WO2022162760A1 - 判定方法、判定プログラム、および情報処理装置 - Google Patents

判定方法、判定プログラム、および情報処理装置 Download PDF

Info

Publication number
WO2022162760A1
WO2022162760A1 PCT/JP2021/002736 JP2021002736W WO2022162760A1 WO 2022162760 A1 WO2022162760 A1 WO 2022162760A1 JP 2021002736 W JP2021002736 W JP 2021002736W WO 2022162760 A1 WO2022162760 A1 WO 2022162760A1
Authority
WO
WIPO (PCT)
Prior art keywords
image data
face image
determination
data
information included
Prior art date
Application number
PCT/JP2021/002736
Other languages
English (en)
French (fr)
Inventor
リナ セプティアナ
松濤智明
安部登樹
Original Assignee
富士通株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 富士通株式会社 filed Critical 富士通株式会社
Priority to CN202180082849.6A priority Critical patent/CN116724332A/zh
Priority to JP2022577856A priority patent/JP7415202B2/ja
Priority to EP21922784.0A priority patent/EP4287112A4/en
Priority to PCT/JP2021/002736 priority patent/WO2022162760A1/ja
Publication of WO2022162760A1 publication Critical patent/WO2022162760A1/ja
Priority to US18/323,718 priority patent/US20230298140A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • G06V10/431—Frequency domain transformation; Autocorrelation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/95—Pattern authentication; Markers therefor; Forgery detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20224—Image subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering

