[论文解读] Fingerprint Spoof Buster

Tarang Chugh, Kai Cao+1 more|arXiv (Cornell University)|Dec 12, 2017

Biometric Identification and Security参考文献 14被引用 4

一句话总结

本文提出了一种基于深度学习的指纹伪造检测方法，采用基于特征点对齐的局部图像块与MobileNet-v1卷积神经网络，其在LivDet 2015数据集上实现了99.03%的平均准确率，达到当前最先进水平，显著优于以往方法。该方法通过利用领域特定的特征提取和一种新型图形用户界面（GUI），在传感器内、跨材质、跨传感器及跨数据集场景下均显著提升了鲁棒性。

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.

研究动机与目标

• 解决日益增长的指纹伪造攻击对生物识别系统安全构成的威胁。
• 开发一种可泛化、高效且准确的伪造检测算法，能够抵御材质、传感器和数据集变化的影响。
• 通过基于特征点的局部图像块提取整合指纹领域知识，改进现有基于软件的伪造检测方法。
• 提供一种可视化分析界面，使操作员能够检查局部伪造指标，而非仅依赖全局评分。
• 收集并发布两个新的大规模指纹活体攻击数据集，包含超过20,000张图像，覆盖12种材质和两种传感器。

提出的方法

• 该方法利用指纹特征点检测并对齐局部图像块，确保伪造检测中空间方向的一致性。
• 使用MobileNet-v1卷积神经网络对这些对齐的局部图像块进行训练，以分类每个图像块为活体或伪造。
• 将各个图像块的伪造度评分聚合，生成整个指纹图像的全局伪造度评分。
• 系统采用图形用户界面（Fingerprint Spoof Buster），以红色高亮显示高分区域（伪造），绿色显示低分区域（活体）。
• 通过在每个指纹图像的特征点周围提取并对齐48个局部图像块，对训练数据进行增强。
• 在三个公开的LivDet数据集（2011、2013、2015）上，于传感器内、跨材质、跨传感器及跨数据集设置下对方法进行评估。

实验结果

研究问题

• RQ1 基于特征点对齐的局部图像块的深度学习模型，是否能在多种测试场景下实现更优的伪造检测准确率？
• RQ2 与当前最先进方法相比，该方法在不同传感器和伪造材质上的泛化能力如何？
• RQ3 整合指纹领域知识（基于特征点的图像块对齐）在多大程度上提升了伪造检测的鲁棒性？
• RQ4 与单一评分输出相比，能够突出显示局部伪造指标的可视化界面是否能增强操作员的理解与决策能力？
• RQ5 在包含多种材质和传感器的更大、更多样化数据集上进行训练，可实现多大的性能提升？

主要发现

• 所提方法在LivDet 2015数据集上实现99.03%的平均准确率，显著优于竞赛优胜者的95.51%。
• 与先前最先进方法相比，该方法在传感器内评估中平均分类错误率降低63%，跨材质中降低43%，跨传感器中降低4%，跨数据集评估中降低29%。
• 在跨数据集场景下，该方法实现17.91%的平均分类错误率，较先前最先进方法的25.25%降低了29%。
• 系统在单张GTX 1080 Ti GPU上处理一张指纹图像仅需100毫秒，支持实时部署。
• Fingerprint Spoof Buster GUI 支持对局部伪造指标进行可视化检查，提供了超越单一评分输出的透明度。
• 作者收集并发布了两个新数据集，包含超过20,000张图像，使用两种指纹传感器和12种伪造材质，显著提升了基准数据集的多样性。