[논문 리뷰] Deep Learning based Fingerprint Presentation Attack Detection: A Comprehensive Survey

Hailin Li, Raghavendra Ramachandra|arXiv (Cornell University)|2023. 05. 27.

Biometric Identification and Security인용 수 4

한 줄 요약

이 종합적 서베이는 접촉식, 비접촉식, 스마트폰 기반 접근 방식으로 분류된 딥러닝 기반 지문 제시 공격 탐지(FPAD) 기법을 검토한다. 최신 기술을 강조하고 해석 가능성, 경량 모델링, 데이터셋 부족성과 같은 핵심 과제를 밝히며, 적대적 공격과 같은 새로운 위협을 논의하여 안전한 생체인증 분야의 향후 연구를 위한 비전도를 제시한다.

ABSTRACT

The vulnerabilities of fingerprint authentication systems have raised security concerns when adapting them to highly secure access-control applications. Therefore, Fingerprint Presentation Attack Detection (FPAD) methods are essential for ensuring reliable fingerprint authentication. Owing to the lack of generation capacity of traditional handcrafted based approaches, deep learning-based FPAD has become mainstream and has achieved remarkable performance in the past decade. Existing reviews have focused more on hand-cratfed rather than deep learning-based methods, which are outdated. To stimulate future research, we will concentrate only on recent deep-learning-based FPAD methods. In this paper, we first briefly introduce the most common Presentation Attack Instruments (PAIs) and publicly available fingerprint Presentation Attack (PA) datasets. We then describe the existing deep-learning FPAD by categorizing them into contact, contactless, and smartphone-based approaches. Finally, we conclude the paper by discussing the open challenges at the current stage and emphasizing the potential future perspective.

연구 동기 및 목표

• 기존의 낡은 수작업 기반 접근 방식을 뛰어넘어, 딥러닝 기반 지문 제시 공격 탐지(FPAP) 기법에 대한 최신이고 집중적인 리뷰를 제공하는 것.
• 접촉식, 비접촉식, 스마트폰 기반 모odalities에 걸쳐 최근의 FPAD 기법을 분류하고 분석하는 것.
• 해석 가능성, 모델 효율성, 데이터셋 확장성, 그리고 적대적 공격과 같은 새로운 위협과 같은 열린 과제를 식별하는 것.
• 안전한 생체인증 분야에서의 주요 기회와 방향성을 제시하여 향후 연구를 이끌어내는 것.

제안 방법

• 딥러닝 기반 FPAD 기법을 세 가지 주요 모달리티로 분류: 접촉식(광학, 커패시티브, 초음파), 비접촉식(산업용 및 스마트폰 카메라), 스마트폰 기반 지문 캡처.
• FPAD에 사용된 최신 딥러닝 아키텍처를 검토하며, 원시 또는 전처리된 지문 이미지로부터의 특징 학습을 강조.
• Grad-CAM 및 시각화 기법, 사전적 지도맵 등을 분석하여 모델의 해석 가능성 향상 및 예측 설명 가능성을 높임.
• 이동 장치에 적합한 경량 모델 설계를 제안하며, 효율성과 지역적 특징 주의를 중점으로 삼음.
• 다중 스펙트럼 영상 및 고급 센서의 활용을 논의하여 스푸핑 탐지의 강건성을 향상.
• 디지털 편향 및 물리적 스푸핑 제작(예: ScreenSpoof)을 포함한 적대적 공격 벡터를 분석하여 시스템 취약성을 평가.

Figure 1. Publications of FPAD in recent years obtained through Google scholar search with keywords: “fingerprint spoof detection”, “fingerprint presentation attack detection”, and “fingerprint liveness detection”.

실험 결과

연구 질문

• RQ1 접촉식, 비접촉식, 스마트폰 기반 지문 캡처 모달리티 간에 딥러닝 기반 FPAD 기법은 어떻게 다릅니까?
• RQ2 다양한 스푸핑 재료와 센서 유형에서 강건하고 일반화 가능하며 해석 가능한 FPAD 모델을 달성하기 위한 핵심 기술 과제는 무엇입니까?
• RQ3 이동 생체인증 시스템에서 실시간으로 장치 내에서 작동하는 FPAD를 지원하기 위해 경량 딥러닝 모델은 어떻게 설계될 수 있습니까?
• RQ4 적대적 공격은 FPAD 시스템에 어떤 영향을 미치며, 어떻게 완화할 수 있습니까?
• RQ5 특히 비접촉식 지문 사진을 위한 공개된 데이터셋의 주요 격차는 무엇입니까?

주요 결과

• 딥러닝 기반 FPAD는 복잡한 스푸핑 재료를 다룰 때 전통적인 수작업 기반 방법보다 뛰어난 성능을 보이며, 주류 접근 방식으로 자리 잡았다.
• 비접촉식 및 스마트폰 기반 FPAD 기법은 자세 변동, 낮은 이미지 품질, 환경 노이즈 등의 과제를 안고 있으며, 이에 맞는 특수한 딥러닝 아키텍처가 필요하다.
• Grad-CAM과 같은 해석 가능성 기법은 지문 이미지에서 의사결정에 관련된 영역을 시각화하여 모델의 투명성과 신뢰도를 향상시킨다.
• 이동 장치에 적합한 경량 모델은 계산 자원이 제한된 환경에서 필수적이며, 핵심 지문 영역에 집중함으로써 효율성을 향상시킬 수 있다.
• 대규모이고 다양한 공개 데이터셋—특히 비접촉식 지문 사진을 위한—는 여전히 부족하여 모델의 일반화 및 벤치마킹을 저해하고 있다.
• 디지털 편향을 사용한 물리적 스푸핑(예: ScreenSpoof)을 포함한 적대적 공격은 높은 성공률로 심각한 위협을 가하며, 한 번의 공격으로도 효과를 보일 수 있어 강력한 대응 조치가 필요하다.

Figure 2. Block diagram of fingerprint verification system with PAD