ORIENTAL UNIVERSITETIQidiruvПоискSearch
Oriental universiteti nashriyotiIlmiy jurnallar platformasiПлатформа научных журналовScholarly journals platform

Toʻliq matnПолный текстFull text

Liveness detection and deepfake attacks in biometric authentication: reliable face verification via passive monitoring and brief challenge–response (active) tests

Ergashev Muhammadsodiq Uchqun o‘g‘li

Matn PDF dan avtomatik ajratilgan: ekran oʻqiydigan dasturlar, telefon va qidiruv uchun. Rasmiy nusxa — PDF.Текст извлечён из PDF автоматически — для программ чтения с экрана, телефонов и поиска. Официальная версия — PDF.Text was extracted from the PDF automatically for screen readers, phones and search. The PDF remains the version of record.

PDF ni oʻqishЧитать PDFRead the PDF → Nashr kartasiКарточка изданияRecord

LIVENESS DETECTION AND DEEPFAKE ATTACKS IN BIOMETRIC
AUTHENTICATION: RELIABLE FACE VERIFICATION VIA PASSIVE
MONITORING AND BRIEF CHALLENGE–RESPONSE (ACTIVE) TESTS

https://zenodo.org/records/17733886

Ergashev Muhammadsodiq Uchqun ogli,
Senior Lecturer, Department of Mathematics and Information Technology,

Oriental University
ergashevmuhammadsodiq1995@gmail.com

Annotatsiya. Raqamli dunyoda telefonni ochishdan tortib pul yuborishgacha
boʻlgan koʻp ishlar yuz tasdiqiga tayanadi. Shu bois soxta surat, video yoki niqob bilan
aldash xavfi kundan-kunga oshmoqda. Ushbu maqola liveness tekshiruvi uchun ikki
yoʻlni insoniy tilda taqqoslaydi: passiv kuzatuv (tekstura, rPPG, mikroharakat) va
foydalanuvchi bajaradigan qisqa aktiv topshiriqlar. Samaradorlik ISO/IEC 30107-3
metrikalari (APCER, BPCER, ACER) va NIST IAPMR orqali baholanadi. OULU-
NPU, SiW, SiW-M, CelebA-Spoof va HQ-WMCA misollarida nimalar ishlashi, qaysi
holatda xatolar koʻpayishi, adolat va rozilik talablari, koʻpkanalli birikmalar hamda
amaliy tavsiyalar yoritiladi. Natijalar ACERning pasayishini koʻrsatadi; rPPG replayga
nisbatan chidamli, aktiv topshiriqlar esa UX bilan muvozanatda qoʻllansa foydali.
Tizimlar ishonchliroq boʻladi.

Kalit soʻzlar: liveness; PAD; deepfake; rPPG; OULU-NPU; ACER.
Abstract. From unlocking a phone to sending money, many daily actions rely on
face verification. That trust is fragile when photos, screens, masks, or deepfakes can
fool sensors. This paper explains, in plain language, two ways to check “liveness”:
passive observation (texture, rPPG, micro-motions) and short active prompts the user
performs. We evaluate them with ISO/IEC 30107-3 metrics (APCER, BPCER, ACER)
and NIST IAPMR. Using OULU-NPU, SiW, SiW-M, CelebA-Spoof, and HQ-
WMCA, we highlight what works, when errors grow, and why fairness, consent, and
multi-sensor fusion matter. Results show ACER declining; rPPG resists replay; welldesigned challenges preserve UX and security together overall.
Keywords: liveness; PAD; deepfake; rPPG; OULU-NPU; ACER.

Kirish. Bugun telefonni ochishdan tortib bank ilovasiga kirish va aeroportdagi
eGateʼdan oʻtishgacha koʻplab jarayonlar yuz tekshiruvi bilan bogʻliq. Shu bilan birga,
bosma surat, ekran orqali qayta ijro (replay), 3D niqob va hatto deepfake kabi usullar
bilan tizimni chalgʻitish urinishlari ham ortmoqda. Liveness detection — “kamera
oldida haqiqiy inson bormi?” degan savolga javob beradigan modul — ana shunday
tahdidlarga qarshi birinchi himoya qatlamidir. Amaliyotda ikki yondashuv koʻp
qoʻllanadi: passiv (foydalanuvchi hech narsa qilmaydi; sistemada tekstura,
mikroharakatlar, rPPG kabi mayda signallar tahlil qilinadi) va aktiv (foydalanuvchi
qisqa topshiriq bajaradi: koʻz yumish, boshni burish, oddiy matnni aytish va h.k.).
Standartlar bu sohani tartibga soladi: ISO/IEC 30107-3 baholash qoidalari va

metrikalarni (APCER, BPCER, ACER) belgilaydi [1]. Tadqiqotchilar ham, ishlab

chiquvchilar ham natijalarni shu mezonlarda solishtiradi.

