هر الگوریتم، سیستم یا فرایندی که قابلیت ایجاد تمایزپذیری مناسب بین تصاویر زنده و تصاویر غیرزنده برقرار کند و می‌تواند با عنوان Liveness Detection یا Anti-Spoofing شناخته شود.
در فرایند تشخیص چهره با قابلیت تشخیص زنده بودند، در ابتدا تصویر ورودی اخذ و وارد سیستم می‌شود. سپس توسط پیاده‌سازی یک الگوریتم تشخیص چهره می‌توان تصویر چهره‌ی موجود در تصویر ورودی را آشکارسازی نموده و آن را از سایر بخشهای تصویر جدا نمود.
از الگوریتم‌های تشخیص چهره می‌توان به برخی از آنها مانند الگوریتم Haar Cascade، الگوریتم MTCNN، و الگوریتم RetinaFace اشاره نمود. در ادامه‌ی فرایند، و پس از استخراج تصویر چهره، فاز تشخیص زنده بودن تصویر چهره انجام می‌گردد. تصویر چهره در این مرحله با بکارگیری روش‌هایی مانند استخراج ویژگی‌های بافتی از تصویر چهره مورد پردازش قرار می‌گیرد و در صورت دارا بودن شروط لازم، به عنوان تصویر زنده تشخیص داده خواهد شد.
روش‌های دیگری نیز بر پایه‌ی بکارگیری سنسورهای حرارتی جهت تشخیص و تمیز دادن تصویر چهره‌ی زنده از غیرزنده نیز وجود دارد که البته دارای دقت بالا نیز می‌باشند. تکنولوژی‌های متعددی نیز از سنسورهای مادون قرمز (IR) جهت تشخیص زنده بودن تصویر چهره‌ی آشکارسازی شده استفاده نموده‌اند.
برخی از تکنولوژی‌ها نیز از دوربین‌های سه بعدی و سپس استخراج ویژگی‌های مختلف از تصاویر اخذ شده توسط آنها جهت تشخیص Liveness استفاده نموده‌اند. از جمله شرکت‌های مهمی که توانسته‌اند سیستم‌هایی با برخی از ویژگی‌های فوق را تولید و در بازار ارائه نمایند می‌توان به BioID، THALES، DERMALOG، Lytro و DPS اشاره نمود.
-
مروری بر مطالعات مرتبط با الگوریتم‌های تشخیص Liveness در چهره
مطالعات مختلفی بر روی روش‌های تشخیص چهره با بکارگیری قابلیت‌های Liveness یا Anti-Spoofing انجام شده است. از وجوه اشتراک تمامی این مطالعات می‌توان به مقادیر Accuracy بالا، قابلیت تعمیم‌پذیری زیاد و قابلیت اجرایی بالای آنها اشاره نمود. این الگوریتم‌ها در دو دسته‌ی کلی زیر قرار می‌گیرند:
- روش‌های مبتنی بر استخراج ویژگی
زیرمجموعه‌های روش‌های ارائه شده بر مبنای استخراج ویژگی به شرح زیر هستند:
- روش‌های مبتنی بر ویژگی‌های بافت تصویر
- روش‌های مبتنی بر استخراج ویژگی‌هایی بر اساس ارتباط بین انسان و کامپیوتر
- روش‌های مبتنی بر اطلاعات مستخرج از علائم حیاتی شخص
- روش‌های مرتبط با استخراج ویژگی‌هایی بر مبنای کیفیت تصویر
- روش‌هایی بر پایه‌ی ویژگی‌های مستخرج از اطلاعات عمقی تصویر
زیرمجموعه اول به روش‌هایی برپایه‌ی استخراج ویژگی‌های بافت تصویر می‌پردازد. از مزایای این روش‌ها می‌توان به هزینه‌های پائین، سادگی الگوریتم‌ها و سادگی پیاده‌سازی آنها اشاره نمود.
البته از معایب این روش‌ها نیز می‌توان به پیشنهاد ترکیب با سایر روش‌ها جهت تشخیص دقیق‌تر Liveness اشاره نمود. الگوریتم‌هایی نظیر روش‌های Uniform LBP Operator، LBP for Color Images، LBP on Luminance & Chrominance، DoG Filter، و Color Texture Markov Feature (CTMF) در این دسته قرار می‌گیرند.