Definitions

  • This case relates to a judgment method, a judgment program, and an information processing device.
  • an object of the present invention is to provide a determination method, a determination program, and an information processing apparatus capable of improving determination accuracy for determining whether face image data is a morphing image.
  • the determination method includes, when the computer acquires face image data, generates face image data from which noise has been removed by a specific algorithm from the face image data, and generates the acquired face image data and generating difference image data from the face image data obtained, determining whether or not the obtained face image data is a composite image based on information included in the difference image data, and determining whether the obtained face image data is a composite image; is not determined to be a composite image, based on information included in frequency data generated from the difference image data, a process of determining whether the acquired face image data is a composite image. to run.
  • FIG. 4 is a diagram illustrating a morphing image; (a) to (i) are diagrams for explaining the principle of the embodiment.
  • 1A is a functional block diagram illustrating an overall configuration of an information processing apparatus, and FIG. 1B is a block diagram illustrating a hardware configuration;
  • FIG. 4 is a diagram illustrating teacher data; 8 is a flowchart illustrating determination processing;
  • Face authentication is a technology that uses facial features to verify a person's identity.
  • face authentication when confirmation is required, facial feature data for matching obtained by a sensor is compared (verified) with pre-registered registered facial feature data to determine whether the degree of similarity exceeds the threshold for judging the person.
  • the identity is verified by determining whether the Face recognition is used in passport registration offices, ID card registration offices, entrance/exit management, and the like.
  • a fraudulent act called a morphing attack may be performed in face authentication.
  • a morphing attack as illustrated in FIG. 1, a source image of a first person and a target image of a second person ) are synthesized by a morphing technique to generate a synthesized image. This composite image is called a morphing image.
  • the source image of the first person is the actual facial image of the first person, not the modified facial image.
  • the target image of the second person is not the modified face image, but the actual face image of the second person.
  • a morphing image includes a fusion image (a so-called cut-and-paste image) obtained by partially combining two face images.
  • a cut-and-paste image is, for example, an image obtained by cutting out the eyes or mouth and replacing it with someone else's.
  • a morphing image includes an interpolation image (interpolation image) obtained by interpolating two face images.
  • An interpolated image is an image obtained by interpolating two face images.
  • an interpolated image is obtained by averaging two face images.
  • the morphed image will have both the facial features of the first person and the facial features of the second person. Therefore, if a morphed image is registered as registered face feature data, there is a possibility that both the first person and the second person will be successfully authenticated.
  • a passport is created, if a morphed image obtained by synthesizing the face image data (source image) of a first person and the face image data (target image) of a second person is registered, one issued passport can be used as a second person. Both the first person and the second person can be used.
  • PRNU Photo Response Non-Uniformity
  • a technology that uses residual noise based on deep learning can be considered. Specifically, it is a technique for determining whether or not the target face image data is a morphed image by using the residual noise obtained by obtaining the difference between the face image data and the face image data after noise removal. be.
  • the technique using residual noise uses only spatial domain information, so there is a possibility that the determination can be made only for a specific type of morphed image.
  • morphed images include interpolated images and cut and pasted images. These are synthesized from a plurality of face image data of different persons. Each face image data is obtained by different cameras, for example. In this case, noise of different intensity remains in each face image data. Even if each piece of face image data is acquired by the same camera, noise of different intensity remains in each piece of face image data because the timing and environment for acquiring the face image data are different.
  • the difference image data between the morphed image and the noise-removed morphed image is obtained.
  • the removed noise component remains in this differential image data. Therefore, the difference image data represents residual noise. Since noise with different intensities remains in this residual noise, discontinuous noise intensities appear. Therefore, signal anomalies caused by morphing processing can be detected.
  • FIG. 2(a) is a diagram illustrating the actual face image data of the first person.
  • FIG. 2(b) is a diagram illustrating the actual face image data of the second person.
  • No trace of the morphing process remains in the residual noise of these face image data. Therefore, as exemplified in FIG. 2(c), even if the residual noise is transformed into the frequency space, the signal anomaly due to the morphing process does not appear as a feature.
  • FIG. 2(d) is a diagram exemplifying a cut-and-paste image obtained by partially combining the face image data of the first person and the face image data of the second person.
  • FIG. 2(e) shows spatial domain information when the residual noise of this cut and pasted image is expressed in a predetermined spatial domain. With this spatial domain information, the edges of the cut and pasted portions can be easily detected as signal anomalies.
  • FIG. 2F is a diagram illustrating frequency domain information when residual noise of the cut and pasted image is transformed into frequency space. As exemplified in FIG. 2(f), characteristics such as a vertical line passing through the center are more likely to appear as signal anomalies than in the case of FIG. 2(c).
  • FIG. 2(g) is a diagram illustrating an interpolated image obtained by averaging the face image data of the first person and the face image data of the second person.
  • FIG. 2(h) is spatial domain information when the residual noise of this interpolated image is expressed in a predetermined spatial domain. Since the interpolated image does not contain edges, this spatial domain information is less likely to show the characteristics of signal anomalies.
  • FIG. 2(i) is a diagram illustrating frequency domain information when residual noise of an interpolated image is transformed into frequency space. As exemplified by the arrows in FIG. 2(i), peaks, lines, etc. that do not appear in the spatial domain information appear as features of signal anomalies.
  • the determination accuracy of the morphed image is improved by re-determining it based on the frequency domain information. Moreover, since there is no need to add a special device or the like, costs can be suppressed.
  • FIG. 3A is a functional block diagram illustrating the overall configuration of the information processing device 100.
  • the information processing apparatus 100 includes a feature extraction processing unit 10, a learning processing unit 20, a determination processing unit 30, and an output processing unit 40.
  • the feature extraction processing unit 10 includes a face image acquisition unit 11, a color space conversion unit 12, a noise filter unit 13, a difference image generation unit 14, a first feature extraction unit 15, a second feature extraction unit 16, a feature score calculation unit 17, A determination unit 18 and an output unit 19 are provided.
  • the learning processing unit 20 includes a teacher data storage unit 21 , a teacher data acquisition unit 22 , a teacher data classification unit 23 and a model creation unit 24 .
  • the determination processing section 30 includes a face image acquisition section 31 and a determination section 32 .
  • FIG. 3(b) is a block diagram illustrating the hardware configuration of the feature extraction processing unit 10, the learning processing unit 20, the determination processing unit 30, and the output processing unit 40.
  • the information processing apparatus 100 includes a CPU 101, a RAM 102, a storage device 103, a display device 104, an interface 105, and the like.
  • a CPU (Central Processing Unit) 101 is a central processing unit.
  • CPU 101 includes one or more cores.
  • a RAM (Random Access Memory) 102 is a volatile memory that temporarily stores programs executed by the CPU 101, data processed by the CPU 101, and the like.
  • the storage device 103 is a non-volatile storage device.
  • a ROM Read Only Memory
  • SSD solid state drive
  • the storage device 103 stores a determination program according to this embodiment.
  • the display device 104 is a display device such as a liquid crystal display.
  • the interface 105 is an interface device with an external device.
  • face image data can be obtained from an external device via the interface 105 .
  • the feature extraction processing unit 10, the learning processing unit 20, the determination processing unit 30, and the output processing unit 40 of the information processing apparatus 100 are implemented by the CPU 101 executing the determination program.
  • Hardware such as a dedicated circuit may be used as the feature extraction processing unit 10, the learning processing unit 20, the determination processing unit 30, and the output processing unit 40.
