Video-Based Discrimination of Genuine and Counterfeit Facial Features Leveraging Cardiac Pulse Rhythm Signals in Access Control Systems
Notice bibliographique
Résumé
Facial recognition technology, utilizing short-duration video, offers an accurate access control mechanism, capable of distinguishing genuine faces from fraudulent representations.However, the ability to detect concealed or artificially altered faces, as well as printed spoofs, remains a considerable challenge, even with sophisticated biometric recognition algorithms.This limitation can significantly undermine the performance of access control systems, rendering them susceptible to potential security breaches.In this study, we present an innovative technique that leverages the separation of Red, Green, and Blue (RGB) channels to discern between authentic faces and printed spoofs in color video recordings.This technique is deployed over a 20-second duration to effectively intercept and preclude security violations in access control systems.The proposed method was evaluated with a dataset from 20 participants, demonstrating commendable accuracy in detecting both real and spoof faces.Specifically, the technique exhibited remarkable precision in real face detection and counterfeit face detection.When applied to a 4-second video dataset from the same participants, comparable results were obtained.This method provides a significant advancement in the realm of face-controlled access systems by facilitating precise real-face detection via cost-effective video imaging, predicated on cardiac pulse rhythm signals.This methodology holds the potential to enhance the reliability of facial recognition systems, particularly in high-security environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».