Quyida biz livenessning passiv va aktiv yoʻllarini sodda tilda tushuntiramiz,

ularning kuchli/zaif tomonlarini koʻrsatamiz, ochiq maʼlumotlar bazalari misolida

dalillarni jamlaymiz (OULU-NPU, SiW/SiW-M, HQ-WMCA, CelebA-Spoof) va

amaliy tavsiyalarni beramiz.

Metodologiya.

Metrikalar. Ishonchlilikni bir xil tilga tushirish uchun quyidagi atamalarni

ishlatamiz: APCER — hujumni haqiqiy deb qabul qilish ulushi, BPCER — haqiqiy

foydalanuvchini hujum deb rad etish ulushi, ACER — shu ikki xatolikning oʻrtachasi.

Amaliy tizimda maqsad: APCER ham, BPCER ham past boʻlsin, ACER esa 1 %

atrofida yoki undan past boʻlsin. NIST kontekstida qoʻshimcha tarzda IAPMR —

“hujum paytida notoʻgʻri moslik ehtimoli” — ham koʻriladi (yirik tizim xavfini

yaxshiroq baholashga yordam beradi).

Passiv yondashuv. Kamera faqat kuzatadi. Model tekstura (teridagi nozik

naqshlar, fotometrik izlar), mikroharakat (koʻz atrofidagi mayda qimirlashlar) va rPPG

(yurak urishi bilan bogʻliq rang tebranishi) kabi belgilarni tahlil qiladi. Afzalligi —

juda qulay: foydalanuvchidan hech narsa talab qilmaydi; kamchilik — yangi hujum

turlariga umumlashishi baʼzan cheklangan.

Aktiv yondashuv. Qisqa va tasodifiy topshiriqlar: koʻz yumish, boshni burish,

ekranda koʻrsatilgan raqamlarni aytish. Afzalligi — replay/print kabi oddiy hujumlarni

ancha qiyinlashtiradi; kamchiligi — foydalanuvchi tajribasiga (UX) ozgina yuk

qoʻshadi.

Maʼlumotlar bazalari. Ishonchli xulosa uchun turli sharoitlarni qamrab olgan

datasetlar kerak: OULU-NPU (mobil sharoitda print/replay), SiW/SiW-M (koʻproq

turli hujumlar, “zero-shot” ssenariy), HQ-WMCA (RGB, IR, Depth va boshqa

kanallar), CelebA-Spoof (yuqori koʻlamli 2D hujumlar).Quyidagi jadvalda ular

boʻyicha ixcham taqqoslash berdik.

Jadval 1 – Tanlangan datasetlar (interaktiv):

Datase Yil Namuna Modallik Hujum
t turlari

OULU-NPU 2017 4 950 RGB video Print,
Replay

Print,

SiW 2018 4 478 RGB video Replay
(koʻp

qurilma)

HQ- 2019 2 904 RGB/IR/Dept 2D/3D
WMCA h/SWIR/Ther niqob,
mal koʻpkana

lli

Print,

CelebA- 2020 625 537 RGB rasm Replay,
Spoof 3D,

Paper-cut

.
Grafik. OULU-NPU Protokol-1 boʻyicha uch mashhur usul — GRADIANT
(2017), STASN (2019) va CDCN++ (2020) — ACER koʻrsatkichini qanday
pasaytirganini chiziqli grafikda koʻrsatdik (Rasm 1). Bu, qisqacha, metodlar
evolyutsiyasini oddiy koʻz bilan koʻrish imkonini beradi [2], [3].