  • FIG. 4 is a flowchart illustrating feature extraction processing executed by the feature extraction processing unit 10 .
  • the facial image acquiring unit 11 acquires facial image data (step S1).
  • the color space conversion unit 12 converts the color space of the face image data acquired in step S1 into a predetermined color space (step S2).
  • the color space conversion unit 12 converts face image data into an HSV color space consisting of three components of hue (Hue), saturation (Saturation Chroma), and brightness (Value Brightness).
  • hue Hue
  • saturation saturation Chroma
  • brightness Value Brightness
  • luminance or image intensity can be separated from saturation or color information.
  • the noise filter unit 13 generates noise-removed face image data by performing noise removal processing on the face image data obtained in step S2 (step S3).
  • the noise filter unit 13 performs noise removal processing using a specific algorithm. A known technique or the like for removing image noise can be used for the noise removal processing.
  • the difference image generation unit 14 generates difference image data between the face image data obtained in step S2 and the face image obtained in step S3 (step S4). By generating the difference image data, residual noise remaining in the face image acquired in step S1 can be obtained. If the processing of step S2 is not performed, difference image data between the face image data obtained in step S1 and the face image data after noise removal processing may be generated.
  • the first feature extraction unit 15 extracts the signal abnormality feature caused by the morphing process as the first feature from the spatial region information of the differential image data (step S5).
  • the first feature extraction unit 15 extracts vector values of spatial domain information such as LBP (Local Binary Pattern) and CoHOG (Co-occurrence Histograms of Oriented Gradients) as features of signal anomalies.
  • the first feature extraction unit 15 can extract the vector value of the spatial domain by using a statistic obtained by comparing the pixel value of the target pixel and the pixel values of the pixels surrounding the target pixel.
  • the first feature extraction unit 15 may extract vector values in the spatial domain by using deep learning.
  • the first feature extraction unit 15 may use feature amounts represented by numerical expressions.
  • the feature score calculation unit 17 calculates the probability that the face image data acquired in step S1 is morphing image data as a feature score from the first feature extracted in step S5 (step S6). For example, the statistic of vector values obtained in step S5 can be used as the feature score.
  • the determination unit 18 determines whether or not the feature score calculated in step S5 exceeds the threshold (step S7).
  • This threshold value can be determined in advance from, for example, a variation value when the feature score is calculated from the spatial region for a plurality of pieces of face image data.
  • step S7 If “Yes” is determined in step S7, the output unit 19 outputs the feature score calculated in step S6 (step S8).
  • the second feature extraction unit 16 If “No” is determined in step S7, the second feature extraction unit 16 generates frequency information in the frequency domain from the differential image data (step S9).
  • the second feature extraction unit 16 can generate frequency information in the frequency domain by performing a digital Fourier transform on the difference image data.
  • the second feature extraction unit 16 extracts the signal abnormality feature caused by the morphing process as a second feature from the frequency information generated in step S9 (step S10).
  • the second feature extraction unit 16 extracts a frequency domain vector value such as a Gray-Level Co-occurrence Matrix (GLCM) as a signal anomaly feature.
  • GLCM Gray-Level Co-occurrence Matrix
  • the second feature extraction unit 16 can extract vector values in the frequency domain by using statistics obtained by comparing the pixel value of the pixel of interest and the pixel values of pixels surrounding the pixel of interest.
  • the second feature extraction unit 16 may extract vector values in the frequency domain by using deep learning.
  • the second feature extraction unit 16 may use feature amounts represented by numerical expressions.
  • the feature score calculation unit 17 calculates the probability that the face image data acquired in step S1 is morphing image data as a feature score from the frequency features extracted in step S10 (step S11). For example, the vector value statistic obtained in step S10 can be used as the feature score.
  • the determination unit 18 determines whether or not the feature score calculated in step S11 exceeds the threshold (step S12).
  • the threshold in step S12 can be determined in advance from, for example, a variation value when feature scores are calculated from the frequency domain for a plurality of pieces of face image data.
  • step S12 If “Yes” is determined in step S12, the output processing unit 40 outputs the feature score calculated in step S11 (step S8).
  • the feature score calculation unit 17 calculates the face image data acquired in step S1 from the first feature extracted in step S5 and the second feature extracted in step S10. The likelihood of being morphed image data is calculated as a feature score (step S13). After that, the output processing unit 40 outputs the feature score calculated in step S13 (step S8).
  • FIG. 5 is a flowchart illustrating learning processing executed by the learning processing unit 20.
  • the teacher data acquisition unit 22 acquires each teacher data stored in the teacher data storage unit 21 (step S21).
  • the training data is training data of face images, and includes actual face image data without modification and morphing image data.
  • each teacher data is associated with either an identifier (Bonafide) indicating actual face image data or an identifier (Morphing) indicating a morphing image.
  • identifier indicating actual face image data
  • Mephing identifier
  • These teaching data are created in advance by a user or the like and stored in the teaching data storage unit 21 .
  • the feature extraction process of FIG. 4 is executed for each teacher data acquired in step S21.
  • the teacher data classification unit 23 classifies the feature scores output by the output unit 19 for each teacher data into actual face image data and morphing image data according to the identifiers stored in the teacher data storage unit 21. (step S22).
  • the model creating unit 24 creates an evaluation model based on the classification result of step S22 (step S23). For example, a classification model is created by drawing a separating hyperplane (boundary plane) from the relationship between the space in which the feature scores of each teacher data are distributed and the identifier. Through the above processing, a classification model can be created.
  • a classification model is created by drawing a separating hyperplane (boundary plane) from the relationship between the space in which the feature scores of each teacher data are distributed and the identifier.
  • FIG. 7 is a flowchart illustrating determination processing executed by the determination processing unit 30 .
  • the facial image acquiring unit 31 acquires facial image data (step S31).
  • the feature extraction process of FIG. 4 is performed on the face image data acquired in step S31.
  • This face image data is input from an external device via the interface 105 because it is face image data for creating a passport or the like.
  • the determination unit 32 determines whether the feature score output by the output unit 19 is an actual image or a morphed image based on the classification model created by the model creation unit 24 (step S32).
  • the determination result of step S ⁇ b>32 is output by the output processing unit 40 .
  • the determination result output by the output processing unit 40 is displayed on the display device 104 .
  • the frequency domain information is used to re-determine whether the face image data is a morphing image.
  • the use of frequency domain information improves decision accuracy. Moreover, since a special image sensor or the like does not have to be used, costs can be reduced.
  • the frequency domain information is used for re-determination. Therefore, the processing time can be shortened.
  • the noise filter unit 13 is an example of a face image data generation unit that generates face image data from which noise has been removed by a specific algorithm when face image data is acquired.
  • the difference image generation unit 14 is an example of a difference image data generation unit that generates difference image data between the obtained face image data and the generated face image data.
  • the determination unit 18 is an example of a first determination unit that determines whether the acquired face image data is a composite image based on information included in the difference image data.
  • the determination unit 18 is also an example of a second determination unit that determines whether the acquired face image data is a composite image based on information included in the frequency data.
  • the determination processing unit 30 determines whether or not the face image data determined as the composite image is a composite image by a classification model machine-learned using teacher data of a plurality of face image data. This is an example of a determination processing unit that further determines the .
  • the second feature extraction unit 16 is an example of a frequency data generation unit that generates the frequency data from the difference image data by digital Fourier transform.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

