基于卷积自编码器的指纹呈现攻击检测异常检测方法
计算机视觉与模式识别
2021-01-25 v2 机器学习
摘要
近年来，基于指纹的生物特征认证系统的普及度显著提升。然而，尽管有许多优势，生物特征系统仍易受呈现攻击(PAs)的威胁。这一点尤其适用于无监督应用，其中系统操作员未知的新攻击可能出现。因此，呈现攻击检测(PAD)方法被用于判定样本来自真实主体还是来自呈现攻击工具(PAI)。在此背景下，大多数工作致力于将PAD作为两类分类问题来解决，包括在真实样本和PA样本上训练模型。尽管报道了良好的检测率，这些方法在检测未知材料的PAI时仍面临困难。为解决此问题，我们提出了一种基于仅在真实样本（即一类）上训练的自编码器(AEs)的新PAD技术，这些样本在短波红外域捕获。在包含19,711张真实图像和4,339张PA图像（含45种不同PAI种类）的数据库上的实验评估中，取得了2.00%的检测等错误率(D-EER)。此外，我们将性能最佳的AE模型与更多一类分类器（支持向量机、高斯混合模型）进行比较。结果表明了AE模型的有效性，因为它显著优于先前提出的方法。
引用
@article{arxiv.2008.07989,
title = {Anomaly Detection with Convolutional Autoencoders for Fingerprint Presentation Attack Detection},
author = {Jascha Kolberg and Marcel Grimmer and Marta Gomez-Barrero and Christoph Busch},
journal= {arXiv preprint arXiv:2008.07989},
year = {2021}
}