利用局部特征增强进行指纹展示攻击检测的跨传感器泛化

《IEEE Transactions on Biometrics, Behavior, and Identity Science》：Cross-sensor Generalization for Fingerprint Presentation Attack Detection Leveraging Local Feature Enhancement

　　指纹识别系统中提出了一种多传感器泛化框架，通过传感器缩放预处理、融合全局上下文与局部特征的网络架构，以及基于感受野误差的优化训练流程，有效提升对抗样本检测的跨材料和跨传感器泛化能力。实验表明，相比现有方法，在LivDet 2017和2015数据集上分别实现了59%和8.2%的跨材料性能提升，平均分类误差降低至4.26%和1.75%。

　　

摘要：

指纹识别系统的广泛使用增加了对强大呈现攻击检测（PAD）的需求，以防止欺骗行为。尽管基于卷积神经网络（CNN）的PAD方法取得了成功，但它们受到信息损失严重以及针对未见材料和不同传感器数据的泛化能力有限的限制。在这项工作中，我们提出了一个指纹PAD框架，该框架整合了三种核心策略来应对跨传感器环境带来的挑战。首先，我们引入了一个传感器缩放因子作为预处理机制，以确保在训练和测试过程中不同传感器数据中的指纹信息保持一致。其次，我们设计了一种网络架构，该架构利用活体评分预测器来增强相关的局部特征，同时保持全局上下文。最后，我们引入了一种训练程序，该程序利用感受野级别的误差计算，使网络能够从指纹图像的每个区域学习重要特征，并通过在训练过程中增加标签密度来减轻过拟合问题。通过这种集成设计，我们的方法有效地结合了全局上下文和局部判别线索，从而在跨材料和跨传感器泛化方面取得了显著提升。实验评估表明，与当前最先进的方法相比，我们提出的方法在跨材料泛化方面取得了显著改进，在LivDet 2017和LivDet 2015数据集上的性能分别提高了59%和8.2%。此外，该方法在跨传感器泛化方面也明显优于现有方法，在LivDet 2017上的平均分类误差（ACE）为4.26%，在LivDet 2015上为1.75%，分别比之前的竞争方法提高了7.6%和35%。