判定方法は、コンピュータが、顔画像データを取得した場合に、前記顔画像データから特定アルゴリズムによってノイズが除去された顔画像データを生成し、取得した前記顔画像データと、生成した前記顔画像データとの差分画像データを生成し、前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定し、取得した前記顔画像データが合成画像であると判定されなかった場合に、前記差分画像データから生成された周波数データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する、処理を実行する。　

Description

判定方法、判定プログラム、および情報処理装置
　本件は、判定方法、判定プログラム、および情報処理装置に関する。
　顔認証において、モーフィングアタックと呼ばれる不正行為が行われることがある。そこで、顔画像データが、モーフィング画像であるか否かを判定するための技術が開示されている（例えば、特許文献１参照）。
特表２０２０－５２５９４７号公報
　しかしながら、顔画像データがモーフィング画像であるか否かを判定する際に十分な判定精度が得られない場合がある。
　１つの側面では、本発明は、顔画像データがモーフィング画像であるか否かを判定する判定精度を向上させることができる判定方法、判定プログラム、および情報処理装置を提供することを目的とする。
　１つの態様では、判定方法は、コンピュータが、顔画像データを取得した場合に、前記顔画像データから特定アルゴリズムによってノイズが除去された顔画像データを生成し、取得した前記顔画像データと、生成した前記顔画像データとの差分画像データを生成し、前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定し、取得した前記顔画像データが合成画像であると判定されなかった場合に、前記差分画像データから生成された周波数データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する、処理を実行する。
　判定精度を向上させることができる。
モーフィング画像を例示する図である。 （ａ）から（ｉ）は実施例の原理について説明するための図である。 （ａ）は情報処理装置の全体構成を例示する機能ブロック図であり、（ｂ）はハードウェア構成を例示するブロック図である。 特徴抽出処理を例示するフローチャートである。 学習処理を例示するフローチャートである。 教師データを例示する図である。 判定処理を例示するフローチャートである。
　顔認証は、顔特徴を用いて本人確認を行なう技術である。顔認証では、確認が必要な場面においてセンサによって取得した照合用顔特徴データと、予め登録しておいた登録顔特徴データとを比較（照合）し、類似度が本人判定閾値以上になるか否かを判定することで、本人確認を行なっている。顔認証は、パスポート登録所、ＩＤカード登録所、入退室管理などで利用されている。
　顔認証において、モーフィングアタックと呼ばれる不正行為が行われることがある、モーフィングアタックでは、図１で例示するように、第１人物のソース画像（Ｓｏｕｒｃｅ　ｉｍａｇｅ）と、第２人物のターゲット画像（Ｔａｒｇｅｔ　ｉｍａｇｅ）とをモーフィング技術によって合成することで、合成画像が生成される。この合成画像は、モーフィング画像（Ｍｏｒｐｈｉｎｇ　ｉｍａｇｅ）と称されている。第１人物のソース画像は、修正などが加えられた顔画像ではなく、第１人物の実際の顔画像である。第２人物のターゲット画像は、修正などが加えられた顔画像ではなく、第２人物の実際の顔画像である。
　モーフィング画像には、２枚の顔画像を部分的に組み合わせることによって得られるＦｕｓｉｏｎ画像（いわゆる切り貼り画像）が含まれる。切り貼り画像は、例えば、目のところや口のところを切り抜いて他人のものと入れ替えることによって得られる画像のことである。
　モーフィング画像には、２枚の顔画像を補間することによって得られるＩｎｔｅｒｐｏｌａｔｉｏｎ画像（補間画像）が含まれる。補間画像は、２枚の顔画像に対して補間することによって得られる画像のことである。例えば、補間画像は、２枚の顔画像を平均化することによって得られる。
　モーフィング画像は、第１人物の顔特徴と第２人物の顔特徴とを併せ持つことになる。したがって、モーフィング画像を登録顔特徴データとして登録しておくと、第１人物および第２人物の両方とも、本人確認に成功する可能性がある。例えば、パスポート作成時に、第１人物の顔画像データ（ソース画像）と第２人物の顔画像データ（ターゲット画像）とを合成したモーフィング画像が登録されてしまうと、発行された１つのパスポートを第１人物も第２人物も利用できることになってしまう。
　ここで、モーフィングアタックを検出するための手法について検討する。例えば、イメージセンサのパターンノイズ（PRNU: Photo Response Non-Uniformity）を用いる技術が考えられる。具体的には、画像セルをまたぐＰＲＮＵパターンから抽出された空間特徴およびスペクトル特徴のエネルギー特性を用いることが考えられる。しかしながら、この手法では、特別なセンサを要するため、コストがかかり処理が複雑になる。
　次に、ディープラーニングに基づく残留ノイズを用いる技術が考えられる。具体的には、顔画像データとノイズ除去後の顔画像データとの差分を得ることで得られる残留ノイズを用いて、対象とする顔画像データがモーフィング画像であるか否かを判定する技術である。しかしながら、残留ノイズを用いる技術では、空間領域情報のみを用いるため、特定種類のモーフィング画像についてしか判定できないおそれがある。
　そこで、以下の実施例では、コストを抑えつつモーフィング画像の判定精度を向上させることができる情報処理装置、判定方法、および判定プログラムについて説明する。
　まず、本実施例の原理について説明する。
　上述したように、モーフィング画像には、補間画像、切り貼り画像などが含まれる。これらは、複数枚の異なる人物の顔画像データから合成される。各顔画像データは、例えば、異なるカメラによって取得されている。この場合、各顔画像データには、異なる強度のノイズが残留することになる。各顔画像データが同一のカメラによって取得されていたとしても、顔画像データを取得するタイミングや環境などが異なるため、やはり各顔画像データには異なる強度のノイズが残留することになる。
　そこで、モーフィング画像と、ノイズ除去処理したモーフィング画像との差分画像データを取得する。この差分画像データには、除去されたノイズ成分が残留している。したがって、差分画像データは、残留ノイズを表している。この残留ノイズには、異なる強度のノイズが残留しているため、不連続のノイズ強度が現れるようになる。したがって、モーフィング処理に起因する信号異常を検出することができる。
　例えば、切り貼り画像においては、画像平面内において、画素の直接的な操作の痕跡が残ることになる。したがって、残留ノイズを所定の空間領域で表した場合の空間領域情報を分析することによって、切り貼り画像において切り貼りされている各部分のエッジを検出することができる。
　しかしながら、切り貼り画像のエッジが無い補間画像に対しては、空間領域情報を分析してもモーフィング画像であるか否かを判定することは困難になる。
