顔写真などによる他人へのなりすましを防止できる技術を開発

2020-09-18

ニューノーマル時代のリモート本人認証をトラストに

ニューノーマル時代のリモート本人認証をトラストに

2020-09-18 株式会社富士通研究所

株式会社富士通研究所（注1）（以下、富士通研究所）は、顔画像を用いた認証方式において、印刷した写真やインターネットに公開されている画像などをカメラに提示して他人になりすます不正行為を、一般的なカメラで検知できる顔偽造物判定技術を開発しました。

従来技術では、偽造物特有の特徴を捉えるために近赤外線カメラなどの専用デバイスや、偽造物では再現が困難な顔の向きを左右に振るなどの動きを利用者に要求する対策が取られていました。このため、専用デバイスの追加によるコスト増加や、利用者に追加の操作を強いるために認証に時間がかかるという問題がありました。今回、偽造物特有の写り方の違いに基づく偽造特徴抽出技術、取得環境による写り方の変動に対応した偽造物判定技術を開発しました。

本技術により、認証時に撮影される顔画像のみで偽造物による他人へのなりすましを防止できるため、顔認証の利便性を損なわずにセキュリティを強化し、本人認証技術の高度化によるDX（デジタルトランスフォーメーション）への貢献が期待できます。

開発の背景

近年、生体情報を用いた認証方式において、センサー部分に触れることなく非接触で本人認証ができる手段として、カメラで撮影した顔画像で認証を行う技術が注目されています。例えば、スマートフォンやパソコンなど個人端末のアクセス管理やテレワーク時の社内システムへのログイン認証に加えて、空港の搭乗ゲートや自治体、病院での本人認証など利用シーンは多岐に渡っています。しかし、顔画像は、SNSなどでインターネット上に公開されている場合も多く、顔写真付きのIDカードなどの紛失により画像が盗まれる場合も考えられるため、指紋や手のひらの静脈など、ほかの生体情報と比較して、他人の情報を容易に利用できてしまうという問題があります。さらに、不正に取得した他人の顔画像をカメラに提示して他人になりすます偽造物攻撃に対する懸念もあるため、カメラに写った顔が本物か偽造物か判定する技術が必要とされています（図1）。

図1 IDカードなどを使った顔認証システムに対する他人へのなりすましの例

課題

スマートフォンの画面やIDカード、紙に印刷された顔画像などは、例えばスマートフォン画面の反射やボケなどによって、その写り方には変動があります。また、本物の顔においても蛍光灯や日光の差し込みなどによる反射や顔の動きによるぶれといった同様の変動の影響により、顔画像のみで本物か偽造物か判定することが困難でした。そのため、近赤外線カメラや被写体とカメラの距離を測る深度カメラなど専用のカメラを用いて偽造物特有の特徴を捉える手法や、偽造物では再現が困難なまばたきや顔の向きを変えるなど顔画像以外に動きの情報を追加することで本人認証を行っています。しかし、これらの手法は、専用カメラ本体のコスト増や、一般的なカメラを使用する際に必要な動き情報の追加作業による利便性低下などの問題があるため、安価な一般的なカメラで、かつ利便性を損なわずになりすまし検知ができる技術の開発が課題となっています。

開発した技術

今回、一般的なカメラで撮影した顔画像から、写真などによる他人へのなりすましを検知できる技術を開発しました。

開発した技術の特長は以下のとおりです。

1.偽造物特有の写り方の違いに基づく偽造特徴抽出技術

カメラに偽造物を提示して取得した画像には、スマートフォンなどの端末画面の反射や平面の偽造物を写すことによる顔の形状の歪みなど偽造物特有の特徴が現れます。このような偽造物特有の特徴と本物の顔との差異を判定可能な数値として表現する偽造特徴抽出技術を開発しました（図2）。

まず、カメラで取得した顔画像を、反射成分や形状（歪み）成分といった偽造物特有の特徴が現れる様々な成分に分離します。次に、分離した成分ごとに画像処理技術を用いて偽造物特有の特徴を数値化し、各成分の特徴を合成した判定用特徴を生成します。これを用いることで、利用者の操作に基づく情報がなくても偽造物判定が可能になります。

図2 偽造特徴抽出技術

2.取得環境による写り方の変動に対応した偽造物判定技術

従来は、顔画像の取得環境により生じる写り方の変動に対応するために、機械学習を用いて様々な変動を含む顔画像を学習して1つの判定モデルを生成していました。しかし、スマートフォンの画面やIDカードのような偽造物の種類によって、写り方の変動の幅が大きくなるために本物の顔と偽造物との判定境界が複雑になり、最新のDeep Learningに基づく手法でも偽造物判定は困難でした。そこで、オフィスで撮影した顔画像や窓際で撮影した顔画像といったように、類似した変動を持つ顔画像のカテゴリで学習することにより、変動の影響を小さくした判定モデルを生成することで、偽造物を正しく判定可能な技術を開発しました。

開発技術の手順は、学習フェーズと判定フェーズに分かれます。学習フェーズでは、あらかじめ様々な環境で取得した顔画像を光の強さや光源の方向などの取得環境に基づき、窓際、逆光、通常といったカテゴリに分類します。次に、カテゴリごとに偽造特徴抽出技術で生成した判定用特徴を用いて、機械学習によって本物の顔か偽造物かを判定する判定モデルを構築します（図3(a））

判定フェーズでは、入力画像の取得環境が学習フェーズのどのカテゴリに近いかを推定するために、まず、入力画像と各カテゴリの類似度を動的に算出します。続いて、入力画像と環境が近いカテゴリの判定モデルの結果が重視されるように、各判定モデルが出力する本物らしさを表すスコアに各カテゴリとの類似度に基づく重みを掛けた値を用いて偽造物か否かを判定します（図3(b））

これらの技術を用いることで、一般的なカメラで撮影した顔画像の情報のみで偽造物を判定し、なりすまし検知を実現することができます。

(a) 学習フェーズ

(b) 判定フェーズ

図3 偽造物判定技術

効果

一般的なオフィス環境やオフィス外でのテレワークを想定した環境などで収集した当社独自の評価データセットにおいて評価を行い、専用のカメラや利用者による所定の動きがなくても従来と同程度の精度で他人へのなりすましを検知できることを確認しました。これにより、安価で、かつ、利便性を損なわずに不正アクセスを防ぐことができ、テレワークなど社外からのリモートアクセス時のセキュリティ向上や、本人認証技術の高度化によるDXへの貢献が期待できます。