[論文レビュー] OCT Fingerprints: Resilience to Presentation Attacks

Tarang Chugh, Anil K. Jain|arXiv (Cornell University)|Jul 31, 2019

Biometric Identification and Security参考文献 47被引用数 27

ひとこと要約

本稿では、光学コherent断層画像法（OCT）を用いた指紋スキャンを対象に、深層学習ベースの提示攻撃検出（PAD）手法を提案する。本手法は、断層深度プロファイルから抽出した局所的パッチを用いてInception-v3 CNNを学習する。8種類の素材を用いた3,413件の本物および357件のスプーフスキャンから成るデータセットにおいて、0.2%の誤検出率（FDR）で99.73%の真陽性検出率（TDR）を達成し、可視化により表皮角質層および乳頭接合部が重要な判別的領域であることが明らかになった。

ABSTRACT

Optical coherent tomography (OCT) fingerprint technology provides rich depth information, including internal fingerprint (papillary junction) and sweat (eccrine) glands, in addition to imaging any fake layers (presentation attacks) placed over finger skin. Unlike 2D surface fingerprint scans, additional depth information provided by the cross-sectional OCT depth profile scans are purported to thwart fingerprint presentation attacks. We develop and evaluate a presentation attack detector (PAD) based on deep convolutional neural network (CNN). Input data to CNN are local patches extracted from the cross-sectional OCT depth profile scans captured using THORLabs Telesto series spectral-domain fingerprint reader. The proposed approach achieves a TDR of 99.73% @ FDR of 0.2% on a database of 3,413 bonafide and 357 PA OCT scans, fabricated using 8 different PA materials. By employing a visualization technique, known as CNN-Fixations, we are able to identify the regions in the OCT scan patches that are crucial for fingerprint PAD detection.

研究の動機と目的

• OCTスキャンを用いた、指紋認識における頑健で学習ベースの提示攻撃検出（PAD）システムの開発。
• OCTが得る深さ分解能を持つ構造的情報（皮膚の内部層や汗腺など）を活用し、スプーフィング攻撃を検出すること。
• OCT Bスキャンからの局所的パッチを用いて学習した深層CNNモデルの性能を、8種類の提示攻撃素材による本物指紋と偽物指紋の区別において評価すること。
• CNNが正確なPAD分類に寄与する学習済みの画像領域を同定および可視化すること。
• 今後の研究において、学習時に未観測であった新しいスプーフ素材への一般化可能性を評価すること。

提案手法

• THORLabs TelestoスペクトルドメインOCTスキャナを用いて撮影した2次元OCT Bスキャンの深度プロファイルから、重複する局所パッチ（150×150）を抽出する。
• 事前学習済みのInception-v3畳み込みニューラルネットワーク（CNN）を、これらのパッチに対して微調整し、本物または提示攻撃と分類する。
• モデルの一般化性能を評価するために5分割交差検証を採用し、厳密なFDR閾値0.2%での性能を測定する。
• CNN-Fixationsと呼ばれる可視化技術を用いて、モデルの予測に寄与する判別的画像領域を同定する。
• 本手法は、OCTが皮膚の乳頭接合部やエクリン線などの亜皮膚構造を画像化できる独自の能力に依存しており、これらはスプーフ素材では破壊されたり欠落している。
• 本稿のモデルは、415名の被験者から得た3,413件の本物および357件の提示攻撃スキャンから成る大規模データセットを用い、8種類の異なるスプーフ素材で訓練および評価された。

実験結果

リサーチクエスチョン

• RQ1 OCT断層深度プロファイルからの局所的パッチを用いた深層CNNは、提示攻撃を効果的に検出できるか？
• RQ2 OCTスキャンにおけるどの解剖学的領域が、本物指紋とスプーフィング攻撃を区別する上で最も判別的か？
• RQ3 本手法は、0.2%という厳しい誤検出率制約下でどの程度の性能を示すか？
• RQ4 CNN-Fixationsのような可視化技術は、分類に寄与する意味のある生物学的構造を明らかにできるか？
• RQ5 本モデルは、学習時に未確認の新しいスプーフ素材に対しても一般化可能か？

主な発見

• 提案されたCNNベースのPAD手法は、誤検出率（FDR）0.2%で真陽性検出率（TDR）99.73%を達成し、厳密なセキュリティ制約下でも高い頑健性を示した。
• 5分割交差検証においても性能が安定しており、TDRの標準偏差が0.55と低く、一貫した一般化性能を示した。
• CNN-Fixationsによる可視化により、表皮角質層および乳頭接合部が正しい分類意思決定に主に寄与していることが明らかになった。
• 全検証プロセスにおいて唯一誤分類されたサンプルは、モデルの失敗ではなくセグメンテーションエラーに起因しており、学習済み特徴の信頼性が極めて高いことを示唆している。
• 本手法は、プレイドウ、ゼラチン、テープなど一般的な素材で作られた多様なスプーフ素材を、8種類の異なるタイプにわたり効果的に検出できた。
• 結果から、OCTが汗腺や乳頭接合部などの皮膚内部構造を解像できることにより、表面特徴が模倣されてもスプーフィングを検出する強力な手がかりが得られることを示している。