[论文解读] OCT Fingerprints: Resilience to Presentation Attacks

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

Biometric Identification and Security参考文献 47被引用 27

一句话总结

本文提出一种基于深度学习的光学相干断层扫描（OCT）指指纹活体检测（PAD）方法，利用横向深度剖面图中的局部图像块训练Inception-v3卷积神经网络（CNN）。该方法在包含3,413个真实指纹和357个伪造指纹扫描样本（共八种材料）的数据集上，实现了0.2%误报率下的99.73%真阳性检测率，可视化结果揭示角质层和乳头层连接处为关键判别区域。

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.

研究动机与目标

• 开发一种基于学习的鲁棒指纹识别活体检测（PAD）系统，利用OCT扫描实现。
• 利用OCT提供的深度分辨结构信息（包括皮肤内部层次与汗腺）检测伪造攻击。
• 评估基于OCT B-scan局部图像块训练的深度卷积神经网络（CNN）模型，在区分八种不同材料的伪造攻击与真实指纹方面的性能。
• 识别并可视化CNN模型用于准确PAD分类所依赖的关键图像区域。
• 评估模型在未来对未见过的伪造材料的泛化能力。

提出的方法

• 从使用THORLabs Telesto谱域OCT扫描仪获取的2D OCT B-scan深度剖面中，提取150×150的局部重叠图像块。
• 对预训练的Inception-v3卷积神经网络（CNN）进行微调，以将图像块分类为真实指纹或伪造攻击。
• 采用五折交叉验证评估模型泛化能力，性能在严格的0.2%误报率阈值下进行衡量。
• 应用一种名为CNN-Fixations的可视化技术，识别模型预测所依赖的判别性图像区域。
• 该方法依赖OCT对皮下结构（如乳头层连接处和外泌汗腺）的成像能力，这些结构在伪造材料中常被破坏或缺失。
• 模型在包含415名受试者的3,413个真实指纹和357个伪造攻击扫描样本的大规模数据集上进行训练与测试，使用八种不同伪造材料。

实验结果

研究问题

• RQ1 基于OCT横向深度剖面的局部图像块，深度CNN能否有效检测伪造攻击？
• RQ2 在OCT图像中，哪些解剖结构区域最能有效区分真实指纹与伪造攻击？
• RQ3 在严格的0.2%误报率约束下，所提方法的性能表现如何？
• RQ4 如CNN-Fixations等可视化技术能否揭示模型用于分类的有意义生物结构？
• RQ5 该模型对训练过程中未见过的新伪造材料是否具备良好的泛化能力？

主要发现

• 所提出的基于CNN的PAD方法在0.2%误报率下实现了99.73%的真阳性检测率（TDR），表明在严格安全约束下具有高度鲁棒性。
• 模型在五折交叉验证中表现稳定，TDR的标准差为0.55，表明泛化能力一致可靠。
• 通过CNN-Fixations进行可视化发现，角质层与乳头层连接处是促成正确分类决策的主要区域。
• 整个验证过程中仅有一例样本被错误分类，且原因为分割错误而非模型失效，表明所学特征具有高度可靠性。
• 该方法能有效检测多种类型的伪造材料，包括常见的橡皮泥、明胶和胶带等，覆盖八类不同材料。
• 结果表明，OCT对汗腺与乳头层连接处等内部皮肤结构的分辨能力，为检测伪造攻击提供了强有力线索，即使表面特征被模仿亦能识别。