[论文解读] Patch-based Fake Fingerprint Detection Using a Fully Convolutional Neural Network with a Small Number of Parameters and an Optimal Threshold

Eunsoo Park, Xuenan Cui+3 more|arXiv (Cornell University)|Mar 21, 2018

Biometric Identification and Security参考文献 21被引用 9

一句话总结

该论文提出了一种轻量级、全卷积神经网络（FCN），用于基于图像块的伪造指纹检测，可将图像块分类为真实、伪造或背景，从而无需进行分割处理。该模型采用SqueezeNet启发的Fire模块，仅需2.0 MB内存占用，且在优化阈值下平均分类错误率仅为1.35%，可在资源受限设备上实现高精度检测。

ABSTRACT

Fingerprint authentication is widely used in biometrics due to its simple process, but it is vulnerable to fake fingerprints. This study proposes a patch-based fake fingerprint detection method using a fully convolutional neural network with a small number of parameters and an optimal threshold to solve the above-mentioned problem. Unlike the existing methods that classify a fingerprint as live or fake, the proposed method classifies fingerprints as fake, live, or background, so preprocessing methods such as segmentation are not needed. The proposed convolutional neural network (CNN) structure applies the Fire module of SqueezeNet, and the fewer parameters used require only 2.0 MB of memory. The network that has completed training is applied to the training data in a fully convolutional way, and the optimal threshold to distinguish fake fingerprints is determined, which is used in the final test. As a result of this study experiment, the proposed method showed an average classification error of 1.35%, demonstrating a fake fingerprint detection method using a high-performance CNN with a small number of parameters.

研究动机与目标

• 为解决伪造指纹对指纹认证系统造成的欺骗攻击问题。
• 通过将图像块分类为真实、伪造或背景，减少对预处理步骤（如分割）的依赖。
• 开发一种参数极少的紧凑深度学习模型，以实现在低资源系统上的部署。
• 优化检测阈值，以在实际应用中最大化分类准确率。

提出的方法

• 该方法基于SqueezeNet架构，采用全卷积神经网络（FCN），特别使用Fire模块以最小化参数数量。
• 输入的指纹图像被划分为小块，由FCN独立处理，以预测真实、伪造或背景类别的概率。
• 网络以端到端的全卷积方式训练，实现对整个指纹图像的密集预测。
• 在训练后，利用验证数据确定最优阈值，以最小化错误率，准确区分伪造与真实图像块。
• 通过将背景图像块作为独立类别处理，避免了显式分割，简化了预处理流程。
• 最终检测决策通过聚合图像块级别的预测结果，并应用优化后的阈值，对整幅指纹图像进行分类。

实验结果

研究问题

• RQ1 能否通过参数极少的轻量级CNN在无需分割处理的前提下，实现高精度的伪造指纹检测？
• RQ2 与二分类相比，将图像块划分为三类（真实、伪造、背景）在检测性能上有哪些提升？
• RQ3 在使用基于图像块的预测时，区分伪造指纹的最优阈值是什么？
• RQ4 在保持检测准确率的前提下，FCN中使用Fire模块在多大程度上减小了模型尺寸？
• RQ5 所提出的方法是否能在计算与内存资源有限的设备上有效部署？

主要发现

• 所提方法在测试集上实现了1.35%的平均分类错误率，证明了其高检测精度。
• 由于基于Fire模块的紧凑架构，该模型仅占用2.0 MB内存，可部署于低资源设备。
• 通过将图像块分类为三类（真实、伪造、背景），该方法消除了对独立分割预处理步骤的需求。
• 全卷积设计实现了对整个指纹图像的密集、逐块预测，提升了空间一致性。
• 在训练后校准过程中确定的最优阈值，显著优化了假阳性和假阴性率之间的权衡。
• 与依赖手工特征或二分类的传统方法相比，该方法通过端到端学习与极少参数，实现了更优的性能。