[논문 리뷰] Deep Features for Contactless Fingerprint Presentation Attack Detection: Can They Be Generalized?

Hailin Li, Raghavendra Ramachandra|arXiv (Cornell University)|2023. 07. 04.

Biometric Identification and Security인용 수 5

한 줄 요약

이 논문은 스마트폰 기반 지문 데이터셋을 사용하여 접촉 없는 지문 제스처 공격 탐지(PAD)를 위한 여덟 개인 미리 훈련된 딥 러닝 모델—일곱 개인 CNN과 하나의 비전 트랜스포머(ViT)—의 일반화 성능을 이류(leave-one-out) 프로토콜로 평가한다. ResNet50가 평균 D-EER 8.26%로 가장 우수한 일반화 성능을 보였으며, 사진지나 플레이도우와 같은 새로운 공격 재료에서는 성능이 크게 떨어졌다.

ABSTRACT

The rapid evolution of high-end smartphones with advanced high-resolution cameras has resulted in contactless capture of fingerprint biometrics that are more reliable and suitable for verification. Similar to other biometric systems, contactless fingerprint-verification systems are vulnerable to presentation attacks. In this paper, we present a comparative study on the generalizability of seven different pre-trained Convolutional Neural Networks (CNN) and a Vision Transformer (ViT) to reliably detect presentation attacks. Extensive experiments were carried out on publicly available smartphone-based presentation attack datasets using four different Presentation Attack Instruments (PAI). The detection performance of the eighth deep feature technique was evaluated using the leave-one-out protocol to benchmark the generalization performance for unseen PAI. The obtained results indicated the best generalization performance with the ResNet50 CNN.

연구 동기 및 목표

• 접촉 없는 지문 생체인식에서 새로운 제스처 공격 도구(PAIs)를 탐지하기 위한 미리 훈련된 딥 신경망의 일반화 능력을 조사하는 것.
• 스마트폰으로 촬영한 지문 PAD 데이터셋에서 다양한 딥 러닝 아키텍처—CNN과 비전 트랜스포머 포함—의 성능을 비교 평가하는 것.
• ImageNet으로 미리 훈련된 모델에서 추출한 딥 특징이 훈련 중에 나타나지 않은 PAI에서 테스트되었을 때의 강건성을 평가하는 것.
• 3D 프int, 사진지, 플레이도우와 같은 다양한 위조 재료에서 가장 신뢰할 수 있는 일반화 성능을 보이는 딥 특징 추출 방법을 특정하는 것.

제안 방법

• 손가락의 코어 지점 중심에 128×256 픽셀 크기의 자르기를 사용하여 스마트폰으로 촬영한 지문 이미지에서 영역의 관심(ROI)을 추출하였다.
• 8개의 미리 훈련된 딥 러닝 모델(AlexNet, GoogLeNet, DenseNet201, ResNet50, EfficientNet-B0, NASNet, MobileNet-V2, 및 비전 트랜스포머)을 사용하여 특징 추출을 수행하였다.
• CNN의 경우 최종 완전히 연결된 계층(fc6)에서, GoogLeNet 및 기타 아키텍처의 경우 글로벌 평균 풀링 계층에서 딥 특징을 추출하였다.
• 이류 평가 프로토콜을 적용하여, 세 가지 PAI 재료로 훈련하고 네 번째 재료로 테스트하여 새로운 공격 시나리오를 시뮬레이션하였다.
• ISO/IEC 30107-3 기준 지표인 APCER, BPCER 및 D-EER(비율이 동일할 때의 오류율)를 사용하여 성능을 평가하였다.
• 각각 하나의 PAI 유형(eco-flex, 사진지, 플레이도우, 우드글루)을 새로운 테스트 세트로 고립시키는 네 가지 별도의 테스트 케이스를 수행하였다.

Figure 1: Block diagram of the deep features based contactless fingerprint PAD

실험 결과

연구 질문

• RQ1 미리 훈련된 CNN과 비전 트랜스포머에서 추출한 딥 특징가 접촉 없는 지문 시스템에서 새로운 제스처 공격 도구(PAIs)로 일반화될 수 있는가?
• RQ2 평가된 여덟 개의 딥 러닝 아키텍처 중에서 다양한 PAI 재료에서 가장 강력한 일반화 성능를 보이는 것은 무엇인가?
• RQ3 훈련 데이터에 포함되지 않은 PAI 재료로 테스트할 경우 성능이 어떻게 떨어지는가. 특히 사진지와 플레이도우의 경우 어떻게 되는가?
• RQ4 비전 트랜스포머(ViT)가 새로운 지문 위조 공격으로 일반화하는 데 기존 CNN보다 뛰어난 성능을 보이는가?
• RQ5 다양한 PAI 재료(예: eco-flex 대비 사진지)가 딥 특징의 일반화 능력에 미치는 상대적 영향은 무엇인가?

주요 결과

• ResNet50는 네 가지 테스트 케이스 전반에서 평균 D-EER 8.26%로 가장 뛰어난 일반화 성능를 보였으며, 새로운 PAI를 탐지하는 데 가장 강력한 성능를 나타냈다.
• AlexNet는 가장 높은 성능 저하를 보였으며, 평균 D-EER 23.16%로, 특히 사진지나 플레이도우와 같은 새로운 재료에서 실패했다.
• 사진지와 플레이도우를 새로운 PAI로 테스트했을 경우, eco-flex나 우드글루보다 성능이 현저히 열 劣하였으며, 일부 케이스에서는 APCER 값이 90%를 초과하였다.
• 비전 트랜스포머(ViT)는 eco-flex 및 우드글루 기반 공격에서는 뛰어난 성능를 보였으며(각각 케이스-1과 케이스-4에서 D-EER 6.71% 및 2.57%), 하지만 사진지와 플레이도우에서는 완전히 실패하였다(D-EER 50.00% 및 100.00%).
• DenseNet201과 EfficientNet-B0는 중간 정도의 일반화 성능를 보였으며, 평균 D-EER 값은 각각 10.58%와 10.79%였지만, 여전히 ResNet50에 뒤져 있었다.
• 결과는 일반화 능력이 PAI의 재료에 매우 의존하며, eco-flex나 우드글루와 같은 합성 재료는 예측 가능성이 높은 반면, 사진지와 같은 일반 재료는 예측이 어려운 것으로 나타났다.

Figure 2: DET curves of different cases (1 to 4) by comparing different deep learning models