Border Control Morphing Attack Detection With a Convolutional Neural Network De-Morphing Approach

Abstract

Actualmente, el uso de la identificación biométrica, automatizada o semiautomatizada, es una realidad. Por ello, ha aumentado el número de ataques a estos sistemas. Uno de los ataques biométricos más comunes es el ataque de presentación (AP) porque es relativamente fácil de realizar. El control automatizado de fronteras (ABC) es un objetivo claro para los phishers. En cuanto a los ataques biométricos, el morphing es uno de los más amenazadores porque los sistemas de autenticación suelen ser incapaces de detectarlos correctamente. En este ataque, se genera un rostro falso se genera una cara falsa mediante el morphing y la mezcla de dos sujetos diferentes (auténtico y phisher), y la imagen resultante se almacena en el pasaporte. Estos ataques pueden generar situaciones de riesgo en casos de pasos fronterizos en los que un sistema ABC debe realizar tareas de identificación. Este trabajo de investigación propone una arquitectura de des-morfización que se fundamenta en una arquitectura de redes neuronales convolucionales (CNN). Esta técnica se basa en la utilización de dos imágenes: la imagen potencialmente morfeada almacenada en el pasaporte, y la instantánea de la persona localizada en el sistema ABC. El objetivo del proceso de des-morfización es desentrañar la imagen chip. Si la imagen del chip es morphed, el proceso de revelación entre la imagen in vivo y la imagen morphed del chip devolverá una identidad facial diferente a la de la persona localizada en el sistema ABC, y el impostor será descubierto in situ. Si la imagen del chip es una imagen no morfeada, la imagen resultante será similar a la de un pasajero auténtico. Por lo tanto, la información obtenida se tiene en cuenta en el paso fronterizo. La tasa de error igual (EER) alcanzada es muy baja en comparación con los valores publicados hasta la fecha. Los resultados obtenidos avalan un método que proporciona altos índices de precisión sin tener en cuenta la calidad de las imágenes utilizadas. Este punto clave es crucial para planes de despliegue plausibles en áreas como ABC.