10.14489/vkit.2026.03.pp.010-018

DOI: 10.14489/vkit.2026.03.pp.010-018

Калиберда И. В.
МЕТОД ТЕРМООПТИЧЕСКОЙ БИОМЕТРИЧЕСКОЙ АУТЕНТИФИКАЦИИ ЛИЧНОСТИ С ПОВЫШЕННОЙ УСТОЙЧИВОСТЬЮ К АТАКАМ ПРЕДСТАВЛЕНИЯ
(c. 10-18)

Аннотация. Рассмотрена задача аутентификации личности по изображению лица с одновременным обнаружением атак представления (Presentation Attack Detection, PAD). Представлен метод CanonFace-PAD, основанный на раздельном моделировании идентичности субъекта и физических характеристик предъявления в рамках единой системы аутентификации. В отличие от классических подходов, где решение об идентичности и подлинности предъявления принимается на уровне эмбеддингов или отдельных классификаторов, в предлагаемом методе используется факторизованное латентное представление, позволяющее выявлять физически и межмодально несогласованные предъявления. Экспериментальная оценка проведена в мультисенсорной постановке с использованием изображений лица, полученных в оптическом и тепловизионном спектральных диапазонах. Тепловизионные данные используются в качестве дополнительного источника информации о физических и физиологических характеристиках предъявления, что позволяет повысить устойчивость системы к атакам представления. Оценка качества выполнена в соответствии с требованиями стандарта, регламентирующего обнаружение атак представления в биометрических системах, с использованием показателей ошибок первого или второго рода и их усредненного значения. Полученные результаты демонстрируют снижение уровня ошибок по сравнению с базовым подходом аутентификации по лицу, дополненным классическим модулем обнаружения атак представления, и подтверждают эффективность предлагаемого метода в условиях сложных и ранее не наблюдавшихся сценариев атак.

Ключевые слова: обнаружение атак представления; мультисенсорная аутентификация; термооптические данные; показатели ошибок.

Kaliberda I. V.
THERMOOPTICAL BIOMETRIC AUTHENTICATION METHOD WITH ENHANCED RESISTANCE TO PRESENTATION ATTACKS
(pp. 10-18)

Abstract. This paper addresses the problem of face authentication with simultaneous detection of presentation attacks, which remains a critical challenge for practical biometric systems. Although modern face recognition methods based on deep neural networks demonstrate high accuracy under controlled conditions, their vulnerability to presentation attacks, including printed photo-graphs, video replays, and artificial facial representations, significantly limits their applicability in real-world scenarios. To address this issue, presentation attack detection techniques are commonly integrated into face authentication systems; however, in many existing approaches such techniques are implemented as independent classifiers that are weakly coupled with the identity recognition process. The method is evaluated in a multisensor biometric setting using facial images acquired in the visible light and thermal infrared spectral ranges. Thermal infrared information provides additional cues related to physiological and physical properties of the presented face, which are difficult to replicate in spoofing scenarios. The analysis of consistency between optical and thermal facial representations enables improved discrimination between bona fide presentations and presentation attacks. Experimental evaluation is conducted using a subject-disjoint protocol in accordance with the recommendations of the international standard ISO/IEC 30107-3. System performance is assessed using standard error metrics for presentation attack detection and face authentication, including the attack presentation classification error rate, the bona fide presentation classification error rate, the average classification error rate, and the equal error rate. The experimental results demonstrate that the proposed CanonFace-PAD method achieves lower error rates compared to a baseline embedding-based face authentication system combined with a conventional presentation attack detection module, particularly in scenarios involving complex and previously unseen attack types. The obtained results confirm that a structured analysis of identity-related and presentation-related factors constitutes an effective and practical approach for enhancing the robustness of face authentication systems against presentation attacks, especially in multispectral biometric applications.

