Computationally Efficient Face Spoofing Detection with Motion Magnification

Abstract

For a robust face biometric system, a reliable antispoofing approach must be deployed to circumvent the print and replay attacks. Several techniques have been proposed to counter face spoofing, however a robust solution that is computationally efficient is still unavailable. This paper presents a new approach for spoofing detection in face videos using motion magnification. Eulerian motion magnification approach is used to enhance the facial expressions commonly exhibited by subjects in a captured video. Next, two types of feature extraction algorithms are proposed: (i) a configuration of LBP that provides improved performance compared to other computationally expensive texture based approaches and (ii) motion estimation approach using HOOF descriptor. On the Print Attack and Replay Attack spoofing datasets, the proposed framework improves the state-of-art performance; especially HOOF descriptor yielding a near perfect half total error rate of 0% and 1.25% respectively.

On the Use of Client Identity Information for Face Antispoofing

“…Following another trail to the same end, several notable works use lowlevel texture descriptors extracted from the face region, like Local Binary Patterns (LBP) [16], [17], Gabor wavelets [10] or Histogram of Oriented Gradients (HOG) [9]. Furthermore, [9] demonstrated the benefit of extracting these features from face components, like eyes, nose or mouth, while [18] uses them on faces whose micro and macro motion is enhanced using motion magnification technique. [19] indicates that low-level features can be used to detect the edges of a spoofing media.…”

Performance Analysis of Eulerian Colour and Motion Magnification Techniques

“…Bu görünemeyen sinyallerdeki hareketi ortaya çıkarabilmek ve bu hareketi büyütmek için literatürde görüntü büyütme yöntemlerinin uygulandığı çalışmalar yapılmıştır. Görüntü büyütme yöntemleri, Lagrange ve Euler yaklaşımı olmak üzere iki temel kategoriye ayrılmaktadır (Javaid et al 2013;Rubinstein, 2014;Wu et al 2012;Bharadwaj et al 2013;Wadhwa et al 2013;Chambino, 2013;Liu et al 2014;Gogia and Liu 2014;Bharadwaj et al 2014;Sarode and Mandaogade 2014a;Sarode and Mandaogade 2014b;Elgharib et al 2015).…”

“…Lagrange yaklaşımı, bir pikselin yörüngesinin zamanla izlenmesi düşüncesine dayalı bir yaklaşımdır (Rubinstein, 2014;Wu et al 2012;Bharadwaj et al 2013;Chambino, 2013;Bharadwaj et al 2014;Sarode and Mandaogade 2014a;Sarode and Mandaogade 2014b;Liu et al 2005). Bu yaklaşımda, hareketler açıkça tahmin edilmektedir (Elgharib et al 2015).…”

“…Bu yaklaşımda, hareketler açıkça tahmin edilmektedir (Elgharib et al 2015). Hareketin doğru tahmin edilmesi, özellikle karışık hareket ve kapanma sınırı alanlarındaki bozulmaları gidermek, zor ve sayısal olarak pahalı bir süreçtir (Javaid et al 2013;Rubinstein, 2014;Wu et al 2012;Bharadwaj et al 2013;Bharadwaj et al 2014;Sarode and Mandaogade 2014a;Sarode and Mandaogade 2014b). Diğer yandan, Euler yaklaşımı, belirli bir hareket tahminine gereksinim duymaksızın verilen bir konumdaki zamansal yoğunluk değişimlerini doğrudan büyütmektedir (Bharadwaj et al 2013).…”

“…Hareketin doğru tahmin edilmesi, özellikle karışık hareket ve kapanma sınırı alanlarındaki bozulmaları gidermek, zor ve sayısal olarak pahalı bir süreçtir (Javaid et al 2013;Rubinstein, 2014;Wu et al 2012;Bharadwaj et al 2013;Bharadwaj et al 2014;Sarode and Mandaogade 2014a;Sarode and Mandaogade 2014b). Diğer yandan, Euler yaklaşımı, belirli bir hareket tahminine gereksinim duymaksızın verilen bir konumdaki zamansal yoğunluk değişimlerini doğrudan büyütmektedir (Bharadwaj et al 2013). Euler yaklaşımı, bir akışkana ait bir pikselinin üç boyutlu karşılığının zamanla değişen basınç ve hız gibi özelliklerini kullanmaktadır (Javaid et al 2013;Rubinstein, 2014;Wu et al 2012;DoneshiKohan and NasrAbadi 2014;Chambino, 2013;Sarode and Mandaogade 2014a;Sarode and Mandaogade 2014b;.…”