一种面向跨域虹膜活体攻击检测的对抗增强参数化方法
计算机视觉与模式识别
2025-04-28 v2
摘要
基于虹膜的生物特征识别系统容易受到活体攻击(PAs)，攻击者通过展示物理伪造物（如印刷虹膜图像、带纹理的隐形眼镜）来欺骗系统。这促成了多种活体攻击检测(PAD)算法的发展，这些算法在域内场景中通常表现良好。然而，它们在跨域场景中往往难以有效泛化，因为在跨域场景中训练和测试使用了不同的传感器、活体攻击仪器和数据集。在本工作中，我们利用真实虹膜和活体攻击的对抗训练样本来提升PAD分类器的跨域性能。我们方法的创新之处在于利用经典数据增强方案（如平移、旋转）中的变换参数来生成对抗样本。我们通过一个卷积自编码器ADV-GEN来实现这一点，该编码器输入原始训练样本以及一组几何和光度变换。变换参数充当正则化变量，引导ADV-GEN在受限的搜索空间中生成对抗样本。在包含四个数据集的LivDet-Iris 2017数据库和LivDet-Iris 2020数据集上进行的实验证明了我们提出方法的有效性。代码可在 https://github.com/iPRoBe-lab/ADV-GEN-IrisPAD 获取。
引用
@article{arxiv.2412.07199,
title = {A Parametric Approach to Adversarial Augmentation for Cross-Domain Iris Presentation Attack Detection},
author = {Debasmita Pal and Redwan Sony and Arun Ross},
journal= {arXiv preprint arXiv:2412.07199},
year = {2025}
}
备注
IEEE/CVF Winter Conference on Applications of Computer Vision (WACV), 2025