Natijalar.
1) ACER pasayishi aniq koʻrinadi. 2017 yildagi GRADIANT ~6,9 % atrofida
boʻlgan boʻlsa, 2019 yilda STASN ~1,9 % gacha tushiradi, 2020 yilda CDCN++ ~0,2
% atrofida natija beradi (Rasm 1). Bu chuqur tarmoqlar nozik signallarni yaxshiroq
ushlay boshlaganini koʻrsatadi [2], [3].
2) Passiv va aktivning kuchli tomonlari bir-birini toʻldiradi. Passiv kuzatuv
foydalanuvchi uchun deyarli “sezilmas”, tez va masofadan ishlaydi. Aktiv topshiriqlar
esa “tayyor” videoni oddiy koʻchirib qoʻyishning oldini oladi. Birgalikda qoʻllanganda
(gibrid yechim) hujumlarni chetlab oʻtish ancha qiyinlashadi, UX esa minimal darajada
taʼsirlanadi.
3) Koʻpkanallilik foyda beradi. RGBʼga qoʻshimcha IR yoki Depth kanallari 3D
niqoblar va murakkab rekvizitlarni “fosh” qilishda yordam beradi (masalan, HQ-
WMCA shu sabab muhim).
4) Katta koʻlam muhim. CelebA-Spoof singari yirik datasetlar modelni turli sahna
va qurilmalarga moslashishga majbur qiladi. Bu “laboratoriyadan tashqarida” ham
barqarorlik beradi.
Muhokama va tahlil. Nega bitta yondashuv yetmaydi? Faqat passiv tizim yangi
turdagi hujum paydo boʻlsa qiynalishi mumkin; faqat aktiv tizim esa foydalanuvchiga
ortiqcha yuk soladi. Shuning uchun: “kam, lekin aqlli” aktiv testlar + kuchli passiv
kuzatuv — eng toʻgʻri muvozanat. Masalan, rPPG (yurak urishi signali) ekran orqali
qayta ijroda sunʼiy qayta tiklash qiyin, shu bois replayʼga nisbatan “bardoshli” signal
hisoblanadi.
Metriklarni toʻgʻri talqin qilish. ACER chiroyli bir raqam, lekin uning ichida ikki
turdagi xato bor: hujumni oʻtkazib yuborish (APCER) va haqiqiy foydalanuvchini rad
etish (BPCER). Amaliy tizimda ikkisini ham past ushlash kerak. Katta tizimlar uchun
IAPMR kabi koʻrsatkichlar ham foydali: “PADni bosib oʻtib, keyingi moslik

bosqichida xato boʻlsa-chi?” savoliga javob beradi.
“In-the-wild” sinov — majburiy. OULU-NPUʼdagi ajoyib ACER koʻrsatkichlari

aksariyat hollarda “oʻsha dataset”ning oʻzida olinadi. Amaliy joriy etishdan oldin
albatta cross-database va “yovvoyi” sharoitlarda (WFAS tipidagi) qayta baholash
kerak. Shunda yorugʻlik, burchak, kamera sifati, maska materiali kabi real omillar
hisobga olinadi.

Etika va adolat. Liveness yigʻadigan maʼlumot (video, fiziologik izlar) minimal
boʻlsin, saqlanishi cheklansin, foydalanuvchiga nima uchun kerakligi tushuntirilsin.
Demografik guruhlar boʻyicha BPCER farqlari doimiy kuzatilib, muvozanatga
keltirilsin.

Xulosa. Bir jumla bilan: gibrid liveness — passiv kuzatuv (tekstura+rPPG) ustiga
kam, lekin aqlli aktiv topshiriqlar, imkon boʻlsa IR/Depth kanallari — bugun eng
sogʻlom yoʻl. Loyihada: (i) ISO/IEC 30107-3 mezonlarida test va hisobot olib boring
[1]; (ii) ACERʼni <1 % yaqinida ushlashga intiling, APCER ham, BPCER ham past
boʻlsin; (iii) amaliy xavfni IAPMR bilan baholang; (iv) “in-the-wild” va cross-database
sinovlarni odat qiling; (v) UX, adolat va maxfiylik siyosatini birinchi kundan
rejalashtiring. Shunda yuz tekshiruvi foydalanuvchi uchun ham qulay, tizim uchun ham
ishonchli boʻladi.

Foydalanilgan adabiyotlar

1. ISO/IEC 30107-3:2023. Information technology — Biometric presentation

attack detection — Part 3: Testing and reporting. Geneva: ISO, 2023.

2. Boulkenafet, Z.; Komulainen, J.; Li, L.; Feng, X.; Hadid, A. “OULU-NPU: A

Mobile Face Presentation Attack Database with Real-World Variations.” FG 2017,

612–618. IEEE.

3. Yu, Z.; Zhao, C.; Wang, Z.; Qin, Y.; Su, Z.; Li, X.; Zhou, F.; Zhao, G.

“Searching Central Difference Convolutional Networks for Face Anti-Spoofing

(CDCN++).” CVPR 2020, 5295–5305. IEEE/CVF.

4. Liu, Y.; Jourabloo, A.; Liu, X. “Learning Deep Models for Face Anti-Spoofing:

Binary or Auxiliary Supervision (SiW).” CVPR 2018, 389–398. IEEE/CVF.

5. Liu, Y.; Stehouwer, J.; Jourabloo, A.; Liu, X. “Deep Tree Learning for Zero-

Shot Face Anti-Spoofing (SiW-M).” CVPR 2019. IEEE/CVF.

6. Zhang, Y.; et al. “CelebA-Spoof: Large-Scale Face Anti-Spoofing Dataset.”

ECCV 2020.

7. Idiap Research Institute. HQ-WMCA Database

(RGB/IR/Depth/SWIR/Thermal). Martigny: Idiap, 2019.