Análise tensorial para prevenção de falsificações em sistemas de reconhecimento facial : uma proposta baseada em clusterização

Abstract

Embora os Sistemas de Reconhecimento Facial (SRF) apresentem um desempenho cada vez mais satisfatório para aplicações como controle de acesso, a sua confiabilidade é continuamente ameaçada pelo aumento de ataques com biometria falsa (spoofing), tornando a detecção de vivacidade (liveness detection) um aspecto crucial para a segurança. Para enfrentar este desafio, este trabalho propõe um novo mecanismo de prevenção baseado na integração entre modelagem tensorial e aprendizado não supervisionado. A metodologia parte do pré-processamento rigoroso de imagens do dataset CelebA-Spoof, onde as faces são detectadas, recortadas e normalizadas, aplicando-se a equalização de histograma adaptativa (CLAHE) para mitigar variações de iluminação. As imagens processadas são então estruturadas em um tensor tridimensional que modela de forma abrangente as correlações complexas entre os pixels, a condição da amostra (autêntica ou falsa) e o conjunto de dados. Para extrair características intrínsecas e discriminativas, empregamos a Decomposição CANDECOMP/PARAFAC (CPD) por meio do algoritmo Alternating Least Squares (ALS). As componentes de posto unitário resultantes da fatoração são submetidas à redução de dimensionalidade não linear com a técnica t-distributed Stochastic Neighbor Embedding (t-SNE), que preserva a estrutura local e global dos dados em um espaço de baixa dimensão. Por fim, o algoritmo kmeans é utilizado para clusterizar as representações em dois grupos distintos, permitindo a classificação de novas amostras e a identificação precisa de biometrias genuínas e falsas. Os resultados indicam que essa abordagem integrada demonstra ser um mecanismo poderoso para aumentar a segurança contra tentativas de falsificação.