سامانه مدیریت نشریات علمی دانشگاه یزد

حسینی, سید ابراهیم, حسن پور, حمید. (1401). روش غیرمداخله کننده و مقاوم در مقابل پوشش جهت کشف جعل در شناسایی چهره براساس یادگیری‌عمیق. کاوش‌نامه زبان و ادبیات فارسی, 1(1), 14-21. doi: 10.22034/abmir.2023.18914.1015
سید ابراهیم حسینی; حمید حسن پور. "روش غیرمداخله کننده و مقاوم در مقابل پوشش جهت کشف جعل در شناسایی چهره براساس یادگیری‌عمیق". کاوش‌نامه زبان و ادبیات فارسی, 1, 1, 1401, 14-21. doi: 10.22034/abmir.2023.18914.1015
حسینی, سید ابراهیم, حسن پور, حمید. (1401). 'روش غیرمداخله کننده و مقاوم در مقابل پوشش جهت کشف جعل در شناسایی چهره براساس یادگیری‌عمیق', کاوش‌نامه زبان و ادبیات فارسی, 1(1), pp. 14-21. doi: 10.22034/abmir.2023.18914.1015
حسینی, سید ابراهیم, حسن پور, حمید. روش غیرمداخله کننده و مقاوم در مقابل پوشش جهت کشف جعل در شناسایی چهره براساس یادگیری‌عمیق. کاوش‌نامه زبان و ادبیات فارسی, 1401; 1(1): 14-21. doi: 10.22034/abmir.2023.18914.1015

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

پژوهش های نظری و کاربردی هوش ماشینی
مقاله 3، دوره 1، شماره 1، فروردین 1402، صفحه 14-21    اصل مقاله (731.36 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22034/abmir.2023.18914.1015
نویسندگان
سید ابراهیم حسینی؛ حمید حسن پور*
دانشکده مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی شاهرود، شاهرود، ایران
چکیده
در بکارگیری 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 ۹۸ درصدی روش پیشنهادی در این مجموعه داده‌‌ است که در مقایسه با روش‌های موجود دقت بالاتری دارد.
کلیدواژه‌ها
شناسایی چهره؛ کشف تقلب؛ یادگیری عمیق؛ الگوی دودویی محلی؛ نویز متناوب
عنوان مقاله [English]
A Non-intrusive and Cover Resistant Method for Detecting Forgery in Face Recognition Using Deep Learning
نویسندگان [English]
Seyed Ebrahim Hosseini؛ Hamid Hassanpour
Faculty of Computer Engineering, Shahrood University of Technology, Shahrood, Iran.
چکیده [English]
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.
کلیدواژه‌ها [English]
face recognition, forgery detection, deep learning, local binary pattern, periodic noise
مراجع
  • Ahonen, Timo, Abdenour Hadid, and Matti Pietikäinen. (2004, May) "Face Recognition with Local Binary Patterns." European conference on computer vision.
  • Abbaspoor, N., & Hassanpour, H. (2022). "Face Recognition in A Large Dataset Using a Hierarchical Classifier". Multimedia Tools and Applications, 1-19.
  • Pan, Gang. "Eyeblink-based Anti-spoofing In Face Recognition from A Generic Webcamera." IEEE 11th international conference on computer vision. IEEE, 2007.
  • Alibabaie, N., & Latif, A. (2021). Adaptive Periodic Noise Reduction in Digital Images Using Fuzzy Transform. Journal of Mathematical Imaging and Vision, 63(4), 503-527.
  • Zhang, Wanling, and Shijun Xiang. "Face Anti-spoofing Detection Based On DWT-LBP-DCT Features." Signal Processing: Image Communication 89 (2020): 115990.
  • Pinto, A., Schwartz, W. R., Pedrini, H., & de Rezende Rocha, A. (2015). Using Visual Rhythms for Detecting Video-based Facial Spoof Attacks. IEEE Transactions on Information Forensics and Security, 10(5), 1025-1038.
  • Xu, S. Li, and W. Deng. Learning Temporal Features Using LSTM-CNN Architecture for Face Anti-spoofing. In Pattern Recognition (ACPR), 3rd IAPR Asian Conference on, pages 141–145. IEEE, 2015. 2, 7, 8
  • Tang, J., Su, Q., Su, B., Fong, S., Cao, W., & Gong, X. (2020). Parallel Ensemble Learning of Convolutional Neural Networks and Local Binary Patterns for Face Recognition. Computer Methods and Programs in Biomedicine, 197, 105622.
  • Patro, S., and Kishore Kumar Sahu. "Normalization: A Preprocessing Stage. 1503.06462 (2015).
  • Li, Shutao, et al. "Deep Learning for Hyperspectral Image Classification: An overview." IEEE Transactions on Geoscience and Remote Sensing 57.9 (2019): 6690-6709.
  • Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Ne ural Networks,” in Proc. Adv. Neural Inf. Process. Syst., 2012, pp. 1097–1105.
  • Mathew, Amitha, P. Amudha, and S. Sivakumari. "Deep Learning Techniques: An Overview." International Conference on Advanced Machine Learning Technologies and Applications. Springer, Singapore, 2020.
  • Nitish Srivastava, Geoffrey Hinton, and Alex and Krizhevsky. Dropout: A Simple Way to Prevent Neural Networks from Overftting. Journal of Machine Learning Research, 15:1929-1958, 2014.
  • Zhang, J. Yan, S. Liu, Z. Lei, D. Yi, and S. Li, “A Face Antispoofing Database with Diverse Attacks,” in IAPR Intl. Conference on Biometrics, 29 2012-april 1, pp. 26 –31
  • Yang, Z. Lei, and S. Z. Li. "Learn Convolutional Neural Network for Face Anti-spoofing". CoRR, abs/1408.5601, 2014. 2, 7, 8
  • Boulkenafet, J. Komulainen, and A. Hadid. Face Antispoofing Based on Color Texture Analysis. In Image Processing (ICIP), IEEE International Conference on, pages 2636–2640. IEEE, 2015.

 

آمار
تعداد مشاهده مقاله: 509
تعداد دریافت فایل اصل مقاله: 484