[論文レビュー] Presentation Attack Detection for Iris Recognition: An Assessment of the State of the Art

Adam Czajka, Kevin W. Bowyer|arXiv (Cornell University)|Mar 31, 2018

Biometric Identification and Security被引用数 11

ひとこと要約

本調査は、アイリス認識におけるプレゼンテーション攻撃検出（PAD）について包括的な評価を提供し、静的／動的および受動的／能動的という新しい枠組みを用いて攻撃タイプと検出手法を分類する。PADは未解決の問題であると特定し、主要なデータセットとコンペティションをレビューし、最近の評価から定量的ベンチマークを提示して今後の研究方向性を示している。

ABSTRACT

Iris recognition is increasingly used in large-scale applications. As a result, presentation attack detection for iris recognition takes on fundamental importance. This survey covers the diverse research literature on this topic. Different categories of presentation attack are described and placed in an application-relevant framework, and the state of the art in detecting each category of attack is summarized. One conclusion from this is that presentation attack detection for iris recognition is not yet a solved problem. Datasets available for research are described, research directions for the near- and medium-term future are outlined, and a short list of recommended readings are suggested.

研究の動機と目的

• アイリス認識システムにおけるプレゼンテーション攻撃検出（PAD）の研究状況を体系的に評価すること。
• 実用的導入に該当する多様なプレゼンテーション攻撃装置（PAI）を特定・分類すること。
• 標準化された指標とベンチマークを用いて、異なる攻撃タイプにおけるPAD手法の性能を評価すること。
• 初期の理想化された結果とより現実的なオープンセット評価との間のギャップに起因する、既存研究における限界を浮き彫りにすること。
• 未十分に研究されている分野を特定し、データセットおよびアルゴリズムの方向性を提案することで、今後の研究を導くこと。

提案手法

• PAD手法を二重分類フレームワークで提案：静的（1枚の画像処理）対（画像系列処理）の静的／動的、および外部刺激による取得の有無に基づく受動的／能動的。
• 攻撃タイプ、センサータイプ、波長（NIR／可視光）、データの可用性に基づき、21の公開利用可能なアイリスPADデータセットをレビュー・分類。
• 3つの主要な公開コンペティション（LivDet-Iris 2013, 2015, 2017）の結果を分析し、既知および未知の攻撃タイプにおける性能をベンチマーク化。
• ISO/IEC 30107-3:2017 に準拠し、APCER、BPCER、EER、IAPMR、CAPNMR といった重要な評価指標を導入・標準化。
• 印刷されたアイリス、コンタクトレンズ、プロステティックアイ、合成アイリス、リプレイ攻撃を含む攻撃装置の分類を実施。
• 照明（NIR 対可視光）が PAD の実現可能性および手法設計に与える影響を評価。

実験結果

リサーチクエスチョン

• RQ1 アイリス認識における主なプレゼンテーション攻撃のカテゴリは何であり、検出可能性の観点からどのように異なるか？
• RQ2 静的対比して動的 PAD 手法は、異なる攻撃タイプにおいて性能と実用性の面でどのように比較されるか？
• RQ3 現在の PAD 手法は、未知またはオープンセットの攻撃シナリオにどの程度一般化できるか？
• RQ4 初期の PAD システムがほぼ完璧な正確性を報告したが、その限界は何か。なぜ現実世界の環境では失敗するのか？
• RQ5 アイリス認識における PAD 研究を前進させるために、どのデータセットと評価プロトコルが最も効果的か？

主な発見

• アイリス認識の PAD は、未解決の問題であり、初期の理想化されたベンチマークとは対照的に、より現実的でオープンセット評価での性能低下が示されている。
• LivDet-Iris 2017 で最高の性能を示した手法は、既知の攻撃タイプでは EER 0.59%、未知の攻撃タイプでは 3.64% を記録しており、一般化の困難さが顕著に表れている。
• 可視光または近赤外線イメージングに依存する受動的・静的 PAD 手法は、実用性に優れるが、特に洗練された攻撃に対しては能動的または動的アプローチに比べて効果が劣る。
• MobBIOfake、MICHE-I、VISSIV といったデータセットは、多様で公開可能なデータを提供しているが、多くの場合標準化されたプロトコルやメタデータが欠如している。
• アイルックセンサ（例：EyeLink 1000）や高スルーレートカメラの使用により、動的かつ正確な瞳孔の動きと注視方向の分析が可能となり、リプレイ攻撃や合成攻撃の検出が向上した。
• 新規攻撃タイプや現実世界の環境変動を含む、標準化され、大規模でオープンセットの PAD データセットの構築が明確に求められている。