　この補間画像については、空間領域情報には表れにくいパターンが、周波数領域に現れることがある。例えば、空間領域情報には表れないピーク、線などの他の細工痕跡が、対数振幅目盛で表した周波数領域に現れることがある。したがって、この周波数領域情報を分析し、モーフィング処理に起因する信号異常を検出することによって、対象とする顔画像データがモーフィング画像であるか否かを判定する判定精度が向上する。
　図２（ａ）は、第１人物の実際の顔画像データを例示する図である。図２（ｂ）は、第２人物の実際の顔画像データを例示する図である。これらの顔画像データの残留ノイズには、モーフィング処理の痕跡が残らない。したがって、図２（ｃ）で例示するように、残留ノイズを周波数空間に変換しても、モーフィング処理に起因する信号異常が特徴として現れない。
　図２（ｄ）は、第１人物の顔画像データと、第２人物の顔画像データとを部分的に組み合わせた切り貼り画像を例示する図である。図２（ｅ）は、この切り貼り画像の残留ノイズを所定の空間領域で表した場合の空間領域情報である。この空間領域情報では、切り貼りされた各部分のエッジを、信号異常として容易に検出することができる。図２（ｆ）は、切り貼り画像の残留ノイズを周波数空間に変換した場合の周波数領域情報を例示する図である。図２（ｆ）で例示するように、図２（ｃ）の場合よりは、信号異常として、中心を通る縦線のような特徴が表れやすくなっている。
　図２（ｇ）は、第１人物の顔画像データと、第２人物の顔画像データとを平均化して得られた補間画像を例示する図である。図２（ｈ）は、この補間画像の残留ノイズを所定の空間領域で表した場合の空間領域情報である。補間画像にはエッジが含まれないため、この空間領域情報では信号異常の特徴が表れにくくなっている。図２（ｉ）は、補間画像の残留ノイズを周波数空間に変換した場合の周波数領域情報を例示する図である。図２（ｉ）内の矢印で例示するように、空間領域情報には表れないピーク、線などが信号異常の特徴として現れている。
　以上のことから、対象とする顔画像データについて、空間領域情報でモーフィング画像であると判定されなかったとしても、周波数領域情報で再判定することによって、モーフィング画像の判定精度が向上する。また、特別な機器などを追加しなくてもよいため、コストを抑制することができる。
　以下、本実施例について具体的に説明する。
　図３（ａ）は、情報処理装置１００の全体構成を例示する機能ブロック図である。図３（ａ）で例示するように、情報処理装置１００は、特徴抽出処理部１０、学習処理部２０、判定処理部３０、および出力処理部４０を備える。特徴抽出処理部１０は、顔画像取得部１１、色空間変換部１２、ノイズフィルタ部１３、差分画像生成部１４、第１特徴抽出部１５、第２特徴抽出部１６、特徴スコア算出部１７、判定部１８、および出力部１９を備える。学習処理部２０は、教師データ格納部２１、教師データ取得部２２、教師データ分類部２３、およびモデル作成部２４を備える。判定処理部３０は、顔画像取得部３１、および判定部３２を備える。
　図３（ｂ）は、特徴抽出処理部１０、学習処理部２０、判定処理部３０、および出力処理部４０のハードウェア構成を例示するブロック図である。図３（ｂ）で例示するように、情報処理装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４、インタフェース１０５等を備える。
　ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１は、中央演算処理装置である。ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。記憶装置１０３は、本実施例に係る判定プログラムを記憶している。表示装置１０４は、液晶ディスプレイなどの表示装置である。インタフェース１０５は、外部機器とのインタフェース装置である。例えば、インタフェース１０５を介して外部機器から顔画像データを取得することができる。ＣＰＵ１０１が判定プログラムを実行することで、情報処理装置１００の特徴抽出処理部１０、学習処理部２０、判定処理部３０、および出力処理部４０が実現される。なお、特徴抽出処理部１０、学習処理部２０、判定処理部３０、および出力処理部４０として、専用の回路などのハードウェアを用いてもよい。
（特徴抽出処理）
　図４は、特徴抽出処理部１０が実行する特徴抽出処理を例示するフローチャートである。図４で例示するように、顔画像取得部１１は、顔画像データを取得する（ステップＳ１）。
　次に、色空間変換部１２は、ステップＳ１で取得した顔画像データの色空間を所定の色空間に変換する（ステップＳ２）。例えば、色空間変換部１２は、顔画像データを、色相（Ｈｕｅ）、彩度（Ｓａｔｕｒａｔｉｏｎ　Ｃｈｒｏｍａ）、明度（Ｖａｌｕｅ　Ｂｒｉｇｈｔｎｅｓｓ）の３成分からなるＨＳＶ色空間に変換する。ＨＳＶ色空間では、輝度または画像強度を、彩度または色情報から分離することができる。
　次に、ノイズフィルタ部１３は、ステップＳ２で得られた顔画像データに対してノイズ除去処理を行なうことによって、ノイズが除去された顔画像データを生成する（ステップＳ３）。ステップＳ３において、ノイズフィルタ部１３は、特定アルゴリズムによるノイズ除去処理を行なう。ノイズ除去処理には、画像ノイズを除去するための公知の技術などを用いることができる。
　次に、差分画像生成部１４は、ステップＳ２で得られた顔画像データと、ステップＳ３で得られた顔画像との差分画像データを生成する（ステップＳ４）。差分画像データを生成することで、ステップＳ１で取得された顔画像に残留する残留ノイズを得ることができる。なお、ステップＳ２の処理を行なわない場合には、ステップＳ１で取得された顔画像データと、ノイズ除去処理後の顔画像データとの差分画像データを生成すればよい。
　次に、第１特徴抽出部１５は、差分画像データの空間領域情報から、モーフィング処理に起因する信号異常の特徴を第１特徴として抽出する（ステップＳ５）。例えば、第１特徴抽出部１５は、ＬＢＰ（Local Binary Pattern）、ＣｏＨＯＧ（Co-occurrence Histograms of Oriented Gradients）などの空間領域情報のベクトル値を、信号異常の特徴として抽出する。例えば、第１特徴抽出部１５は、注目画素の画素値と、注目画素の周辺の画素の画素値との比較によって得られる統計量を用いることによって、空間領域のベクトル値を抽出することができる。さらに、第１特徴抽出部１５は、ディープラーニングを用いることによって、空間領域のベクトル値を抽出してもよい。第１特徴抽出部１５は、数値表現によって表した特徴量を用いてもよい。
　次に、特徴スコア算出部１７は、ステップＳ５で抽出された第１特徴から、ステップＳ１で取得した顔画像データがモーフィング画像データである確度を特徴スコアとして算出する（ステップＳ６）。例えば、ステップＳ５で得られたベクトル値の統計量などを特徴スコアとして用いることができる。
　次に、判定部１８は、ステップＳ５で算出された特徴スコアが閾値を上回っているか否かを判定する（ステップＳ７）。この閾値は、例えば、予め、複数枚の顔画像データに対して空間領域から特徴スコアを算出した場合の変動値などから定めておくことができる。
