Deep Learning Models for Robust Facial Liveness Detection

Título: Modelos de Aprendizaje Profundo para la Detección Robusta de Vitalidad Facial (Liveness Detection)

1. El Problema

La autenticación biométrica basada en reconocimiento facial es fundamental en la seguridad digital moderna, pero su fiabilidad se ve comprometida por ataques de suplantación (spoofing) cada vez más sofisticados. Los métodos tradicionales de detección de vitalidad (basados en análisis de textura o movimiento) fallan ante ataques de alta calidad como máscaras de silicona, deepfakes, reproducciones de video y ataques de impresión de alta resolución.

El desafío principal identificado en la literatura es la mala generalización entre dominios: los modelos suelen tener un rendimiento excelente (>95% de precisión) cuando se entrenan y prueban en el mismo conjunto de datos, pero su precisión cae drásticamente (a menudo por debajo del 50%) cuando se enfrentan a tipos de ataques, sensores o condiciones de iluminación no vistos durante el entrenamiento (problema de "domain shift").

2. Metodología

Los autores proponen un enfoque sistemático que combina la evaluación de múltiples conjuntos de datos, el diseño de arquitecturas de redes neuronales convolucionales (CNN) optimizadas y una estrategia de entrenamiento unificada.

• Conjuntos de Datos: Se utilizaron cinco fuentes de datos diversas para cubrir un espectro amplio de ataques:

  • CSMAD: Ataques con máscaras de silicona de alta calidad.
  • 3DMAD: Ataques con máscaras 3D capturados con Kinect.
  • MSSpoof: Ataques de impresión en espectros visible (VIS) e infrarrojo cercano (NIR).
  • Replay-Attack: Ataques de reproducción de fotos y videos bajo diversas condiciones de luz.
  • Conjunto de Datos Personalizado: Capturas de smartphones y webcams simulando escenarios reales de fraude.

• Preprocesamiento y Calidad:

  • Estandarización de imágenes a 256x256 píxeles (resolución superior a la habitual de 128x128) para preservar detalles de textura.
  • Pipeline de mejora de calidad que incluye filtrado bilateral, ecualización de histograma adaptativa (CLAHE), enmascaramiento de enfoque y corrección gamma.
  • Filtrado estricto de muestras con puntuación de calidad inferior a 0.65.
  • División de datos estricta a nivel de sujeto/video para evitar fugas de datos (data leakage).

• Arquitecturas de Modelos: Se diseñaron y compararon cuatro modelos CNN:

  1. LivenessNet: Una arquitectura base simple inspirada en modelos anteriores.
  2. AttackNet v1: Introduce conexiones de salto (skip connections) tipo ResNet con concatenación para mitigar el problema del gradiente desaparecido.
  3. AttackNet v2.1: Modifica las funciones de activación a LeakyReLU y Tanh para manejar mejor los valores negativos y la varianza.
  4. AttackNet v2.2 (Propuesta Principal): Refina las conexiones de salto utilizando la operación de suma (addition) en lugar de concatenación. Esto mantiene la dimensionalidad de los mapas de características, simplificando el flujo de información y mejorando la eficiencia del aprendizaje.

• Estrategia de Entrenamiento (Contribución Clave):

  • Se evaluó primero el entrenamiento por separado (within-dataset) y la transferencia cero-shot (cross-dataset), donde los modelos fallaron.
  • Para solucionar la generalización, se implementó un entrenamiento en conjunto unificado (Combined Dataset Training), fusionando todos los conjuntos de datos en un corpus diverso. Esto permitió al modelo aprender patrones universales de suplantación en lugar de artefactos específicos de un solo dataset.

3. Contribuciones Clave

1. Arquitectura AttackNet V2.2: Demostró que una arquitectura ligera con conexiones residuales de suma y funciones de activación adecuadas supera a modelos más complejos cuando se entrena con datos diversificados.
2. Superación del Problema de Generalización: La estrategia de entrenamiento combinado logró resolver el problema de la caída de rendimiento en dominios no vistos, alcanzando un rendimiento casi perfecto en todos los conjuntos de datos de prueba.
3. Protocolo de Evaluación Riguroso: Se establecieron protocolos estrictos de división de datos (nivel de sujeto) y métricas estandarizadas de detección de ataques de presentación (PAD) según ISO/IEC 30107-3 (APCER, BPCER, ACER, EER).
4. Código y Reproducibilidad: Se ha liberado el código completo, scripts de preprocesamiento y definiciones de división de datos para fomentar la investigación futura.

4. Resultados

• Rendimiento Intra-Dataset: Todos los modelos lograron >98% de precisión y ACER (Tasa de Error de Clasificación Promedio) <1.5% cuando se entrenaron y probaron en el mismo dataset.
• Rendimiento Inter-Dataset (Sin entrenamiento combinado): La precisión cayó drásticamente al 35-70% y el ACER aumentó a ~47%, confirmando la fragilidad de los modelos ante cambios de dominio.
• Rendimiento con Entrenamiento Combinado (AttackNet V2.2):
  • Precisión Promedio: 99.9% en todos los conjuntos de datos de prueba.
  • ACER: 0.1% (0.001).
  • EER (Tasa de Error Igual): 0.0%.
  • Precisión (Precision): 100% en 4 de los 5 datasets (cero falsos positivos).
  • Errores Totales: Solo 3 errores en 2,620 muestras de prueba (0.11% de tasa de error), todos ellos falsos negativos (ataques clasificados como reales), lo que indica un sistema extremadamente seguro pero conservador.
  • Comparativa: Superó significativamente a estudios previos que reportaban HTER (Tasa de Error Total Media) entre el 15% y el 40% en escenarios de transferencia.

5. Significado e Impacto

• Seguridad Biométrica: El estudio demuestra que es posible desarrollar sistemas de detección de vitalidad robustos que no dependen de artefactos específicos de un sensor o tipo de ataque, lo cual es crucial para la implementación en el mundo real (bancos, control fronterizo, dispositivos móviles).
• Eficiencia Computacional: A pesar de su alto rendimiento, el modelo AttackNet V2.2 es eficiente en términos de tiempo de entrenamiento y recursos, haciéndolo viable para despliegue en hardware de costo moderado.
• Confianza del Usuario: Al reducir drásticamente tanto los falsos positivos (rechazar usuarios legítimos) como los falsos negativos (aceptar suplantadores), se fortalece la confianza en los sistemas biométricos.
• Dirección Futura: Aunque el modelo es robusto frente a máscaras, replay e impresiones, los autores reconocen la necesidad de futuras investigaciones para abordar amenazas emergentes como los deepfakes generados por IA y la optimización para dispositivos de borde (edge devices).

En conclusión, este trabajo establece un nuevo estándar en la detección de vitalidad facial, demostrando que la combinación de arquitecturas CNN optimizadas con estrategias de entrenamiento multi-dominio es la clave para superar las limitaciones actuales de la seguridad biométrica.