زیرمجموعه دوم به روش‌هایی برپایه‌ی استخراج ویژگی‌هایی بر اساس ارتباط بین انسان و کامپیوتر می‌پردازد. این گروه دارای روش‌هایی نظیر آشکارسازی محدوده تغییرات دهان به همراه شناسایی صوت، چشمک زدن و حرکات دهان، و Calculating SIFT flow energy of Multiple Frame of Images میباشد.
از مزایای بکارگیری این روش‌ها می‌توان به نرخ تشخیص بالای آنها و تطبیق‌پذیری مناسب آنها، و کاربرد گسترده‌ی این روش‌ها در امنیت عمومی اشاره نمود. از ضعف‌های این روش‌ها نیز می‌توان به مواردی نظیر نیازمند بودن انجام و اجرای موارد خواسته شده توسط شخص در چند فریم تصویر، محاسبات بسیار بالا، زمان بالای اجرای الگوریتم، و فرایند تشخیص بسیار طولانی این الگوریتم‌ها اشاره نمود. در نتیجه مطالعات پیشین گزارش نموده‌اند که استفاده از این الگوریتم‌ها در عمل چندان توصیه نمی‌شود.
زیرمجموعه سوم نیز به روش‌هایی برپایه‌ی اطلاعات مستخرج از علائم حیاتی شخص تمرکز دارند. الگوریتم‌هایی نظیر Facial Optical Flow Analysis و Heart Rate (HR) Detection Analysis در این دسته قرار می‌گیرند. در حالت کلی، عملکرد این الگوریتم‌ها براساس ویژگی‌های حیاتی افراد مانند HR و Blood Flow و نیز حرکات غیرارادی ریز عضلات صورت میباشد.
در واقع این روش‌ها توسط آشکارسازی مواردی نظیر نرخ ضربان قلب (بصورت استفاده از دیتای PPG ثبت شده از طریق دوربین؛ و دیتای Remote PPG (rPPG) – به علت اینکه صورت شخص زنده دارای رگ‌های خونی بسیاری در چهره است؛ و نیز تفاوت در رنگ چهره نیز وجود دارد بین چهره زنده و چهره فیک؛ استخراج تغییرات رنگ ناحیه چهره -توسط اخذ چندین فریم از ویدئوی چهره؛ همچنین استخراج LBP رنگی و ویژگی‌های بافت چهره) و نیز آنالیز دیداری آشکارسازی شده بر روی صورت (بصورت تفاوت بین الگوهای حرکتی تصویر سه بعدی و تصویر دو بعدی وجود دارد) عمل می‌کنند.
از مزایای این روش‌ها می‌توان به تشخیص زنده بودن چهره‌ی زنده و تمایز آن از ماسک‌های سه بعدی چهره فیک اشاره نمود. از ضعف‌های این روش نیز می‌توان به حساس بودن آنها به نور محیط، و اثر تشخیصی پایین بر روی تصاویر ویدئویی اشاره نمود.
زیرمجموعه چهارم به روش‌هایی در خصوص استخراج ویژگی‌هایی بر مبنای کیفیت تصویر می‌پردازند و زیرمجموعه پنجم نیز به روش‌هایی بر پایه‌ی ویژگی‌های مستخرج از اطلاعات عمقی تصویر استوار هستند.
-
روش‌های براساس یادگیری عمیق
زیرمجموعه‌های روش‌های ارائه شده بر مبنای الگوریتم‌های یادگیری عمیق به شرح زیر هستند:
- روش‌های مبتنی بر بروزرسانی شبکه
- روش‌های مبتنی بر یادگیری انتقالی
- روش‌های مبتنی بر ادغام ویژگی‌ها
- روش‌های مبتنی بر دامنه
در این میان روش‌های مبتنی بر ادغام ویژگی‌ها براساس الگوریتم‌های استخراج اطلاعات بافتی و عمقی تصویر و نیز براساس اطلاعات Spatio-Temporal عمل می‌کنند.