　ステップＳ７で「Ｙｅｓ」と判定された場合、出力部１９は、ステップＳ６で算出された特徴スコアを出力する（ステップＳ８）。
　ステップＳ７で「Ｎｏ」と判定された場合、第２特徴抽出部１６は、差分画像データから周波数領域の周波数情報を生成する（ステップＳ９）。例えば、第２特徴抽出部１６は、差分画像データをデジタルフーリエ変換することで、周波数領域の周波数情報を生成することができる。
　次に、第２特徴抽出部１６は、ステップＳ９で生成された周波数情報から、モーフィング処理に起因する信号異常の特徴を第２特徴として抽出する（ステップＳ１０）。例えば、第２特徴抽出部１６は、グレーレベルの同時生起行列(GLCM: Gray-Level Co-occurrence Matrix)などの周波数領域のベクトル値を、信号異常の特徴として抽出する。例えば、第２特徴抽出部１６は、注目画素の画素値と、注目画素の周辺の画素の画素値との比較によって得られる統計量を用いることによって、周波数領域のベクトル値を抽出することができる。さらに、第２特徴抽出部１６は、ディープラーニングを用いることによって、周波数領域のベクトル値を抽出してもよい。第２特徴抽出部１６は、数値表現によって表した特徴量を用いてもよい。
　次に、特徴スコア算出部１７は、ステップＳ１０で抽出された周波数特徴から、ステップＳ１で取得した顔画像データがモーフィング画像データである確度を特徴スコアとして算出する（ステップＳ１１）。例えば、ステップＳ１０で得られたベクトル値の統計量などを特徴スコアとして用いることができる。
　次に、判定部１８は、ステップＳ１１で算出された特徴スコアが閾値を上回っているか否かを判定する（ステップＳ１２）。ステップＳ１２の閾値は、例えば、予め、複数枚の顔画像データに対して周波数領域から特徴スコアを算出した場合の変動値などから定めておくことができる。
　ステップＳ１２で「Ｙｅｓ」と判定された場合、出力処理部４０は、ステップＳ１１で算出された特徴スコアを出力する（ステップＳ８）。
　ステップＳ１２で「Ｎｏ」と判定された場合、特徴スコア算出部１７は、ステップＳ５で抽出された第１特徴とステップＳ１０で抽出された第２特徴とから、ステップＳ１で取得した顔画像データがモーフィング画像データである確度を特徴スコアとして算出する（ステップＳ１３）。その後、出力処理部４０は、ステップＳ１３で算出された特徴スコアを出力する（ステップＳ８）。
（学習処理）
　図５は、学習処理部２０が実行する学習処理を例示するフローチャートである。図５で例示するように、教師データ取得部２２は、教師データ格納部２１に格納されている各教師データを取得する（ステップＳ２１）。教師データは、顔画像の教師データであって、修正が加えられていない実際の顔画像データと、モーフィング画像データとを含む。図６で例示するように、各教師データには、実際の顔画像データであることを示す識別子（Ｂｏｎａｆｉｄｅ）、およびモーフィング画像であることを示す識別子（Ｍｏｒｐｈｉｎｇ）のいずれかが関連付けられている。これらの教師データは、ユーザなどによって予め作成され、教師データ格納部２１に格納されている。ステップＳ２１で取得された各教師データについて、図４の特徴抽出処理が実行される。
　次に、教師データ分類部２３は、各教師データについて出力部１９によって出力された特徴スコアを、教師データ格納部２１に格納されている識別子に従って、実際の顔画像データとモーフィング画像データとに分類する（ステップＳ２２）。
　次に、モデル作成部２４は、ステップＳ２２の分類結果に基づいて、評価用モデルを作成する（ステップＳ２３）。例えば、各教師データの特徴スコアを分布させた空間と、識別子との関係から、分離超平面（境界平面）を引くなどして、分類用モデルを作成する。以上の処理により、分類モデルを作成することができる。
（判定処理）
　図７は、判定処理部３０が実行する判定処理を例示するフローチャートである。図７で例示するように、顔画像取得部３１は、顔画像データを取得する（ステップＳ３１）。ステップＳ３１について取得された顔画像データについて、図４の特徴抽出処理が行われる。この顔画像データは、パスポート作成用の顔画像データなどであるため、インタフェース１０５を介して外部機器から入力される。
　次に、判定部３２は、出力部１９によって出力された特徴スコアについて、モデル作成部２４が作成した分類用モデルによって実際の画像であるかモーフィング画像であるかを判定する（ステップＳ３２）。ステップＳ３２の判定結果は、出力処理部４０によって出力される。出力処理部４０によって出力された判定結果は、表示装置１０４に表示される。
　本実施例によれば、まず、残留ノイズの空間領域情報を用いて、顔画像データがモーフィング画像であるか否かが判定される。残留ノイズの空間領域情報を用いることによって、ノイズ強度の不連続点などを容易に検出することができる。空間領域情報を用いた判定では顔画像データがモーフィング画像であると判定されなかった場合に、周波数領域情報を用いて、顔画像データがモーフィング画像であるか否かが再判定される。周波数領域情報を用いることによって、判定精度が向上する。また、特別なイメージセンサなどを用いなくてもよいため、コストを低減することができる。また、空間領域情報を用いた判定ではモーフィング画像であると判定されなかった場合に周波数領域情報を用いて再判定されるため、常に空間領域情報および周波数領域情報を用いて判定する場合と比較して、処理時間を短縮化することができる。
　上記例において、ノイズフィルタ部１３が、顔画像データを取得した場合に、前記顔画像データから特定アルゴリズムによってノイズが除去された顔画像データを生成する顔画像データ生成部の一例である。差分画像生成部１４が、取得した前記顔画像データと、生成した前記顔画像データとの差分画像データを生成する差分画像データ生成部の一例である。判定部１８が、前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する第１判定部の一例である。判定部１８は、前記周波数データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する第２判定部の一例でもある。判定処理部３０が、複数枚の顔画像データの教師データを用いて機械学習された分類モデルによって、前記合成画像であるか否かを判定された前記顔画像データについて合成画像であるか否かをさらに判定する判定処理部の一例である。第２特徴抽出部１６が、デジタルフーリエ変換によって前記差分画像データから前記周波数データを生成する周波数データ生成部の一例である。
　以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。
　１０　特徴抽出処理部
　１１　顔画像取得部
　１２　色空間変換部
　１３　ノイズフィルタ部
　１４　差分画像生成部
　１５　第１特徴抽出部
　１６　第２特徴抽出部
　１７　特徴スコア算出部
　１８　判定部
　１９　出力部
　２０　学習処理部
　２１　教師データ格納部
　２２　教師データ取得部
　２３　教師データ分類部
　２４　モデル作成部
　３０　判定処理部
　３１　顔画像取得部
　３２　判定部
　４０　出力処理部
　１００　情報処理装置

