[논문 리뷰] OCT Fingerprints: Resilience to Presentation Attacks

Tarang Chugh, Anil K. Jain|arXiv (Cornell University)|2019. 07. 31.

Biometric Identification and Security참고 문헌 47인용 수 27

한 줄 요약

이 논문은 광학 공진형 단층촬영(OCT) 손가락 스캔을 사용하여 딥러닝 기반의 제시 공격 탐지(PAD) 방법을 제안한다. 횡단면 깊이 프로파일에서 국소 패치를 추출하여 Inception-v3 CNN을 훈련시킨다. 8종의 재료로 구성된 3,413건의 진짜 및 357건의 위조 스캔으로 구성된 데이터셋에서, 0.2%의 위양성 탐지율(FDR)에서 진짜 탐지율(TDR)이 99.73%에 도달하며, 시각화 결과 표피의 각질층과 피부 papillary junction이 주요 분류 기준이 되는 것으로 나타났다.

ABSTRACT

Optical coherent tomography (OCT) fingerprint technology provides rich depth information, including internal fingerprint (papillary junction) and sweat (eccrine) glands, in addition to imaging any fake layers (presentation attacks) placed over finger skin. Unlike 2D surface fingerprint scans, additional depth information provided by the cross-sectional OCT depth profile scans are purported to thwart fingerprint presentation attacks. We develop and evaluate a presentation attack detector (PAD) based on deep convolutional neural network (CNN). Input data to CNN are local patches extracted from the cross-sectional OCT depth profile scans captured using THORLabs Telesto series spectral-domain fingerprint reader. The proposed approach achieves a TDR of 99.73% @ FDR of 0.2% on a database of 3,413 bonafide and 357 PA OCT scans, fabricated using 8 different PA materials. By employing a visualization technique, known as CNN-Fixations, we are able to identify the regions in the OCT scan patches that are crucial for fingerprint PAD detection.

연구 동기 및 목표

• OCT 스캔을 활용하여 손가락 인식을 위한 강력하고 학습 기반의 제시 공격 탐지(PAD) 시스템을 개발한다.
• OCT의 깊이 해상도를 활용하여 피부 내부 구조물(예: 피부층, 땀샘 포함)의 정보를 활용해 위조 공격를 탐지한다.
• OCT B-스캔의 국소 패치에서 훈련된 딥 컨볼루션 신경망(CNN) 모델의 성능을 평가하여 8종의 제시 공격 재료와 진짜 손가락을 구분한다.
• CNN이 정확한 PAD 분류를 위해 학습한 주요 영역을 식별하고 시각화한다.
• 미래 연구에서 훈련 중에 볼 수 없었던 새로운 위조 재료에 대한 모델의 일반화 잠재력을 평가한다.

제안 방법

• THORLabs Telesto 스펙트럼 도메인 OCT 스캐너로 촬영한 2D OCT B-스캔의 깊이 프로파일에서 겹치는 국소 패치(150×150)를 추출한다.
• 사전 훈련된 Inception-v3 컨volutional 신경망(CNN)을 이 패치에 대해 미세조정하여 진짜 또는 제시 공격로 분류한다.
• 모델 일반화 성능 평가를 위해 5중 교차검증을 사용하며, 엄격한 FDR 기준 0.2%에서 성능을 측정한다.
• CNN-Fixations라는 시각화 기법을 적용하여 모델 예측의 기초가 되는 분류적 영역을 식별한다.
• 이 방법은 OCT가 피부 papillary junction 및 에크린 땀샘과 같은 표면 이하의 구조를 이미징할 수 있는 고유한 능력에 의존하며, 이는 위조 재료에서는 손상되거나 존재하지 않는다.
• 415명의 피험자로부터 확보한 3,413건의 진짜 스캔과 357건의 제시 공격 스캔으로 구성된 대규모 데이터셋을 사용하여 모델을 훈련하고 테스트한다. 사용된 위조 재료는 8종이다.

실험 결과

연구 질문

• RQ1 OCT 횡단면 깊이 프로파일의 국소 패치를 사용하여 딥 컨볼루션 신경망(CNN)이 제시 공격을 효과적으로 탐지할 수 있는가?
• RQ2 OCT 스캔에서 진짜 손가락과 위조 공격를 구분하는 데 가장 분류적일 수 있는 해부학적 영역은 무엇인가?
• RQ3 엄격한 0.2% 위양성 탐지율 제약 조건 하에서 제안된 방법의 성능은 어떠한가?
• RQ4 CNN-Fixations와 같은 시각화 기법을 통해 모델이 분류에 의존하는 의미 있는 생물학적 구조를 드러낼 수 있는가?
• RQ5 훈련 중에 볼 수 없었던 새로운 위조 재료에 대해 모델의 일반화 능력은 어떠한가?

주요 결과

• 제안된 CNN 기반 PAD 방법은 위양성 탐지율(FDR) 0.2%에서 진짜 탐지율(TDR) 99.73%를 달성하여 엄격한 보안 조건에서도 매우 높은 강건성을 입증하였다.
• 5중 교차검증에서 성능이 안정적이며, TDR의 표준편차가 0.55로 나타나 일관된 일반화 성능을 보였다.
• CNN-Fixations를 통한 시각화 결과, 각질층과 피부 papillary junction이 정확한 분류 결정에 주요 기여를 한다는 것이 확인되었다.
• 전체 검증 과정에서 유일한 잘못 분류된 샘플은 모델의 실패가 아니라 세그멘테이션 오류로 인한 것으로, 학습된 특징의 높은 신뢰성을 시사한다.
• 이 방법은 플레이도, 젤라틴, 테이프 등 일반 재료로 만든 다양한 위조 재료를 포함해 8종의 서로 다른 유형에서 성공적으로 탐지하였다.
• 결과적으로, OCT가 땀샘과 피부 papillary junction과 같은 내부 피부 구조를 해상도 있게 분별할 수 있다는 점이, 표면 특징이 모방되더라도 위조 공격 탐지에 강력한 단서를 제공한다는 점을 시사한다.