt eine neue Methode vor, um diese Diebe zu stoppen, indem die Kamera selbst verändert wird. Anstelle einer Standardkamera, die wie ein Film Bilder (Frames) aufnimmt, verwendeten die Autoren eine Event-Kamera.
Die Kamera, die „Veränderungen" statt „Bilder" sieht
Stellen Sie sich eine Standardkamera wie ein Flipbuch vor. Sie macht ein vollständiges Bild, dann ein weiteres vollständiges Bild, 30- oder 60-mal pro Sekunde. Selbst wenn Sie Ihr Auge extrem schnell bewegen, sieht die Kamera Sie nur in diesen eingefrorenen Momentaufnahmen.
Eine Event-Kamera ist eher wie ein Raum voller winziger, superschneller Bewegungssensoren. Sie macht keine Bilder. Stattdessen „meldet" sie sich nur, wenn sich etwas an einer bestimmten Stelle verändert.
- Wenn ein Pixel die gleiche Farbe behält, bleibt der Sensor stumm.
- Wenn ein Pixel heller oder dunkler wird (wie wenn sich Ihr Auge bewegt), feuert der Sensor ein winziges „Event" mit einem Zeitstempel aus, der auf die Mikrosekunde genau ist.
Es ist wie der Unterschied zwischen dem Ansehen eines Zeitlupenvideos eines Kolibris (Standardkamera) und dem Besitz eines Mikrofons, das nur dann klickt, wenn die Flügel schlagen (Event-Kamera). Die Event-Kamera erfasst die Bewegung selbst, nicht nur die Standbilder.
Der „Augentanz"-Test
Die Forscher stellten fest, dass sich menschliche Augen auf sehr spezifische, schnelle Weise bewegen, die als Sakkaden (schnelle Sprünge von einem Punkt zum anderen) und Blinzeln bezeichnet werden. Diese Bewegungen geschehen so schnell, dass eine Standardvideokamera sie oft verwischt oder winzige Details übersieht.
Da Event-Kameras so schnell sind, können sie den genauen „Tanz" Ihrer Augenmuskeln sehen.
- Echte Menschen: Wenn Sie auf ein Ziel schauen, springt Ihr Auge sofort. Die Event-Kamera sieht einen scharfen, präzisen Ausbruch von Aktivität.
- Gefälschte Videos (Replay-Angriffe): Wenn ein Dieb ein Video Ihres Auges auf einem Bildschirm abspielt, muss der Bildschirm sein Bild aktualisieren (normalerweise 60-mal pro Sekunde). Dies erzeugt ein „Stottern" oder ein „Zittern" in der Bewegung. Die Event-Kamera erkennt dies als ein chaotisches, unnatürliches Muster, da der Bildschirm die Mikrosekundengeschwindigkeit eines echten Augesprungs nicht nachbilden kann.
Wie sie es testeten
Das Team entwickelte ein System, das wie ein Türsteher in einem Club funktioniert:
- Die Herausforderung: Das System bittet Sie, etwas Bestimmtes zu tun, wie „Schauen Sie schnell nach links" oder „Blinzeln Sie".
- Die Reaktion: Es beobachtet Ihre Augen mit der Event-Kamera.
- Die Entscheidung: Es analysiert den „Rhythmus" Ihrer Augenbewegung.
- Wenn der Rhythmus glatt und mikrosekundengenau ist, sind es Sie (Echtheit).
- Wenn der Rhythmus das „digitale Stottern" eines Bildschirms aufweist, ist es ein Dieb (Replay-Angriff).
Die Ergebnisse
Sie erstellten einen neuen Datensatz, indem sie echte Menschen aufzeichneten und dann Videos dieser Personen auf einem Bildschirm abspielten, um einen Angriff zu simulieren. Sie testeten ihr System gegen diese Fälschungen.
- Der Gewinner: Sie verwendeten eine spezielle Art von KI (ein Spiking Convolutional Neural Network), die darauf ausgelegt ist, diese „Event"-Signale zu verstehen.
- Die Punktzahl: Das System identifizierte echte Personen im Vergleich zu gefälschten Videos 95,37 % der Zeit korrekt.
- Der Vergleich: Sie versuchten auch, Standardvideoframes (wie bei einer normalen Handykamera) mit einer anderen KI zu verwenden, aber die Methode mit der Event-Kamera war genauer.
Warum dies wichtig ist (laut dem Artikel)
Der Artikel argumentiert, dass es für einen Dieb viel schwieriger ist, einen erfolgreichen Angriff zu fälschen, da Event-Kameras die Geschwindigkeit und den Zeitpunkt der Bewegung erfassen und nicht nur das Aussehen eines Gesichts. Die „digitalen Artefakte" (die winzigen Störungen), die von einem Bildschirm hinterlassen werden, sind für diesen Sensortyp unmöglich zu verbergen.
Kurz gesagt: Sie bauten ein Sicherheitssystem, das nicht nur prüft, wie Ihr Gesicht aussieht, sondern wie schnell und glatt sich Ihre Augen bewegen, unter Verwendung eines superschnellen Sensors, der die Welt in „Augenblicken der Veränderung" und nicht in „Bilder" sieht. Dies macht es für eine Videoaufnahme sehr schwierig, das System zu täuschen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.