KaydedilenlerDerginizi ekleyin

Dergiler / Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi / 2026 / Cilt: 15 Sayı: 1

Farklı Renk Kanallarında Üretilen Doku Özniteliklerinin Yüz Sahteciliği Tespiti Başarımına Etkisinin İncelenmesi

Asuman Günay Yılmaz(KARADENİZ TEKNİK ÜNİVERSİTESİ, OF TEKNOLOJİ FAKÜLTESİ, YAZILIM MÜHENDİSLİĞİ BÖLÜMÜ)0000-0003-3960-5085
Uğur Turhal(BAYBURT ÜNİVERSİTESİ)0000-0002-5627-1833
Vasif Nabiyev(KARADENİZ TEKNİK ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ)0000-0003-0314-8134
Sayfa
56–65
Yayın Tarihi
2022-06-27
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

CASIA ve Replay-Attack veri setleri üzerinde yapılan deneylerde farklı kanallardan çıkarılan öznitelik birleşimlerinin yüz sahteciliği tespitinde başarılı olduğu görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yüz tanıma sistemleri temassız olmaları ve kullanım kolaylığından dolayı pek çok uygulamada kendine yer bulmaktadır.
📊
Temel Bulgular & Veri:Bu çalışmada, farklı renk uzaylarındaki kanallardan çıkarılan doku özniteliklerinin yüz sahteciliği tespitindeki başarımı incelenmiştir.
💡
Sonuç & Katkı:CASIA ve Replay-Attack veri setleri üzerinde yapılan deneylerde farklı kanallardan çıkarılan öznitelik birleşimlerinin yüz sahteciliği tespitinde başarılı olduğu görülmüştür.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yüz sahteciliği tespiti · renkli doku analizi · yerel ikili örüntüler

Özet

Yüz tanıma sistemleri temassız olmaları ve kullanım kolaylığından dolayı pek çok uygulamada kendine yer bulmaktadır. Fakat teknolojinin gelişimi ve bilgiye erişimin kolaylaşması nedeniyle bu sistemler, sahte yüzler kullanılarak yapılan saldırılara karşı dayanıksızdır. Bu çalışmada, farklı renk uzaylarındaki kanallardan çıkarılan doku özniteliklerinin yüz sahteciliği tespitindeki başarımı incelenmiştir. Bu amaçla HSV, YCbCr ve daha önceden bu alanda kullanılmayan L*a*b* renk uzaylarının kanallarından çıkarılan çok seviyeli yerel ikili örüntü özniteliklerinin çeşitli birleşimleri ile yüz sahtecilik tespiti gerçekleştirilmiştir. Öznitelik vektörleri temel bileşenler analizi ile küçültülüp, destek vektör makinesi sınıflayıcısının eğitiminde kullanılmıştır. CASIA ve Replay-Attack veri setleri üzerinde yapılan deneylerde farklı kanallardan çıkarılan öznitelik birleşimlerinin yüz sahteciliği tespitinde başarılı olduğu görülmüştür.

🔖

Bu Makaleye Atıf Yap

Yılmaz, A. G., Turhal, U., Nabiyev, V. (2022). Farklı Renk Kanallarında Üretilen Doku Özniteliklerinin Yüz Sahteciliği Tespiti Başarımına Etkisinin İncelenmesi. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, Cilt: 15 Sayı: 1, 56–65. https://doi.org/10.54525/tbbmd.1075383

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (31)

