Yüz tanıma sistemleri temassız olmaları ve kullanım kolaylığından dolayı pek çok uygulamada kendine yer bulmaktadır. Fakat teknolojinin gelişimi ve bilgiye erişimin kolaylaşması nedeniyle bu sistemler, sahte yüzler kullanılarak yapılan saldırılara karşı dayanıksızdır. Bu çalışmada, farklı renk uzaylarındaki kanallardan çıkarılan doku özniteliklerinin yüz sahteciliği tespitindeki başarımı incelenmiştir. Bu amaçla HSV, YCbCr ve daha önceden bu alanda kullanılmayan L*a*b* renk uzaylarının kanallarından çıkarılan çok seviyeli yerel ikili örüntü özniteliklerinin çeşitli birleşimleri ile yüz sahtecilik tespiti gerçekleştirilmiştir. Öznitelik vektörleri temel bileşenler analizi ile küçültülüp, destek vektör makinesi sınıflayıcısının eğitiminde kullanılmıştır. CASIA ve Replay-Attack veri setleri üzerinde yapılan deneylerde farklı kanallardan çıkarılan öznitelik birleşimlerinin yüz sahteciliği tespitinde başarılı olduğu görülmüştür.

Biometric recognition systems are frequently used in daily life although they are vulnerable to attacks. Today, especially the increasing use of face authentication systems has made these systems the target of face presentation attacks (FPA). This has increased the need for sensitive systems detecting the FPAs. Recently surgical masks, frequently used due to the pandemic, directly affect the performance of face recognition systems. Researchers design face recognition systems only from the eye region. This motivated us to evaluate the FPA detection performance of the eye region. Based on this, in cases where the whole face is not visible, the FPA detection performance of other parts of the face has also been examined. Therefore, in this study, FPA detection performances of facial regions of wide face, cropped face, eyes, nose, and mouth was investigated. For this purpose, the facial regions were determined and normalized, and texture features were extracted using powerful texture descriptor local binary patterns (LBP) due to its easy computability and low processing complexity. Multi-block LBP features are used to obtain more detailed texture information. Generally uniform LBP patterns are used for feature extraction in the literature. In this study, the FPA detection performances of both uniform LBP patterns and all LBP patterns were investigated. The size of feature vector is reduced by principal component analysis, and real/fake classification is performed with support vector machines. Experimental results on NUAA, CASIA, REPLAY-ATTACK and OULU-NPU datasets show that the use of all patterns increased the performance of FPA detection.

No abstract