利用Kolmogorov-Arnold网络检测非接触式指纹展示攻击

《IEEE Transactions on Biometrics, Behavior, and Identity Science》：Contactless Fingerprint Presentation Attack Detection using Kolmogorov Arnold Networks

　　指纹识别作为现代安全系统的关键组件，面临 Presentation Attacks（伪造指纹攻击）的威胁。本研究提出融合CNN和Kolmogorov-Arnold网络（KAN）的接触式指纹防攻击系统，通过KAN的样条函数替代线性权重减少参数量，提升收敛速度和泛化能力。实验表明该模型在多种评估协议下实现最低平均APCER 0.11%和D-EER 0.29%，并采用Grad-CAM可视化辅助决策分析。

　　

摘要：

指纹识别是现代安全系统的关键组成部分，它在许多领域提供了可靠且高效的认证方式。然而，随着呈现攻击（Presentation Attacks, PAs）的日益普遍，伪造指纹被用来欺骗识别系统，这构成了严重的安全问题。为了克服这些漏洞，本研究探讨了将Kolmogorov-Arnold网络（KAN）与卷积神经网络（Convolutional Neural Networks, CNNs）结合使用，以提高非接触式指纹呈现攻击检测（Contactless Fingerprint Presentation Attack Detection, PAD）的能力。通过使用KAN，由于采用了样条函数而非线性权重，参数数量得以减少，从而加快了模型的收敛速度和泛化能力。所提出的混合CNN+KAN模型能够有效捕捉到微小的指纹特征以及复杂的特征交互（如纹路、凹槽、细节点等），使系统能够在各种评估协议下区分真实指纹和攻击性伪造指纹。实验在不同评估环境下进行，以模拟现实世界的攻击场景。值得注意的是，我们的模型在基线和留一法（Leave One Out, LOO）评估协议中表现优异，即使在真实指纹分类错误率（Bona Fide Presentation Classification Error Rate, BPCER）固定为1%的情况下，攻击呈现分类错误率（Attack Presentation Classification Error Rate, APCER）也非常低。实验结果表明，该方法的平均APCER最低可达0.11%，检测等错误率（Detection Equal Error Rate, D-EER）为0.29%。为了更好地理解模型的决策过程，采用了梯度加权类激活映射（Gradient-Weighted Class Activation Mapping, Grad-CAM）可视化技术来突出影响模型分类决策的关键区域。研究结果强调了所提出的混合CNN+KAN模型在增强生物特征安全方面的适应性。