Détection des attaques dans l’authentification biométriques par le visage avec Deep Learning

Abstract

La reconnaissance faciale est une forme populaire et efficace d'authentification biométrique utilisée dans de nombreuses applications logicielles. L'un des inconvénients de cette technique est qu'elle est sujette aux attaques par usurpation de visage. Les systèmes de reconnaissance de visage sont ciblés par de nombreuses attaques qui tentent de contourner ces systèmes, il existe trois types d’attaques qui sont les attaques par images, les attaques vidéo et les attaques par masque 3D du visage, pour contrer ces attaques les chercheurs se sont mis à chercher des contre-mesures. La détection de la vivacité du visage est une étape nécessaire avant d'accorder l'authentification à l'utilisateur. Dans ce mémoire, nous avons fait appel au deep learning pour contrer les attaques biométriques par le visage en utilisant des réseaux de neurones convolutifs (CNN) pour classer l'image capturée comme réelle ou fausse. Nous avons donc utilisé un ensemble de données, ensuite implémenté un CNN capable d'effectuer la détection des attaques par le visage puis on a formé le réseau de détecteurs de vivacité. Nous avons ainsi adapté notre modèle de détection des attaques par le visage formé aux vidéos en temps réel or, nous avons obtenu une précision de 85% pour notre modèle de reconnaissance des visages sur l'ensemble de données de validation de la base de données CASIA-FASD en utilisant notre architecture basée sur les réseaux de neurones convolutifs (CNN).