Claims (21)

  1. 　コンピュータが、
    　顔画像データを取得した場合に、前記顔画像データから特定アルゴリズムによってノイズが除去された顔画像データを生成し、
    　取得した前記顔画像データと、生成した前記顔画像データとの差分画像データを生成し、
    　前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定し、
    　取得した前記顔画像データが合成画像であると判定されなかった場合に、前記差分画像データから生成された周波数データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する、
    　処理を実行することを特徴とする判定方法。
  2. 　前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する際に、ノイズ強度の不連続箇所を検知することによって判定することを特徴とする請求項１に記載の判定方法。
  3. 　前記コンピュータが、
    　複数枚の顔画像データの教師データを用いて機械学習された分類モデルによって、前記合成画像であるか否かを判定された前記顔画像データについて合成画像であるか否かをさらに判定する処理を実行することを特徴とする請求項１または請求項２に記載の判定方法。
  4. 　取得した前記顔画像データの色空間は、ＨＳＶ色空間であることを特徴とする請求項１から請求項３のいずれか一項に記載の判定方法。
  5. 　デジタルフーリエ変換によって前記差分画像データから前記周波数データを生成することを特徴とする請求項１から請求項４のいずれか一項に記載の判定方法。
  6. 　前記差分画像データに含まれる情報は、注目画素の画素値と、前記注目画素の周辺の画素の画素値との比較によって得られる統計量であることを特徴とする請求項１から請求項５のいずれか一項に記載の判定方法。
  7. 　前記差分画像データに含まれる情報として、数値表現によって表した特徴量を用いることを特徴とする請求項１から請求項６のいずれか一項に記載の判定方法。
  8. 　コンピュータに、
    　顔画像データを取得した場合に、前記顔画像データから特定アルゴリズムによってノイズが除去された顔画像データを生成する処理と、
    　取得した前記顔画像データと、生成した前記顔画像データとの差分画像データを生成する処理と、
    　前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する処理と、
    　取得した前記顔画像データが合成画像であると判定されなかった場合に、前記差分画像データから生成された周波数データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する処理と、
    　を実行させることを特徴とする判定プログラム。
  9. 　前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する際に、ノイズ強度の不連続箇所を検知することによって判定することを特徴とする請求項８に記載の判定プログラム。
  10. 　前記コンピュータに、
    　複数枚の顔画像データの教師データを用いて機械学習された分類モデルによって、前記合成画像であるか否かを判定された前記顔画像データについて合成画像であるか否かをさらに判定する処理を実行させることを特徴とする請求項８または請求項９に記載の判定プログラム。
  11. 　取得した前記顔画像データの色空間は、ＨＳＶ色空間であることを特徴とする請求項８から請求項１０のいずれか一項に記載の判定プログラム。
  12. 　デジタルフーリエ変換によって前記差分画像データから前記周波数データを生成することを特徴とする請求項８から請求項１１のいずれか一項に記載の判定プログラム。
  13. 　前記差分画像データに含まれる情報は、注目画素の画素値と、前記注目画素の周辺の画素の画素値との比較によって得られる統計量であることを特徴とする請求項８から請求項１２のいずれか一項に記載の判定プログラム。
  14. 　前記差分画像データに含まれる情報として、数値表現によって表した特徴量を用いることを特徴とする請求項８から請求項１３のいずれか一項に記載の判定プログラム。
  15. 　顔画像データを取得した場合に、前記顔画像データから特定アルゴリズムによってノイズが除去された顔画像データを生成する顔画像データ生成部と、
    　取得した前記顔画像データと、生成した前記顔画像データとの差分画像データを生成する差分画像データ生成部と、
    　前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する第１判定部と、
    　取得した前記顔画像データが合成画像であると判定されなかった場合に、前記差分画像データから生成された周波数データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する第２判定部と、を備えることを特徴とする情報処理装置。
  16. 　前記第１判定部は、前記差分画像データに含まれる情報に基づいて、取得した前記顔画像データが合成画像であるか否かを判定する際に、ノイズ強度の不連続箇所を検知することによって判定することを特徴とする請求項１５に記載の情報処理装置。
  17. 　複数枚の顔画像データの教師データを用いて機械学習された分類モデルによって、前記合成画像であるか否かを判定された前記顔画像データについて合成画像であるか否かをさらに判定する判定処理部を備えることを特徴とする請求項１５または請求項１６に記載の情報処理装置。
  18. 　取得した前記顔画像データの色空間は、ＨＳＶ色空間であることを特徴とする請求項１５から請求項１７のいずれか一項に記載の情報処理装置。
  19. 　デジタルフーリエ変換によって前記差分画像データから前記周波数データを生成する周波数データ生成部を有することを特徴とする請求項１５から請求項１８のいずれか一項に記載の情報処理装置。
  20. 　前記差分画像データに含まれる情報は、注目画素の画素値と、前記注目画素の周辺の画素の画素値との比較によって得られる統計量であることを特徴とする請求項１５から請求項１９のいずれか一項に記載の情報処理装置。
  21. 　前記第１判定部は、前記差分画像データに含まれる情報として、数値表現によって表した特徴量を用いることを特徴とする請求項１５から請求項２０のいずれか一項に記載の情報処理装置。
    　
PCT/JP2021/002736 2021-01-27 2021-01-27 判定方法、判定プログラム、および情報処理装置 WO2022162760A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202180082849.6A CN116724332A (zh) 2021-01-27 2021-01-27 判定方法、判定程序、以及信息处理装置
JP2022577856A JP7415202B2 (ja) 2021-01-27 2021-01-27 判定方法、判定プログラム、および情報処理装置
EP21922784.0A EP4287112A4 (en) 2021-01-27 2021-01-27 DETERMINATION METHOD, DETERMINATION PROGRAM AND INFORMATION PROCESSING DEVICE
PCT/JP2021/002736 WO2022162760A1 (ja) 2021-01-27 2021-01-27 判定方法、判定プログラム、および情報処理装置
US18/323,718 US20230298140A1 (en) 2021-01-27 2023-05-25 Determination method, non-transitory computer-readable recording medium storing determination program, and information processing device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/002736 WO2022162760A1 (ja) 2021-01-27 2021-01-27 判定方法、判定プログラム、および情報処理装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/323,718 Continuation US20230298140A1 (en) 2021-01-27 2023-05-25 Determination method, non-transitory computer-readable recording medium storing determination program, and information processing device

