Gesichtsmorphing-Angriffe erkennen: Ein neuer Ansatz

Gesichtsmorphing kombiniert zwei oder mehr Gesichtsabbildungen, um ein neues Bild zu erstellen, das Gesichtserkennungssysteme täuschen kann. Dieses neue Bild kann echt genug aussehen, um sowohl Menschen als auch Maschinen reinzulegen. Es gibt zwar Werkzeuge, die solche morphenden Bilder erstellen können, aber viele haben sichtbare visuelle Fehler, vor allem um die Augen, die Nase und den Mund. Diese Fehler könnten helfen, den Morphing-Angriff zu identifizieren.

Um dem entgegenzuwirken, haben Forscher einen Datensatz mit über 10.000 Bildern von Gesichtern entwickelt, sowohl vor als auch nach der Verbesserung, um diese Fehler zu reduzieren. Zusammen mit diesem Datensatz wurde eine neue Technik zur Erkennung von Morphing-Angriffen eingeführt, die sich auf die Verwendung einer Kombination aus verschiedenen Merkmalen und Klassifikationsmethoden konzentriert. Die Grundidee ist, Vergleichswerte aus verschiedenen Techniken zusammenzuführen, um die Erkennungsgenauigkeit zu verbessern.

#Bedeutung von Gesichtserkennungssystemen

Biometrie, die sich auf die Identifizierung von Personen anhand physischer Merkmale bezieht, ist für die Sicherheit wichtig geworden. Unter den verschiedenen biometrischen Methoden wird die Gesichtserkennung häufig verwendet, weil Menschen einander leicht anhand ihrer Gesichter erkennen können. Diese Technologie wird oft für sichere Identifikationsprozesse eingesetzt, wie an Grenzen.

Allerdings sehen sich Gesichtserkennungssysteme erheblichen Bedrohungen durch verschiedene Angriffe gegenüber. Präsentationsangriffe, bei denen eine gefälschte Darstellung eines Gesichts gezeigt wird, sind nur eine Art davon. Unter diesen Angriffen ist das Gesichtsmorphing bemerkenswert, da es diese Systeme effektiv verwirren kann. Ursprünglich wurde Gesichtsmorphing hauptsächlich aus Spass oder künstlerischen Gründen verwendet, aber es ist zu einem Sicherheitsproblem geworden.

#Das wachsende Risiko des Gesichtsmorphings

Gesichtsmorphing tritt auf, wenn Gesichtszüge von verschiedenen Personen miteinander vermischt werden, um ein einzelnes Bild zu erstellen. Diese Technik kann zu einem Gesichtsbild führen, das für die Systeme, die Personen identifizieren sollen, möglicherweise nicht unterscheidbar ist. Es stellt ein erhebliches Risiko bei Passanträgen und anderen Identifikationsprozessen dar. Zum Beispiel reichen in vielen Ländern Menschen Fotos für Pässe ein; wenn jemand ein morphendes Bild einreicht, könnten zwei Personen denselben Pass beanspruchen.

Viele Länder weltweit haben spezifische Richtlinien für die Einreichung von Gesichtsabbildungen zur Identifizierung. Einige Länder nutzen Fotokabinen zur Aufnahme von Bildern, während andere gedruckte Fotos verlangen. Das ermöglicht es Personen mit schlechten Absichten, leicht verfügbare Morphing-Software zu nutzen, um überzeugende Bilder zu erstellen, ohne besondere Fähigkeiten zu benötigen.

#Aktuelle Techniken zur Erkennung von Morph-Angriffen

Forscher haben intensiv Methoden entwickelt, um festzustellen, ob ein Gesichtsbild morphed wurde. Diese Erkennungsmethoden können grob kategorisiert werden. Einige Techniken verwenden ein einzelnes Bild, während andere ein neues Bild mit einem Referenzbild vergleichen. Die erste Kategorie ist besonders wichtig für Prozesse wie die Online-Passbeantragung, wo keine Referenz existiert.

Bis jetzt wurden verschiedene Erkennungsansätze vorgeschlagen. Einige nutzen Merkmale wie Texturen oder Farben aus den Bildern, während andere tiefere Lernwerkzeuge verwenden. Hybride Methoden, die verschiedene Merkmale und Erkennungstechniken kombinieren, haben bis jetzt die besten Ergebnisse gezeigt.

Aber viele bestehende Methoden wurden an Datensätzen getestet, die nicht sorgfältig verarbeitet wurden, was ihre Leistung weniger zuverlässig macht. Diese Forschung zielt darauf ab, diese Lücken zu schliessen, indem ein neuer Datensatz speziell zur Bewertung von Morphing-Erkennungstechniken eingeführt wird. Der Datensatz enthält Bilder, die aus verschiedenen Quellen stammen, einschliesslich digitaler Bilder und solcher, die gedruckt und mit zwei Druckertypen gescannt wurden.

#Der neue Datensatz

Um den neuen Datensatz zu erstellen, haben die Forscher Bilder anhand strenger Kriterien ausgewählt. Die Bilder müssen bestimmte Richtlinien erfüllen, was bedeutet, dass sie keine Schatten auf den Gesichtern haben, keine Blockaden und richtig ausgerichtet sein sollten. Der Datensatz umfasst eine Mischung von Probanden, und der Morphing-Prozess wird für alle Beteiligten gleichermassen angewendet.

