[論文レビュー] Fingerprint Spoof Buster

Tarang Chugh, Kai Cao+1 more|arXiv (Cornell University)|Dec 12, 2017

Biometric Identification and Security参考文献 14被引用数 4

ひとこと要約

本論文は、Minutiaeに整合された局所パッチを用いた深層学習ベースの指紋スプーフ検出手法を提案し、LivDet 2015で99.03%の平均精度を達成し、最先端の性能を大きく上回った。本手法は、ドメイン固有の特徴抽出と、スプーフ分析のための新規GUIを活用することで、センサ内、異素材間、異センサ間、異データセットのシナリオにおいて、高い耐性を発揮する。

ABSTRACT

The primary purpose of a fingerprint recognition system is to ensure a reliable and accurate user authentication, but the security of the recognition system itself can be jeopardized by spoof attacks. This study addresses the problem of developing accurate, generalizable, and efficient algorithms for detecting fingerprint spoof attacks. Specifically, we propose a deep convolutional neural network based approach utilizing local patches centered and aligned using fingerprint minutiae. Experimental results on three public-domain LivDet datasets (2011, 2013, and 2015) show that the proposed approach provides state-of-the-art accuracies in fingerprint spoof detection for intra-sensor, cross-material, cross-sensor, as well as cross-dataset testing scenarios. For example, in LivDet 2015, the proposed approach achieves 99.03% average accuracy over all sensors compared to 95.51% achieved by the LivDet 2015 competition winners. Additionally, two new fingerprint presentation attack datasets containing more than 20,000 images, using two different fingerprint readers, and over 12 different spoof fabrication materials are collected. We also present a graphical user interface, called Fingerprint Spoof Buster, that allows the operator to visually examine the local regions of the fingerprint highlighted as live or spoof, instead of relying on only a single score as output by the traditional approaches.

研究の動機と目的

• バイオメトリクスシステムのセキュリティを脅かす指紋スプーフ攻撃の増加に取り組むこと。
• 素材、センサ、データセットの変動に強く、汎用的で効率的かつ高精度なスプーフ検出アルゴリズムを開発すること。
• ミニアチアに基づく局所パッチ抽出を通じて指紋ドメイン知識を統合することで、従来のソフトウェアベースのスプーフ検出手法を改善すること。
• オペレータがグローバルスコアに依存するのではなく、局所的なスプーフの兆候を検査できる視覚的インターフェースを提供すること。
• 2つの新しい大規模な指紋プレゼンテーション攻撃データセットを収集・公開し、12種類の素材と2台のセンサを用いて20,000枚以上の画像を含める。

提案手法

• 本手法は、指紋のミニアチアを用いて局所画像パッチを検出し、一致する空間的向きを保証することで、スプーフ検出のための精度を向上させる。
• これらの整合された局所パッチ上で、MobileNet-v1畳み込みニューラルネットワークを訓練し、各パッチを「生体」または「スプーフ」と分類する。
• 個々のパッチからのスプーフネススコアを集約して、全体の指紋画像に対するグローバルなスプーフネススコアを生成する。
• グラフィカルユーザーインターフェース（Fingerprint Spoof Buster）を採用し、赤色で高スコアの局所領域（スプーフ）と緑色で低スコアの領域（生体）を可視化する。
• トレーニングデータは、1枚の指紋画像から48個の局所パッチをミニアチア点の周囲から抽出・整列させることで拡張される。
• 本手法は、3つの公開LivDetデータセット（2011、2013、2015）を用いて、センサ内、異素材間、異センサ間、異データセットの設定で評価される。

実験結果

リサーチクエスチョン

• RQ1 ミニアチアに整合された局所パッチを用いたディープラーニングモデルは、多様なテストシナリオにおいて優れたスプーフ検出精度を達成できるか？
• RQ2 本手法は、異なるセンサやスプーフ素材において、最先端の手法と比較してどの程度一般化性能に優れているか？
• RQ3 指紋ドメイン知識（ミニアチアに基づくパッチ整合）の統合が、スプーフ検出の耐性にどの程度向上効果をもたらすか？
• RQ4 局所的なスプーフ兆候を強調表示する視覚的インターフェースは、単一スコア出力と比較して、オペレータの理解力と意思決定をどのように向上させるか？
• RQ5 複数の素材とセンサを含むより大規模かつ多様なデータセットで学習することで、どの程度の性能向上が達成可能か？

主な発見

• 提案手法は、LivDet 2015データセットで99.03%の平均精度を達成し、競合優勝者の95.51%を大きく上回った。
• 従来の最先端手法と比較して、センサ内評価で平均分類誤差を63%、異素材間で43%、異センサ間で4%、異データセット評価で29%削減した。
• 異データセットシナリオでは、平均分類誤差17.91%を達成し、従来の最先端手法（25.25%）と比較して29%の削減を実現した。
• 本システムは、1台のGTX 1080 Ti GPUで指紋画像を100 msで処理でき、リアルタイムデプロイが可能である。
• Fingerprint Spoof Buster GUIは、局所的なスプーフ兆候の視覚的検査を可能にし、単一スコア出力以上の透明性を提供する。
• 著者らは、2台の指紋センサと12種類のスプーフ素材を用いて、20,000枚以上の画像を含む2つの新しいデータセットを収集・公開し、ベンチマークの多様性を向上させた。