尸体虹膜的呈现攻击检测
计算机视觉与模式识别
2018-07-30 v2
摘要
本文提出了一种基于深度学习的虹膜呈现攻击检测（PAD）方法，用于处理从死者获取的虹膜图像。我们的方法基于 VGG-16 架构，并使用来自 Warsaw-BioBase-PostMortem-Iris-v1 数据库的 574 张死后近红外虹膜图像数据库进行微调，辅以在本研究范围内收集的 256 张活体虹膜图像数据集。本文描述的实验表明，在 20 个主体互斥的训练/测试划分上取平均，我们的方法能够在近 99% 的试验中正确分类虹膜图像，将其判定为活体或死亡眼睛。我们还表明，死后虹膜检测准确率随死亡时间的推移而增加，并且当仅考虑死后至少 16 小时收集的死后样本时，我们能够构建一个 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的采集存在显著差异，我们采取了对策以最小化由与 PAD 无关的图像属性引起的分类方法中的偏差。这包括在生前和死后样本采集中使用相同的虹膜传感器，以及分析类激活图以确保我们的分类器所利用的判别性虹膜区域与眼睛的属性相关，而非与采集协议相关。本文提供了据我们所知的首个死后场景下的 PAD 方法，并对卷积神经网络做出的决策进行了解释。随论文一同提供的还有源代码、训练网络的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.1807.04058,
title = {Presentation Attack Detection for Cadaver Iris},
author = {Mateusz Trokielewicz and Adam Czajka and Piotr Maciejewicz},
journal= {arXiv preprint arXiv:1807.04058},
year = {2018}
}
备注
Accepted for publication at the 9th IEEE International Conference on Biometrics: Theory, Applications, and Systems (BTAS 2018), Los Angeles, USA, October 22-25, 2018