用于跨域虹膜呈现攻击检测的多视图学习分类器集成
计算机视觉与模式识别
2018-11-27 v1
摘要
全球大规模虹膜识别系统的应用凸显了检测呈现攻击图像（纹理隐形眼镜与打印件）的重要性。本工作通过探索卷积神经网络（CNNs）与经二值化统计图像特征（BSIF）变换的输入空间之组合，提出了一种虹膜呈现攻击检测（PAD）的新方法。我们的方法组合轻量级CNN以对输入图像的多个BSIF视图进行分类。在探索可得到更具判别力的呈现攻击检测特征的互补输入空间后，我们还提出了一种算法以选择当前任务最佳（且最具判别力）的预测器。预测器集成利用其各自的期望个体性能将结果聚合成最终预测。结果表明，该技术改进了当前虹膜PAD的最优水平，在域内与跨数据集场景下均优于LivDet-Iris2017竞赛冠军，并揭示了跨数据集场景的极高难度。
引用
@article{arxiv.1811.10068,
title = {Ensemble of Multi-View Learning Classifiers for Cross-Domain Iris Presentation Attack Detection},
author = {Andrey Kuehlkamp and Allan Pinto and Anderson Rocha and Kevin Bowyer and Adam Czajka},
journal= {arXiv preprint arXiv:1811.10068},
year = {2018}
}
备注
IEEE Transactions on Information Forensics and Security (Early Access), 2018