美国国家标准与技术研究院 (NIST) 的两份出版物揭示了旨在检测面部识别欺骗攻击和面部图像缺陷的软件的当前状态。

这两份出版物是自NIST 将其人脸识别供应商测试 (FRVT) 计划分为两个部分以来首次出现的主题  ：人脸识别技术评估 ( FRTE ) 和人脸分析技术评估 ( FATE )。

人脸分析与人脸识别不同，人脸识别旨在根据图像识别人。相比之下，面部分析关注的是标记由于照片拍摄问题而导致的有问题的图像。

“给定的软件算法能否告诉你人脸图像是否有问题？” NIST 计算机科学家 Mei Ngan 问道。“比如，这个人的眼睛是闭着的吗？图像模糊吗？该图像实际上是一个看起来像另一个人脸的面具吗？一些开发人员声称他们的软件可以检测到这些缺陷，而 FATE 轨道则致力于评估这些声明。”

Ngan 是《人脸分析技术评估 (FATE) 第 10 部分：被动、基于软件的演示攻击检测 (PAD) 算法的性能》研究的作者，该研究评估人脸分析算法检测这些问题是否构成证据的能力生物识别欺骗攻击。研究团队评估了 45 名独特开发人员自愿提交的 82 种软件算法。研究人员用两种不同的场景对该软件提出了挑战：模仿（试图看起来像别人）和逃避（试图避免看起来像自己）。与主动 PAD 相比，被动 PAD 软件不需要用户采取特定操作。

该团队使用九种类型的生物识别演示攻击来评估算法，示例包括一个人戴着一个复杂的面具，旨在模仿另一个人的脸部，将另一个人的照片举到镜头前，或者戴着一个隐藏了一些信息的 N95 面具。佩戴者的脸。

PAD 算法的结果差异很大，但 Ngan 指出了一个警告：“只有一小部分开发人员可以真正声称使用软件检测到某些演示攻击，”她说。“一些开发人员的算法可以捕获两种或三种类型，但没有一种算法可以捕获所有类型。”

参与的供应商包括ROC.ai、ID R&D、iProov、Aware、Neurotechnology、Cyberlink和Onfido。

一个有趣的发现是，性能最好的 PAD 算法协同工作效果更好。

“我们询问如果将不同算法的结果结合起来是否会降低错误率。事实证明这可能是个好主意，”Ngan 说。“当我们在模拟测试中选择四种表现最好的算法并融合它们的结果时，我们发现该组的表现比任何一种单独的算法都要好。”

FATE 轨道的第二项研究“人脸分析技术评估 (FATE) 第 11 部分：人脸图像质量矢量评估：特定图像缺陷检测”重点关注图像缺陷检测，例如确定护照照片是否可能被拒绝。

“如果你走进一家药店并拿到一张护照照片，你需要确保你的申请不会因为照片有问题而被拒绝，”该研究的作者、NIST 数学家乔伊斯·杨 (Joyce Yang) 说。“照片模糊是一个明显的问题，但逆光或仅仅佩戴眼镜也可能存在问题。我们探索了一些算法来标记照片不符合护照要求的问题。”

此次评估是 FATE 赛道上的首次，NIST 团队收到了来自 5 名开发人员的 7 种算法。该研究评估了 20 项质量指标的算法，例如曝光不足和背景均匀性，所有指标均基于国际公认的护照标准。

杨说，所有算法都显示出不同的结果。每个人都有自己的优势，在 20 项措施中，有些措施比其他措施做得更好。这些发现将指导 ISO/IEC 29794-5 标准的制定，指定算法质量检查。