Keywords: Presentation attack detection; Multisensor authentication; Thermal and optical data; Error metrics.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

И. В. Калиберда (Пятигорский институт (филиал) Северо-Кавказского федерального университета, Пятигорск, Ставропольский край, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

I. V. Kaliberda (Pyatigorsk Institute (Branch of North-Caucasus Federal University), Pyatigorsk, Stavropol region, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Ramachandra R., Busch C. Presentation attack detection methods for face recognition systems: A comprehensive survey // ACM Computing Surveys. 2017. Т. 50, № 1. С. 1–37.
2. Hernandez-Ortega J., Fierrez J., Morales A., Galbally J. Introduction to face presentation attack detection // Handbook of Biometric Anti-Spoofing. Cham: Springer, 2019. С. 1–24.
3. Sharma D., Singh R., Vatsa M., Noore A. A survey on face presentation attack detection mechanisms // International Journal of Biometrics. 2023. Т. 15, № 2. С. 97–129.
4. Deng J., Guo J., Zafeiriou S. ArcFace: Additive angular margin loss for deep face recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (CVPR 2019). С. 4690–4699. ArXiv 18/01/07698 [cs.CV].
5. Denisova A. Y., Fedoseev V. A. Detection of presentation attacks on facial authentication systems using multiple imaging sensors // Computer Optics. 2022. Т. 46, № 2. С. 302–312.
6. George A., Marcel S. Deep pixel-wise binary supervision for face presentation attack detection // Proceedings of the International Conference on Biometrics. (ICB 2019). С. 1–8. DOI: 10.1109/ICB45273.2019.8987370
7. Liu Y., Stehouwer J., Jourabloo A., Liu X. Deep tree learning for zero-shot face anti-spoofing // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (CVPR 2019). С. 4680–4689. ArXiv: 1904.02860v2 [cs.CV]. DOI: 10.1109/CVPR.2019.00481
8. Toward causal representation learning / Schölkopf B., Locatello F., Bauer S. et al. // Proceedings of the IEEE. 2021. V. 109, No 5. С. 612–634.
9. Tran L., Yin X., Liu X. Disentangled representation learning GAN for pose-invariant face recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. (CVPR 2017). Honolulu, Hawaii. С. 1415–1424. DOI: 10.1109/CVPR.2017.141

Eng

1. Ramachandra, R., & Busch, C. (2017). Presentation attack detection methods for face recognition systems: A comprehensive survey. ACM Computing Surveys, 50(1), 1–37.
2. Hernandez-Ortega, J., Fierrez, J., Morales, A., & Galbally, J. (2019). Introduction to face presentation attack detection. In Handbook of biometric anti-spoofing (pp. 1–24). Springer.
3. Sharma, D., Singh, R., Vatsa, M., & Noore, A. (2023). A survey on face presentation attack detection mechanisms. International Journal of Biometrics, 15(2), 97–129.
4. Deng, J., Guo, J., & Zafeiriou, S. (2019). ArcFace: Additive angular margin loss for deep face recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2019), 4690–4699. (Preprint: arXiv:1801.07698 [cs.CV])
5. Denisova, A. Y., & Fedoseev, V. A. (2022). Detection of presentation attacks on facial authentication systems using multiple imaging sensors. Computer Optics, 46(2), 302–312.
6. George, A., & Marcel, S. (2019). Deep pixel-wise binary supervision for face presentation attack detection. Proceedings of the International Conference on Biometrics (ICB 2019), 1–8. https://doi.org/10.1109/ICB45273.2019.8987370
7. Liu, Y., Stehouwer, J., Jourabloo, A., & Liu, X. (2019). Deep tree learning for zero-shot face anti-spoofing. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2019), 4680–4689. https://doi.org/10.1109/CVPR.2019.00481 (Preprint: arXiv:1904.02860v2 [cs.CV])
8. Schölkopf, B., Locatello, F., Bauer, S., et al. (2021). Toward causal representation learning. Proceedings of the IEEE, 109(5), 612–634.
9. Tran, L., Yin, X., & Liu, X. (2017). Disentangled representation learning GAN for pose-invariant face recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017), 1415–1424. https://doi.org/10.1109/CVPR.2017.141

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2026.03.pp.010-018

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2026.03.pp.010-018

and fill out the form