Während des Morphing-Prozesses treten oft verschiedene unerwünschte visuelle Effekte auf, insbesondere um die Augen und die Nase. Diese Fehler resultieren aus den Unterschieden in den Gesichtsstrukturen derjenigen, die zusammen morphed werden. Selbst nach der Bearbeitung der Bilder, um sie besser aussehen zu lassen, können diese Artefakte noch sichtbar sein.

Um qualitativ hochwertige Bilder sicherzustellen, wurden Nachbearbeitungstechniken angewendet, um die morphed Bilder zu verfeinern, wodurch visuelles Rauschen beseitigt und das Gesamtbild verbessert wurde. Der Datensatz wird auch aus verschiedenen Medien gesammelt, was eine umfassende Bewertung der Erkennungstechniken ermöglicht.

#Die vorgeschlagene Erkennungsmethode

Die in dieser Forschung eingeführte Erkennungsmethode beruht auf der Kombination verschiedener Merkmale, die aus Bildern extrahiert wurden, um die Erkennungsgenauigkeit zu verbessern. Sie beginnt mit der Verarbeitung der Bilder, um Farbinformationen zu extrahieren. Genauer gesagt werden bestimmte Farbräume ausgewählt, da sie die relevanten Details erfassen, die auf Morphing hinweisen könnten.

Nach der Extraktion der Farbinformationen besteht der nächste Schritt darin, die Bilder in kleinere Komponenten zu zerlegen, um sie auf unterschiedlichen Detailstufen zu analysieren. Dieser Ansatz wird als Skalenraumzerlegung bezeichnet. Er hilft dabei, subtile Unterschiede offenzulegen, die auf einen Morphing-Angriff hinweisen könnten.

Als nächstes kommt die Merkmalsextraktion. Es werden drei verschiedene Techniken verwendet, um Informationen über die Bilder zu sammeln: Lokale binäre Muster (LBP), Histogramm der Gradienten (HoG) und binäre statistische Bildmerkmale (BSIF). Jede dieser Techniken bietet verschiedene Einblicke in die Bilder, die für die Identifizierung von Morphing-Angriffen entscheidend sind.

Sobald die Merkmale extrahiert wurden, werden verschiedene Klassifikatoren eingesetzt, um Entscheidungen über die Bilder zu treffen. Es werden drei Arten von Klassifikatoren verwendet, und deren Leistung wird einzeln analysiert. Letztendlich werden die Ergebnisse dieser Klassifikatoren kombiniert, um eine endgültige Entscheidung darüber zu treffen, ob ein Morphing-Angriff vorliegt.

#Experimente und Ergebnisse

Die Forscher führten umfassende Experimente durch, um die Wirksamkeit der vorgeschlagenen Methode zu testen. Diese Tests umfassten die Analyse der Bilder vor und nach der Nachbearbeitung unter verschiedenen Bedingungen. Die Ergebnisse zeigten, dass die neue Methode in beiden Fällen besser abschnitt als die bestehenden Techniken.

Darüber hinaus untersuchten die Experimente, wie gut die Methode über verschiedene Bildformate hinweg funktioniert, einschliesslich digitaler und Druckscan. Die Ergebnisse dieser Tests bestätigten, dass die neue Technik Morphing-Angriffe effektiv erkennen kann, selbst wenn die Bilder unterschiedlich verarbeitet wurden.

Die Forschungsfragen zielten darauf ab, herauszufinden, ob die Erkennungsleistung verbessert wird, wenn nachbearbeitete Bilder im Vergleich zu nicht bearbeiteten Bildern verwendet werden. Die Ergebnisse zeigten einige Verbesserungen in der Genauigkeit bei Verwendung von Bildern nach der Bearbeitung.

Eine weitere Frage konzentrierte sich auf die Generalisierung der neuen Erkennungsmethode. Die Ergebnisse deuten darauf hin, dass die Methode Morphing-Angriffe effektiv in verschiedenen Umgebungen und Bedingungen erkennen kann und die Kombination mehrerer Merkmale und Klassifikatoren ihre Zuverlässigkeit erhöht.

#Fazit

Diese Forschung hebt hervor, wie wichtig es ist, Morphing-Angriffe effektiv zu erkennen, insbesondere da die Verwendung biometrischer Identifikation weiter zunimmt. Die vorgeschlagene Methode kombiniert mehrere Merkmale und Klassifikatoren, um die Erkennungszuverlässigkeit zu verbessern, während der neue Datensatz eine genauere Bewertung dieser Techniken ermöglicht.

Da die Technologie des Gesichtsmorphings weiter fortschreitet, ist fortlaufende Forschung in diesem Bereich unerlässlich, um die Sicherheit aufrechtzuerhalten. Zukünftige Arbeiten könnten sich darauf konzentrieren, bestehende Methoden zu verfeinern und neue Techniken zur Erkennung zu erkunden, um sicherzustellen, dass Identifikationsprozesse robust gegen sich entwickelnde Bedrohungen bleiben.