[논문 리뷰] Presentation Attack Detection for Iris Recognition: An Assessment of the State of the Art

Adam Czajka, Kevin W. Bowyer|arXiv (Cornell University)|2018. 03. 31.

Biometric Identification and Security인용 수 11

한 줄 요약

이 종합 검토는 고유한 정적/동적 및 피assive/액티브 프레임워크를 사용하여 공격 유형과 탐지 방법을 분류함으로써 고유 인식에서 제시 공격 탐지(PAD)에 대한 종합적인 평가를 제공한다. PAD는 해결되지 않은 문제로 간주되며, 주요 데이터셋과 경쟁 대회를 검토하고, 최근 평가에서의 정량적 기준을 바탕으로 향후 연구 방향을 제시한다.

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.

연구 동기 및 목표

• 고유 인식 시스템의 제시 공격 탐지(PAD) 연구 현황을 체계적으로 평가하는 것.
• 실제 구현에 관련된 다양한 제시 공격 장치(PAIs)를 식별하고 분류하는 것.
• 표준화된 지표와 기준을 사용하여 다양한 공격 유형에 대한 PAD 방법의 성능을 평가하는 것.
• 기존 연구의 한계, 특히 이상적인 초기 결과와 더 현실적인 오픈 세트 평가 사이의 격차를 부각하는 것.
• 연구가 미흡한 분야를 식별하고 데이터셋 및 알고리즘 방향을 제안함으로써 향후 연구를 이끄는 것.

제안 방법

• PAD 방법에 대한 双중 분류 프레임워크를 제안: 정적 대 비정적(단일 이미지 대 이미지 시퀀스 처리 기반), 피assive 대 액티브(수집 중 외부 자극 기반).
• 공개된 21개의 고유 인식 PAD 데이터셋을 공격 유형, 센서 유형, 파장(NIR/가시광선), 데이터 가용성 기반으로 검토 및 분류.
• 세 가지 주요 공개 경쟁 대회(LivDet-Iris 2013, 2015, 2017)의 결과를 분석하여 알려진 공격 및 알려지지 않은 공격 유형에 대한 성능을 기준화.
• 핵심 평가 지표인 APCER, BPCER, EER, IAPMR, CAPNMR를 도입하고 표준화하며, ISO/IEC 30107-3:2017와 일치시킴.
• 출력된 인도, 접착 렌즈, 인공 눈, 합성 고유, 재생 공격 등을 포함한 공격 장치의 분류 체계를 활용.
• 일조 조건(NIR 대 가시광선)이 PAD의 실현 가능성과 방법 설계에 미치는 영향을 평가.

실험 결과

연구 질문

• RQ1 고유 인식에서 주요 제시 공격 유형은 무엇이며, 탐지 가능성 측면에서 어떻게 다릅니까?
• RQ2 다양한 공격 유형에 걸쳐 정적 대 비정적 PAD 방법의 성능 및 실용성은 어떻게 비교됩니까?
• RQ3 현재 PAD 방법은 알려지지 않은 또는 오픈 세트 공격 시나리오로 일반화되는 정도는 어느 정도입니까?
• RQ4 초기 PAD 시스템에서 거의 완벽한 정확도를 보였던 이유는 무엇이며, 왜 실제 환경에서는 실패합니까?
• RQ5 고유 인식 PAD 연구를 촉진하는 데 가장 효과적인 데이터셋과 평가 프로토콜는 무엇입니까?

주요 결과

• PAD는 여전히 해결되지 않은 문제이며, 이상적인 초기 기준에 비해 더 현실적인 오픈 세트 평가에서 성능이 떨어지는 것으로 나타났다.
• LivDet-Iris 2017에서 가장 뛰어난 방법은 알려진 공격 유형에 대해 EER 0.59%를 기록했고, 알려지지 않은 공격 유형에 대해서는 3.64%를 기록하여 일반화에 큰 도전 과제가 있음을 보여주었다.
• 가시광선 또는 근적외선 영상 기반 피assive, 정적 PAD 방법은 액티브 또는 동적 접근보다 실용성은 높지만, 고도로 발전된 공격에 대해서는 효과가 떨어진다.
• MobBIOfake, MICHE-I, VISSIV 등의 데이터셋은 다양한 공개 데이터를 제공하지만, 많은 경우 표준화된 프로토콜나 메타데이터가 부족하다.
• 눈의 움직임과 시선 추적을 위한 센서(EyeLink 1000 등)와 고속 카메라의 사용은 동적 분석을 가능하게 하여 재생 공격 및 합성 공격 탐지 능력을 향상시킨다.
• 신규 공격 유형과 실제 환경의 변동성을 포함한 표준화된 대규모 오픈 세트 PAD 데이터셋이 명백히 필요하다.