尸眼虹膜的呈现攻击检测
代数几何
2023-07-06 v3
摘要
本文提出一种基于深度学习的方法，用于从死者获取虹膜图像时的虹膜呈现攻击检测（PAD）。我们的方法基于 VGG-16 架构，使用来自 Warsaw-BioBase-PostMortem-Iris-v1 数据库的 574 张死后近红外虹膜图像微调，并辅以本研究内收集的 256 张活体虹膜图像数据集。本文所述实验表明，在 20 次受试者不相交的训练/测试划分上平均，我们的方法能以近 99% 的准确率将虹膜图像正确分类为活眼或死眼。我们还表明，死后虹膜检测准确率随死亡后时间推移而提高，并且当仅考虑死后至少 16 小时采集的死后样本时，我们能够构建 APCER=0%@BPCER=1%（分别为攻击呈现与真实呈现分类错误率）的分类系统。由于生前与死后样本采集差异显著，我们应用对策以最小化分类方法中由非 PAD 相关图像属性引起的偏倚。这包括在生前与死后样本采集中使用相同虹膜传感器，以及分析类激活图以确保分类器利用的判别性虹膜区域与眼睛属性相关，而非与采集协议属性相关。本文提供了我们所知首个死后场景下的 PAD 方法，并附带对卷积神经网络所作决策的解释。随本文我们提供源代码、训练网络权重以及活体虹膜图像数据集，以促进可重复性与进一步研究。
引用
@article{arxiv.1807.04057,
title = {Arithmetic and metric aspects of open de Rham spaces},
author = {Tamás Hausel and Michael Lennox Wong and Dimitri Wyss},
journal= {arXiv preprint arXiv:1807.04057},
year = {2023}
}
备注
66 pages