پلتفرم ارزیابی حمله مرف،
نتایج تحقیقات کیفیت تصاویر امیدوارکننده است
مقدمه:
این یادداشت به اهمیت تصاویر با کیفیت در گذرنامه ها به منظور ارزیابی و شناسائی تصاویر تقلبی و تاثیرات این تصاویر بر دقت و صحت و عملکرد شناسائی بیومتریک چهره می پردازد.
حملات تقلبی تغییر چهره علیه سیستم‌های بیومتریک به ویژه برای سیستم‌های مرزی تشخیص سختی دارند و با توسعه سیستم‌های تشخیص حملات تغییر چهره، سوالاتی درباره چگونگی آزمایش این سیستم‌ها و تأثیر کیفیت تصاویر مورد استفاده بر آن‌ها مطرح شده است. پیشرفت‌هایی در راستای پاسخ به هر دو سوال انجام شده است.
پروژه iMARS (راه‌حل‌های حل مشکل حملات دستکاری تصاویر) رویدادی در بروکسل و به صورت آنلاین برگزار کرد تا به موضوع “مقابله با تقلب‌های هویتی: ابزارهای جدید برای تشخیص دستکاری تصاویر” بپردازد. یک کارگاه iMARS اوایل امسال برخی از پیشرفت‌ها را به اشتراک گذاشت، اما همچنین خبر ناامیدکننده‌ای مبنی بر افزایش حوادث حملات تغییر چهره را ابلاغ کرد.
دو ارائه از ارائه‌های بعد از ظهر برای این رویداد در روز پنج‌شنبه توسط کریستوف بوش و ماتئو فرارا از دانشگاه بولونیا انجام شد.
پژوهشگران دانشگاه بولونیا یک پلتفرم ارزیابی برای سیستم‌های MAD توسعه داده‌اند، به نام پلتفرم ارزیابی آنلاین بولونیا (BOEP)، که اوایل امسال در یک صحبت ناهار EAB ارائه شد. فرارا معیارهای ارزیابی شده توسط BOEP برای iMARS را ارائه کرد. این سیستم‌ها به دو دسته تشخیص حملات تغییر چهره تک‌تصویری (SMAD) و تشخیص حملات تغییر چهره تفاضلی (DMAD) تقسیم می‌شوند.
تاکنون، شش شریک iMARS در مجموع 34 الگوریتم SMAD ارائه داده‌اند. هدف BPCER زیر 8 درصد تعیین شده توسط پروژه iMARS در تمام معیارهای SMAD به دست آمده است، به گفته فرارا، با نرخ خطای طبقه‌بندی حملات تغییر چهره (MACER) در سطح یا زیر 10 درصد.
برای DMAD، 4 شریک iMARS تعداد 10 الگوریتم را ارائه دادند. شاخص کلیدی عملکرد در این مورد BPCER در سطح 6 درصد یا کمتر در MACER زیر 10 درصد است و در تمام معیارها نیز به همین شکل برآورده شده است.
فرارا همچنین تفاوت‌های بین FATE MORPH NIST و BOEP را بررسی کرد.
ارزیابی کیفیت به تصاویر با کیفیت بستگی دارد
بوش در مورد اهمیت توانایی ارزیابی کیفیت نمونه‌های بیومتریک برای پروژه iMars بحث کرد.
پایگاه‌های داده گسترده و سناریوهای کاربردی متنوع اهمیت توجه به کیفیت تصویر را افزایش می‌دهند. این کمک می‌کند تا از مثبت‌های کاذب جلوگیری شود، اما همچنین برای همکاری بین سیستم‌ها ضروری است. این موضوع به ویژه با توجه به بسیاری از مشارکت‌کنندگان در برنامه اهمیت دارد. آن‌ها “بسیاری از مکان‌های ضبط با فناوری‌های متفاوت و سطوح آموزشی مختلف دارند”، بوش اشاره می‌کند.
یک مفهوم استاندارد شده از آنچه خوب است و آنچه خوب نیست، موتور محرک توسعه ارزیابی کیفیت تصویر چهره (FIQA) است. این الگوریتم‌ها به پیش‌بینی عملکرد شناسایی که می‌توان انتظار داشت کمک می‌کنند و همچنین در شناسایی تصاویر تغییر یافته مفید هستند.
سیستم EES با در نظر گرفتن ISO/IEC 19794-5 راه‌اندازی شده است، بنابراین برخی از الزامات را فراهم می‌آورد و استاندارد 29794-5 که OFIQ (کیفیت تصویر چهره منبع باز) مرجع اجرایی آن است، برای آن‌ها اندازه‌گیری‌ها ارائه می‌دهد. این‌ها باید به تصاویر مرجع پیش‌ثبت‌نام شده، تصاویر مرجع زنده ثبت‌نام شده، مانند در یک کیوسک EES، و تصاویر پروب (نظیر تصاویر از یک دروازه کنترل مرزی بیومتریک خودکار) اعمال شوند.
نمره کیفیت یکپارچه (UQS) مشخص شده توسط ISO/IEC 29794-1 ارزیابی کلی را فراهم می‌آورد و اندازه‌گیری نقص قابلیت توضیح را می‌دهد. نرم‌افزار OFIQ 28 معیار کیفیت ارائه می‌دهد، که با نمره کیفیت یکپارچه آغاز شده و شامل متغیرهای دستگاه ضبط و موضوع می‌شود.
الگوریتم‌های متعددی پیشنهاد شده‌اند و پروژه iMARS سه معیار برای ارزیابی پیشنهادات تعیین کرده است: دقت، پیچیدگی محاسباتی پایین و لیبرالیته مجوز.
تصاویر با OFIQ-UQS بالاتر از یک آستانه خاص، شاید در حدود 70، به اندازه کافی مفید خواهند بود که ذخیره شوند و استفاده شوند.
موفقیت این معیار در بهبود عملکرد‌های مطابقت دیده شده در زمانی که تصاویر با کیفیت پایین کنار گذاشته می‌شوند نشان داده می‌شود، بوش توضیح می‌دهد، و پاسخی به یکی از سوالات مرکزی پروژه iMARS فراهم می‌کند؛ “چگونه می‌توانیم تأثیر کیفیت تصویر چهره را بر عملکرد شناسایی بیومتریک اندازه‌گیری کنیم.”
بوش اجزای کیفیت که در نمره یکپارچه دخیل هستند و چگونگی اندازه‌گیری آن‌ها بر اساس موقعیت نقاط ذخیره‌سازی و سایر ویژگی‌های قابل مشاهده را مرور کرد. بی‌طرفی در بیان احساسات نسبتاً پیچیده بوده، اما غیرممکن برای اندازه‌گیری نیست.
تحقیقات منتشر شده در سپتامبر نشان می‌دهد که بین تصاویر ارزیابی شده به عنوان تصاویر با کیفیت بالا و موفقیت در تشخیص حملات تغییر چهره (MAD) همبستگی مثبت وجود دارد.
کار در آینده بر تنوع جمعیتی و اضافه کردن اجزای کیفیت ناقص، مانند تاری حرکت تمرکز خواهد کرد.