  1. De Freitas Pereira, T., Komulainen, J., Anjos, A., De Martino, J. M., Hadid, A., Pietikäinen, M., Marcel, S., Face liveness detection using dynamic texture, EURASIP Journal on Image and Video Processing, 2, 2014, http://jivp.eurasipjournals.com/content/2014/1/2
  2. Boulkenafet, Z., Komulainen, J., Hadid, A., Face anti-spoofing based on color texture analysis, Proceedings - International Conference on Image Processing, ICIP, 2015, pp. 2636–2640. https://doi.org/10.1109/ICIP.2015.7351280
  3. Parveen, S., Ahmad, S. M. S., Abbas, N. H., Adnan, W. A. W., Hanafi, M., Naeem, N., Face liveness detection using dynamic local ternary pattern, Computers, 5(2), 2016, pp. 1–15. https://doi.org/10.3390/computers5020010
  4. Zhang, L. B., Peng, F., Qin, L., Long, M., Face spoofing detection based on color texture Markov feature and support vector machine recursive feature elimination, Journal of Visual Communication and Image Representation, 51, 2018, pp. 56–69. https://doi.org/10.1016/j.jvcir.2018.01.001
  5. Boulkenafet, Z., Komulainen, J., Hadid, A., On the generalization of color texture-based face anti-spoofing, Image and Vision Computing, 77, 2018, pp.1–9.
  6. Li, L., Feng, X., Xia, Z., Jiang, X., Hadid, A., Face spoofing detection with local binary pattern network, Journal of Visual Communication and Image Representation, 54, 2018, pp.182–192. https://doi.org/10.1016/j.jvcir.2018.05.009
  7. Li, L., Feng, X., Jiang, X., Xia, Z., Hadid, A., Face anti-spoofing via deep local binary patterns, Proceedings - International Conference on Image Processing, ICIP, 2018, pp.101–105. https://doi.org/10.1109/ICIP.2017.8296251
  8. Li, H., He, P., Wang, S., Rocha, A., Jiang, X., Kot, A. C., Learning Generalized Deep Feature Representation for Face Anti-Spoofing, IEEE Transactions on Information Forensics and Security, 13(10), 2018, pp.2639–2652. https://doi.org/10.1109/TIFS.2018.2825949
  9. Chingovska, I., Anjos, A., Marcel, S., On the effectiveness of local binary patterns in face anti-spoofing, Proceedings of the International Conference of the Biometrics Special Interest Group, BIOSIG 2012, 2012.
  10. Määttä, J., Hadid, A., Pietikäinen, M., Face spoofing detection from single images using micro-texture analysis, International Joint Conference on Biometrics, IJCB, 2011. https://doi.org/10.1109/IJCB.2011.6117510
  11. Boulkenafet, Z., Komulainen, J., Hadid, A., Face Spoofing Detection Using Colour Texture Analysis, IEEE Transactions on Information Forensics and Security, 11(8), 2016, pp. 1818–1830. https://doi.org/10.1109/TIFS.2016.2555286
  12. Zhou, J., Shu, K., Liu, P., Xiang, J., Xiong, S., Face anti-spoofing based on dynamic color texture analysis using local directional number pattern, Proceedings - International Conference on Pattern Recognition, 2020, pp.4221–4228. https://doi.org/10.1109/ICPR48806.2021.9412323
  13. Anjos, A., Chakka, M. M., Marcel, S.,Motion-based counter-measures to photo attacks in face recognition, IET Biometrics, 3(3), 2014, pp.147–158. https://doi.org/10.1049/iet-bmt.2012.0071
  14. Alotaibi, A., Mahmood, A., Deep face liveness detection based on nonlinear diffusion using convolution neural network, Signal, Image and Video Processing, 11(4), 2017, pp.713–720. https://doi.org/10.1007/s11760-016-1014-2
  15. Galbally, J., Marcel, S., Fierrez, J., Image quality assessment for fake biometric detection: Application to Iris, fingerprint, and face recognition, IEEE Transactions on Image Processing, 23(2), 2014, pp.710–724. https://doi.org/10.1109/TIP.2013.2292332
  16. Wen, D., Han, H., Jain, A. K., Face spoof detection with image distortion analysis, IEEE Transactions on Information Forensics and Security, 2015. https://doi.org/10.1109/TIFS.2015.2400395
  17. Agarwal, A., Singh, R., Vatsa, M., Face anti-spoofing using Haralick features, IEEE 8th International Conference on Biometrics Theory, Applications and Systems, BTAS, 2016. https://doi.org/10.1109/BTAS.2016.7791171
  18. Määttä, J., Hadid, A., Pietikäinen, M., Face spoofing detection from single images using texture and local shape analysis, IET Biometrics, 1(1), 2012, pp.3–10. https://doi.org/10.1049/iet-bmt.2011.0009
  19. Patel, K., Han, H., Jain, A. K., Secure Face Unlock: Spoof Detection on Smartphones, IEEE Transactions on Information Forensics and Security, 11(10), 2016, pp.2268–2283. https://doi.org/10.1109/TIFS.2016.2578288
  20. Boulkenafet, Z., Komulainen, J., Hadid, A., Face antispoofing using speeded-up robust features and fisher vector encoding, IEEE Signal Processing Letters, 24(2), 2017, pp.141–145. https://doi.org/10.1109/LSP.2016.2630740
  21. Peng, F., Qin, L., Long, M., Face presentation attack detection using guided scale texture, Multimedia Tools and Applications 77(7), 2017 pp.8883–8909. https://doi.org/10.1007/S11042-017-4780-0
  22. Khurshid, A., Tamayo, S. C., Fernandes, E., Gadelha, M. R., Teofilo, M., A robust and real-time face anti-spoofing method based on texture feature analysis, International Conference on Human-Computer Interaction, 2019, pp.484–496.
  23. King, D. E., Dlib-ml: A machine learning toolkit. The Journal of Machine Learning Research, 10, 2009, pp.1755–1758.
  24. Bora, D. J., Kumar Gupta, A., Khan, F. A., Comparing the Performance of L*A*B** and HSV Color Spaces with Respect to Color Image Segmentation, International Journal of Emerging Technology and Advanced Engineering, 5 (2), 2015.
  25. Huang, Z. K., Liu, D. H., Segmentation of color image using EM algorithm in HSV color space, Proceedings of the 2007 International Conference on Information Acquisition, 2007, pp.316–319. https://doi.org/10.1109/ICIA.2007.4295749
  26. Vezhnevets, V., Sazonov, V., Andreeva, A., A Survey on Pixel-Based Skin Color Detection Technique, In Proceedings of the Graphi Conference, 2003, pp.85-92.
  27. Murali, S., Govindan, V. K., Shadow detection and removal from a single image: Using LAB color space, Cybernetics and Information Technologies, 13(1), 2013, pp.95–103. https://doi.org/10.2478/cait-2013-0009
  28. Baldevbhai, P. J., Anand, R. S., Color Image Segmentation for Medical Images using L*a*b** Color Space, IOSR Journal of Electronics and Communication Engineering, 1(2), 2012, pp.24–45. https://doi.org/10.9790/2834-0122445
  29. Ojala, T., Pietikäinen, M., Harwood, D., Performance evaluation of texture measures with classification based on Kullback discrimination of distributions, Proceedings - International Conference on Pattern Recognition, 3, 1994, pp.582–585. https://doi.org/10.1109/ICPR.1994.576366
  30. Ojala, T., Pietikäinen, M., Mäenpää, T., Multiresolution gray-scale and rotation invariant texture classification with local binary patterns, IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002. https://doi.org/10.1109/TPAMI.2002.1017623
  31. Zhang, Z., Yan, J., Liu, S., Lei, Z., Yi, D., Li, S. Z., A face antispoofing database with diverse attacks, Proceedings - 2012 5th IAPR International Conference on Biometrics, 2012, pp.2–7. https://doi.org/10.1109/ICB.2012.6199754