[论文解读] Presentation Attack Detection for Iris Recognition: An Assessment of the State of the Art

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

Biometric Identification and Security被引用 11

一句话总结

本综述对虹膜识别中的呈现攻击检测（PAD）进行了全面评估，采用新颖的静态/动态与被动/主动框架对攻击类型和检测方法进行分类。研究指出PAD仍为未解问题，回顾了关键数据集与竞赛，并基于近期评估的量化基准，提出了未来研究方向。

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.

研究动机与目标

• 系统评估虹膜识别系统中呈现攻击检测（PAD）研究的当前状态。
• 识别并分类与实际部署相关的各类呈现攻击工具（PAIs）。
• 使用标准化指标和基准，评估PAD方法在不同攻击类型下的性能。
• 突出现有研究的局限性，特别是理想化早期结果与更真实的开放集评估之间的差距。
• 通过识别研究不足的领域并推荐数据集与算法方向，为未来研究提供指导。

提出的方法

• 提出PAD方法的双重分类框架：静态与动态（基于单张图像与图像序列处理），以及被动与主动（基于采集过程中是否施加外部刺激）。
• 基于攻击类型、传感器类型、波长（NIR/可见光）以及数据可及性，对21个公开可用的虹膜PAD数据集进行回顾与分类。
• 分析三次主要公开竞赛（LivDet-Iris 2013、2015、2017）的结果，以基准化已知与未知攻击类型下的性能表现。
• 引入并标准化关键评估指标：APCER、BPCER、EER、IAPMR与CAPNMR，与ISO/IEC 30107-3:2017标准保持一致。
• 采用攻击工具的分类体系，包括打印虹膜、接触镜片、假眼、合成虹膜以及重放攻击。
• 评估光照条件（NIR与可见光）对PAD可行性及方法设计的影响。

实验结果

研究问题

• RQ1 虹膜识别中的主要呈现攻击类别有哪些？它们在可检测性方面有何差异？
• RQ2 在不同攻击类型下，静态与动态PAD方法在性能与实用性方面如何比较？
• RQ3 当前PAD方法在未知或开放集攻击场景下的泛化能力如何？
• RQ4 早期PAD系统报告近乎完美准确率的局限性是什么？为何其在真实环境中会失效？
• RQ5 哪些数据集与评估协议最有利于推动虹膜识别PAD研究的发展？

主要发现

• 虹膜识别的PAD仍为未解问题，表现为与早期理想化基准相比，在更真实、开放集评估中性能持续下降。
• LivDet-Iris 2017中表现最佳的方法在已知攻击类型上的EER为0.59%，在未知攻击类型上的EER为3.64%，表明泛化能力面临显著挑战。
• 基于可见光或近红外成像的被动、静态PAD方法更具实用性，但相较于主动或动态方法，在应对复杂攻击时效果较差。
• 如MobBIOfake、MICHE-I与VISSIV等数据集提供了多样化的公开数据，可用于训练与评估，但许多数据集缺乏标准化协议或元数据。
• 使用眼动追踪传感器（如EyeLink 1000）与高速摄像机可实现对瞳孔运动与注视方向的动态分析，从而提升对重放与合成攻击的检测能力。
• 迫切需要标准化、大规模、开放集的PAD数据集，涵盖新型攻击类型与真实世界环境中的多样性变化。