Internacional. Un equipo de investigación de Fraunhofer, Alemania, está desarrollando un sistema que utiliza métodos de aprendizaje automático para frustrar diferentes tipos de ataques de reconocimiento facial automático.
Los viajeros que visitan regularmente los EE.UU. están acostumbrados a que se les pida que miren a la cámara durante la inspección del pasaporte. La foto electrónica se compara instantáneamente con la foto almacenada en el pasaporte biométrico. En este proceso de reconocimiento facial biométrico, un programa captura los datos digitales de la imagen en vivo y los compara con los datos de la imagen del chip para determinar si las características faciales individuales en las fotos coinciden o no.
El reconocimiento facial también se puede usar para desbloquear teléfonos inteligentes y tabletas. Este método está destinado a bloquear a terceros no autorizados y restringir el acceso a datos confidenciales. Pero la tecnología es vulnerable a ataques dirigidos, como ya han demostrado una variedad de pruebas. "Los delincuentes son capaces de engañar a los sistemas de reconocimiento facial, como los que se usan en el control de fronteras, de tal manera que dos personas pueden usar el mismo pasaporte", dice Lukasz Wandzik, científico del Instituto Fraunhofer para Sistemas de Producción y Tecnología de Diseño IPK. en Berlín.
Junto con sus colegas del Instituto Fraunhofer de Telecomunicaciones, el Instituto Heinrich Hertz, HHI y otros socios, está desarrollando un proceso que identifica las anomalías de la imagen que ocurren durante el procesamiento de imágenes digitales en los procesos de transformación. "En un ataque de transformación, dos imágenes faciales se combinan en una sola imagen facial sintética que contiene las características de ambas personas", explica Wandzik. Como resultado, los sistemas biométricos de reconocimiento facial autentican la identidad de ambas personas en base a esta foto manipulada en el pasaporte.
Estos ataques pueden tener lugar, por ejemplo, antes o durante el proceso de solicitud de un documento de identificación. En el proyecto ANANAS (del acrónimo alemán para "Detección de anomalías para la prevención de ataques en sistemas de autenticación basados en imágenes faciales"), los socios se centran en este problema mediante el análisis e investigación de datos de imágenes simuladas. Aquí aplican métodos modernos de procesamiento de imágenes y aprendizaje automático, en particular redes neuronales profundas diseñadas explícitamente para procesar datos de imágenes. Estas redes complejas consisten en una gran cantidad de niveles que están vinculados entre sí en estructuras multicapa. Se basan en conexiones entre unidades de cálculo matemático e imitan la estructura neural del cerebro humano.
Prevención del robo de identidad con redes neuronales
Para probar los procesos y sistemas que se están desarrollando, los socios del proyecto comienzan generando los datos utilizados para capacitar a los programas de procesamiento de imágenes para detectar manipulaciones. Aquí diferentes caras se transforman en una sola cara. "Utilizando imágenes faciales transformadas y reales, hemos entrenado redes neuronales profundas para decidir si una imagen facial dada es auténtica o el producto de un algoritmo de transformación. Las redes pueden reconocer imágenes manipuladas en función de los cambios que ocurren durante la manipulación, especialmente en áreas semánticas como las características faciales o los reflejos en los ojos", explica el profesor Peter Eisert, jefe del departamento de Tecnologías de visión e imágenes en Fraunhofer HHI.
Los algoritmos LRP hacen que las predicciones de IA sean explicables
Las redes neuronales toman decisiones muy confiables sobre si una imagen es genuina o no, con una tasa de precisión de más del 90 por ciento en las bases de datos de prueba creadas en el proyecto. "Pero el verdadero problema es mucho más que no sabemos cómo la red neuronal toma la decisión", dice Eisert. Por lo tanto, además de la precisión de la decisión, los investigadores de Fraunhofer HHI también están interesados en la base de la decisión.
Para responder a esta pregunta, analizan las regiones en la imagen facial que son relevantes para la decisión utilizando algoritmos LRP (Layer-Wise Relevance Propagation) que ellos mismos desarrollaron. Esto ayuda a identificar áreas sospechosas en una imagen facial y a identificar y clasificar artefactos creados durante un proceso de transformación. Las pruebas de referencia iniciales confirman que los algoritmos se pueden usar para identificar con éxito las imágenes transformadas. El software LRP etiqueta las áreas faciales relevantes para la decisión en consecuencia. Los ojos con frecuencia proporcionan evidencia de alteración de la imagen.
Los investigadores también usan esta información para diseñar redes neuronales más robustas para detectar la mayor variedad posible de métodos de ataque. “Los delincuentes pueden recurrir a métodos de ataque cada vez más sofisticados, por ejemplo, métodos de IA que generan imágenes faciales completamente artificiales. Al optimizar nuestras redes neuronales, intentamos estar un paso por delante de los culpables e identificar futuros ataques", dice el profesor de TI.
Ya existe un paquete de software de demostración que incluye procedimientos de detección y evaluación de anomalías. Contiene varios módulos detectores diferentes de los socios individuales del proyecto que se han fusionado juntos. Los módulos interconectados aplican diferentes métodos de detección para encontrar manipulaciones, generando un resultado general al final del proceso.
El objetivo es integrar el software en los sistemas de reconocimiento facial existentes en los puntos de control fronterizos o mejorar los sistemas para incluir componentes de transformación y, por lo tanto, descartar la falsificación mediante ataques correspondientes de este tipo.
Fuente: Fraunhofer.
