[논문 리뷰] Fingerprint Spoof Buster

Tarang Chugh, Kai Cao외 1명|arXiv (Cornell University)|2017. 12. 12.

Biometric Identification and Security참고 문헌 14인용 수 4

한 줄 요약

이 논문은 모바일넷-v1 CNN을 사용한 미니티아 정렬 로컬 패치 기반의 딥러닝 기반 지문 스푸핑 탐지 방법을 제안하며, LivDet 2015에서 최신 기술 수준의 평균 정확도 99.03%를 달성하여 이전 방법들보다 유의미한 성능 향상을 보였다. 이 방법은 도메인 특화 특징 추출과 새로운 GUI를 통해 내부 센서, 교차 재질, 교차 센서, 교차 데이터셋 시나리오에서의 강건성을 향상시켰다.

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.

연구 동기 및 목표

• 생체인식 시스템 보안을 위협하는 증가하는 지문 스푸핑 공격 문제를 해결하기 위해.
• 재료, 센서, 데이터셋의 변동성에 강건하고 일반화 가능하며 효율적이고 정확한 스푸핑 탐지 알고리즘을 개발하기 위해.
• 지문 도메인 지식을 미니티아 기반 로컬 패치 추출을 통해 통합함으로써 기존 소프트웨어 기반 스푸핑 탐지 방법을 향상시키기 위해.
• 전체 스코어에만 의존하는 것 대신 국소적인 스푸핑 지표를 검토할 수 있도록 운영자가 시각적으로 분석할 수 있는 인터페이스를 제공하기 위해.
• 두 개의 새로운 대규모 지문 제시 공격 데이터셋을 수집하고 공개하여 12종의 재질과 두 대의 센서를 포함해 20,000장 이상의 이미지를 확보하기 위해.

제안 방법

• 이 방법은 지문의 미니티아를 사용해 국소 이미지 패치를 탐지하고 정렬함으로써 스푸핑 탐지에 적합한 일관된 공간적 방향성을 확보한다.
• 이 정렬된 국소 패치에 대해 모바일넷-v1 합성곱 신경망을 훈련시켜 각 패치를 살아있는 경우 또는 스푸핑으로 분류한다.
• 개별 패치의 스푸핑 스코어를 집계하여 전체 지문 이미지의 글로벌 스푸핑 스코어를 산출한다.
• 시스템은 지문 스푸핑 버스터라는 그래픽 사용자 인터페이스를 활용하여 높은 스코어의 국소 영역을 빨간색(스푸핑)으로, 낮은 스코어의 영역을 초록색(라이브)으로 시각화한다.
• 훈련 데이터는 지문의 각 미니티아 지점 주변에서 추출된 48개의 국소 패치를 사용하여 증강된다.
• 세 가지 공개된 LivDet 데이터셋(LivDet 2011, 2013, 2015)을 사용하여 내부 센서, 교차 재질, 교차 센서, 교차 데이터셋 설정에서 평가된다.

실험 결과

연구 질문

• RQ1 미니티아 정렬 로컬 패치를 사용한 딥러닝 모델이 다양한 테스트 시나리오에서 뛰어난 스푸핑 탐지 정확도를 달성할 수 있는가?
• RQ2 제안된 방법은 다양한 센서와 스푸핑 재질 간의 일반화 성능 측면에서 최신 기술 수준의 접근 방식과 비교해 어떻게 성능을 냈는가?
• RQ3 지문 도메인 지식(미니티아 기반 패치 정렬)의 통합이 스푸핑 탐지의 강건성 향상에 얼마나 기여하는가?
• RQ4 국소 스푸핑 지표를 강조하는 시각적 인터페이스가 단일 스코어 출력에 비해 운영자의 이해도와 의사결정 능력을 향상시키는가?
• RQ5 다양한 재질과 센서를 포함한 더 큰, 더 다양한 데이터셋에서 훈련할 경우 어떤 성능 향상이 달성될 수 있는가?

주요 결과

• 제안된 방법은 LivDet 2015 데이터셋에서 평균 정확도 99.03%를 달성하여 기존 우승자인 95.51%보다 유의미하게 높은 성능을 보였다.
• 기존 최신 기술 수준 대비 내부 센서 평가에서 평균 분류 오차를 63% 감소시켰고, 교차 재질 평가에서는 43%, 교차 센서 평가에서는 4%, 교차 데이터셋 평가에서는 29% 감소시켰다.
• 교차 데이터셋 시나리오에서 평균 분류 오차 17.91%를 기록하여 기존 최신 기술 수준의 25.25% 대비 29% 감소를 달성했다.
• 시스템은 단일 GTX 1080 Ti GPU에서 지문 이미지를 100ms 내로 처리하여 실시간 배포가 가능하다.
• 지문 스푸핑 버스터 GUI는 국소 스푸핑 지표를 시각적으로 검토할 수 있도록 하여 단일 스코어 출력을 넘어서 투명성을 제공한다.
• 저자들은 두 개의 새로운 데이터셋을 수집하고 공개하였으며, 두 대의 지문 센서와 12종의 스푸핑 재질을 포함해 총 20,000장 이상의 이미지를 확보하여 벤치마크의 다양성을 향상시켰다.