面部识别系统的全面漏洞评估,通过3D面部重建模板反转攻击

科学领域:

• 计算机视觉 计算机视觉
• 生物识别信息 生物识别信息
• 网络安全 网络安全

背景情况:

• 最先进的面部识别系统容易受到复杂的攻击.
• 模板反转攻击对生物识别数据安全构成重大威胁.
• 3D面部重建提供了一种新的方法来利用面部模板.

研究的目的:

• 综合评估面部识别系统对使用3D面部重建模板反转攻击的脆弱性.
• 提出和验证一种新的方法 (GaFaR) 从面部模板进行3D面部重建.
• 在白盒和黑盒场景中评估拟议的攻击方法的有效性.

主要方法:

• 开发了GaFaR:一种使用预训练的几何感知面部生成网络从面部模板进行3D面部重建的新方法.
• 采用半监督方法,使用真实和合成的面部图像来训练从面部模板到面部生成网络的潜在空间的映射.
• 使用基于生成对抗网络 (GAN) 的框架用于真实图像和用于合成图像的直接映射.
• 优化了GNeRF模型的相机参数,以提高攻击成功率.
• 对面部识别系统进行了白盒和黑盒攻击.

主要成果:

• 证明了 GaFaR 方法在从模板中重建 3D 面部方面的有效性.
• 在白盒和黑盒场景中实现了高的攻击成功率.
• 在MOBIO和LFW数据集上评估了攻击在不同面部识别系统中的可转移性.
• 通过使用数字屏幕重播和打印照片,成功执行了实际的演示攻击.

结论:

• 面部识别系统很容易受到模板反转攻击的攻击,这种攻击是由3D面部重建所促进的.
• 拟议的GaFaR方法为评估和增强面部识别系统的安全性提供了一个强有力的工具.
• 研究结果强调,需要开发更强大的防御来应对先进的生物识别攻击.