[论文解读] Deep Learning based Fingerprint Presentation Attack Detection: A Comprehensive Survey

Hailin Li, Raghavendra Ramachandra|arXiv (Cornell University)|May 27, 2023

Biometric Identification and Security被引用 4

一句话总结

本篇全面综述回顾了基于深度学习的指纹活体攻击检测（FPAD）方法，将其分类为接触式、非接触式及智能手机式方法。文章突出展示了最先进技术，识别出可解释性、轻量化建模和数据集稀缺等关键挑战，并讨论了对抗性攻击等新兴威胁，为安全生物识别认证的未来研究提供了路线图。

ABSTRACT

The vulnerabilities of fingerprint authentication systems have raised security concerns when adapting them to highly secure access-control applications. Therefore, Fingerprint Presentation Attack Detection (FPAD) methods are essential for ensuring reliable fingerprint authentication. Owing to the lack of generation capacity of traditional handcrafted based approaches, deep learning-based FPAD has become mainstream and has achieved remarkable performance in the past decade. Existing reviews have focused more on hand-cratfed rather than deep learning-based methods, which are outdated. To stimulate future research, we will concentrate only on recent deep-learning-based FPAD methods. In this paper, we first briefly introduce the most common Presentation Attack Instruments (PAIs) and publicly available fingerprint Presentation Attack (PA) datasets. We then describe the existing deep-learning FPAD by categorizing them into contact, contactless, and smartphone-based approaches. Finally, we conclude the paper by discussing the open challenges at the current stage and emphasizing the potential future perspective.

研究动机与目标

• 提供对基于深度学习的指纹活体攻击检测（FPAD）方法的最新、聚焦性综述，超越过时的手工特征方法。
• 对接触式、非接触式及智能手机式模态下的近期FPAD技术进行分类与分析。
• 识别在可解释性、模型效率、数据集可扩展性以及对抗性攻击等新兴威胁方面存在的开放性挑战。
• 通过阐明关键机遇与研究方向，为未来研究提供指导，推动安全生物识别认证的发展。

提出的方法

• 将基于深度学习的FPAD方法分为三大主要模态：接触式（光学、电容式、超声波式）、非接触式（工业级与智能手机摄像头）以及智能手机式指纹采集。
• 回顾FPAD中使用的最先进深度学习架构，强调从原始或预处理指纹图像中学习特征的能力。
• 分析Grad-CAM与显著性图等可视化技术，以提升模型可解释性并阐明预测依据。
• 提出轻量化模型设计以支持移动端部署，重点关注效率与关键指纹区域的关注机制。
• 讨论多光谱成像与先进传感器的应用，以增强欺骗检测的鲁棒性。
• 研究对抗性攻击向量，包括数字扰动与物理欺骗伪造（如ScreenSpoof），以评估系统脆弱性。

Figure 1. Publications of FPAD in recent years obtained through Google scholar search with keywords: “fingerprint spoof detection”, “fingerprint presentation attack detection”, and “fingerprint liveness detection”.

实验结果

研究问题

• RQ1 基于深度学习的FPAD方法在接触式、非接触式及智能手机式指纹采集模态之间有何差异？
• RQ2 在多样化的欺骗材料与传感器类型下，实现鲁棒、泛化性强且可解释的FPAD模型面临哪些关键技术挑战？
• RQ3 如何设计轻量化深度学习模型，以支持移动生物识别系统中实时、设备端的FPAD？
• RQ4 对抗性攻击对FPAD系统有何影响，又该如何缓解？
• RQ5 在公开可用的数据集方面，尤其针对非接触式指纹照片，目前存在哪些主要空白？

主要发现

• 由于在处理复杂欺骗材料方面表现优于传统手工特征方法，基于深度学习的FPAD已成为主流方法。
• 非接触式与智能手机式FPAD方法面临姿态变化、图像质量低及环境噪声等挑战，需依赖专门设计的深度学习架构。
• 可解释性技术如Grad-CAM有助于可视化指纹图像中与决策相关的关键区域，提升模型透明度与可信度。
• 轻量化模型对移动端部署至关重要，因计算资源有限，聚焦关键指纹区域可显著提升效率。
• 大规模、多样化、公开可用的数据集——尤其是针对非接触式指纹照片——仍然匮乏，严重制约模型泛化能力与基准测试。
• 对抗性攻击，包括利用数字扰动的物理欺骗（如ScreenSpoof），构成重大威胁，甚至在单次攻击中成功率极高，亟需开发鲁棒防御措施。

Figure 2. Block diagram of fingerprint verification system with PAD