Publications (1)

Publication Number Publication Date
WO2022162760A1 true WO2022162760A1 (ja) 2022-08-04

Family

ID=82653178

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/002736 WO2022162760A1 (ja) 2021-01-27 2021-01-27 判定方法、判定プログラム、および情報処理装置

Country Status (5)

Country Link
US (1) US20230298140A1 (ja)
EP (1) EP4287112A4 (ja)
JP (1) JP7415202B2 (ja)
CN (1) CN116724332A (ja)
WO (1) WO2022162760A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019096130A (ja) * 2017-11-24 2019-06-20 Kddi株式会社 モーフィング画像生成装置及びモーフィング画像生成方法
US20200218885A1 (en) * 2017-06-20 2020-07-09 Hochschule Darmstadt Detecting artificial facial images using facial landmarks
JP2020525947A (ja) 2017-06-30 2020-08-27 ノルウェージャン ユニバーシティ オブ サイエンス アンド テクノロジー（エヌティーエヌユー） 操作された画像の検出

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200218885A1 (en) * 2017-06-20 2020-07-09 Hochschule Darmstadt Detecting artificial facial images using facial landmarks
JP2020525947A (ja) 2017-06-30 2020-08-27 ノルウェージャン ユニバーシティ オブ サイエンス アンド テクノロジー（エヌティーエヌユー） 操作された画像の検出
JP2019096130A (ja) * 2017-11-24 2019-06-20 Kddi株式会社 モーフィング画像生成装置及びモーフィング画像生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
See also references of EP4287112A4
YU, XINRUI ET AL.: "Face Morphing Detection using Generative Adversarial Networks", INTERNATIONAL CONFERENCE ON ELECTRO INFORMATION TECHNOLOGY (EIT, 22 May 2019 (2019-05-22), pages 288 - 291, XP033615664, DOI: 10.1109/EIT.2019.8834162 *

Also Published As

Publication number Publication date
JPWO2022162760A1 (ja) 2022-08-04
CN116724332A (zh) 2023-09-08
US20230298140A1 (en) 2023-09-21
EP4287112A1 (en) 2023-12-06
JP7415202B2 (ja) 2024-01-17
EP4287112A4 (en) 2024-01-10

Similar Documents

Publication Publication Date Title
Scherhag et al. Detection of face morphing attacks based on PRNU analysis
CN110084135B (zh) 人脸识别方法、装置、计算机设备及存储介质
KR100480781B1 (ko) 치아영상으로부터 치아영역 추출방법 및 치아영상을이용한 신원확인방법 및 장치
Hildebrandt et al. Benchmarking face morphing forgery detection: Application of stirtrace for impact simulation of different processing steps
Chung et al. Efficient shadow detection of color aerial images based on successive thresholding scheme
JP4877374B2 (ja) 画像処理装置及びプログラム
KR101494874B1 (ko) 사용자 인증 방법, 이를 실행하는 장치 및 이를 저장한 기록 매체
US11354917B2 (en) Detection of fraudulently generated and photocopied credential documents
JP7197485B2 (ja) 検出システム、検出装置およびその方法
JP2000105829A (ja) 顔パーツ検出方法及びその装置
CN107256543B (zh) 图像处理方法、装置、电子设备及存储介质
US20150146991A1 (en) Image processing apparatus and image processing method of identifying object in image
JP6784261B2 (ja) 情報処理装置、画像処理システム、画像処理方法及びプログラム
Velliangira et al. A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images
Devadethan et al. Face detection and facial feature extraction based on a fusion of knowledge based method and morphological image processing
JP2010244381A (ja) ガボアフィルタ、画像認識装置および方法、プログラム、並びに記録媒体
KR101408344B1 (ko) 얼굴 검출 장치
Youlian et al. Face detection method using template feature and skin color feature in rgb color space
JP2000348173A (ja) 唇抽出方法
WO2022162760A1 (ja) 判定方法、判定プログラム、および情報処理装置
Chowdhury et al. Fuzzy rule based approach for face and facial feature extraction in biometric authentication
KR102463353B1 (ko) 페이크 얼굴 검출 장치 및 검출 방법
JP6467817B2 (ja) 画像処理装置、画像処理方法、およびプログラム
Zangana A New Skin Color Based Face Detection Algorithm by Combining Three Color Model Algorithms
Singh et al. Face detection in hybrid color space using HBF-KNN

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21922784

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022577856

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202180082849.6

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 2021922784

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021922784

Country of ref document: EP

Effective date: 20230828