开放集虹膜呈现攻击检测的研究现状
计算机视觉与模式识别
2022-08-24 v1
摘要
针对虹膜识别的呈现攻击检测（PAD）研究已很大程度上超越“闭集”场景下的评估，转而强调对训练数据中未出现的呈现攻击类型的泛化能力。本文为理解并拓展开放集虹膜 PAD 的前沿水平做出了若干贡献。首先，它描述了迄今为止最具权威性的虹膜 PAD 评估。我们策划了本领域最大的公开可用图像数据集，该数据集汇集了此前各团队发布的 26 个基准，并新增了随本论文期刊版发布的 150,000 张图像，从而构建了包含 450,000 张图像的集合，涵盖真实虹膜与七类呈现攻击工具（PAI）。我们制定了留一 PAI 外评估协议，并表明即便在闭集评估中表现最佳的算法，在开放集场景下对多种攻击类型也会出现灾难性失效。这包括在最近的 LivDet-Iris 2020 竞赛中表现良好的算法，其原因可能在于 LivDet-Iris 协议侧重于隔离图像而非未见过的攻击类型。其次，我们评估了当前可用的五种开源虹膜呈现攻击算法的准确性，其中一种是本文新提出的，并构建了一种集成方法，以显著优势击败 LivDet-Iris 2020 的获胜者。本文表明，当训练时所有 PAI 均已知时，闭集虹膜 PAD 已是已解决的问题，多种算法展现出极高的准确率；而开放集虹膜 PAD 在正确评估下远未解决。随期刊版公开发布的新建数据集、新开源算法与评估协议，为研究人员提供了可用于衡量这一重要问题进展的实验产物。
引用
@article{arxiv.2208.10564,
title = {State Of The Art In Open-Set Iris Presentation Attack Detection},
author = {Aidan Boyd and Jeremy Speth and Lucas Parzianello and Kevin Bowyer and Adam Czajka},
journal= {arXiv preprint arXiv:2208.10564},
year = {2022}
}