Fingerprint liveness detection using local quality features
Indian Institute of Technology Indore（印度印多尔理工学院）
基于指纹的识别已经被广泛地部署在各种应用中。然而，当前的识别系统容易受到欺骗攻击，欺骗攻击利用指纹的人工复制来欺骗传感器。在这种情况下，指纹活性检测确保了真实合法指纹的实际存在，而不是伪造的自制合成样本。在本文中，我们提出了一个静态的基于软件的方法，使用质量特征来检测指纹的活性。我们已经从一个单一的指纹图像中提取的功能，以克服所面临的问题，在动态的基于软件的方法，需要更长的计算时间和用户的合作。该系统提取了8个传感器独立的质量特征，包含真指纹和假指纹的脊谷结构的细节。这些局部质量特征构成13维特征向量。该系统进行了测试，在一个虚拟的LivDet 2009年竞争的数据集。实验结果表明，该方法优于目前最先进的方法，提供最少的平均分类误差为5.3%的LivDet 2009年。此外，在最新的LivDet 2015数据集上评估了LivDet 2009的最佳性能特征的有效性，该数据集包含使用未知欺骗材料制作的指纹。平均分类出错率为4.22%，而LivDet 2015年获奖者的平均分类错误率为4.49%。此外，所提出的系统利用单个指纹图像，这导致更快的影响，并使其更加用户友好。
2018-06-08 cs.CV
LivDet 2017 Fingerprint Liveness Detection Competition 2017
University of Cagliari（卡利亚里大学）
指纹呈现攻击检测（FPAD）处理区分来自指纹特征的人工复制品的图像，由硅胶，明胶或乳胶等材料组成，以及来自活体指纹的图像。图像由现代扫描仪捕获，通常依赖于固态或光学技术。自2009年以来，指纹活体检测竞赛（LivDet）旨在根据严格的实验协议评估最先进算法的性能，同时简单概述基本成就。该竞赛对所有学术研究中心和在该领域工作的所有公司开放。参与者数量的积极增长趋势支持了这一倡议的成功，甚至在今年也得到了证实：17个算法提交给了比赛，更多的公司和学院参与其中。这意味着该主题对双方都有意义，并指出在基础和应用研究方面必须做大量工作。
2018-03-14 cs.CV
A high performance fingerprint liveness detection method based on quality related features
Universidad Autonoma de Madrid（马德里自治大学）
提出了一种新的基于软件的活性检测方法，该方法采用了一种新的基于质量相关特征的指纹参数化方法。该系统在一个极具挑战性的数据库上进行了测试，该数据库包括使用五种不同技术的传感器获取的超过10，500张真实和虚假图像，并涵盖了各种直接攻击场景，包括材料和生成橡皮手指的程序。所提出的解决方案被证明是强大的多场景数据集，并提出了90%的正确分类样本的总体率。此外，活性检测方法具有额外的优势，比以前研究的技术，只需要一个图像从一个手指，以确定它是真的还是假的。最后一个特征为该方法提供了非常有价值的特征，因为它使其侵入性更小，用户更友好，更快，并降低了其实现成本。
2021-11-02 cs.CV
EaZy Learning: An Adaptive Variant of Ensemble Learning for Fingerprint Liveness Detection
Indian Institute of Technology (BHU) Varanasi（印度理工学院（瓦拉纳西））
在生物特征识别领域，指纹识别系统容易受到人为生成的欺骗指纹的呈现攻击。指纹活性检测机制在数据集内环境下表现良好，但在跨传感器（在新传感器采集的指纹上测试时）和跨数据集（在一个数据集上训练并在另一个数据集上测试时）设置下表现糟糕。为了提高指纹欺骗检测器的泛化能力、鲁棒性和互操作性，需要学习模型对数据具有自适应性。我们提出了一个通用的模型，EaZy学习，它可以被认为是一个自适应的中间渴望和懒惰的学习。我们展示了跨传感器和跨数据集环境下这种自适应性的有用性。EaZy学习在生成假设池的同时检查数据集固有的属性。EaZy学习类似于集成学习，因为它生成基本分类器的集成并将它们集成以进行预测。尽管如此，它在生成基本分类器的方式上有所不同。EaZy学习开发了完全不相交的基本分类器的集成，这对底层集成的多样性具有有益的影响。此外，它集成了这些基本分类器根据其在验证数据上的性能所做的预测。在标准高维数据集LivDet 2011、LivDet 2013和LivDet 2015上进行的实验证明了该模型在跨数据集和跨传感器环境下的有效性。
2021-03-03 cs.CV
End-to-End Fingerprints Liveness Detection using Convolutional Networks with Gram module
Inha University（仁荷大学）
本文提出了一种端到端的CNN（卷积神经网络）模型，该模型使用大小约为1.2MB的gram模块来检测假指纹。该方法假设纹理是最适合于假指纹检测的特征，并实现了从CNN中提取纹理的gram模块。所提出的CNN结构使用火模块作为基本模型，并使用gram模块进行纹理提取。通过fire模块的张量将与gram模块连接，以创建具有相同空间大小的gram矩阵。从不同层次提取的3个gram矩阵与通道轴结合后，成为鉴别假指纹的依据。根据LivDet 2011、2013、2015年的数据，实验结果的平均检测误差为2.61%，证明可以设计出能够用于假指纹检测的具有较少参数的端到端CNN结构。
2018-03-21 cs.CV
Boosting Generalization with Adaptive Style Techniques for Fingerprint Liveness Detection
JIIOV Technology（JIIOV科技）
提出一种高性能指纹活体特征提取技术，结合风格迁移方法，在训练数据有限时提升准确率与泛化能力，并在LivDet 2023挑战赛中取得最优性能。
2023-10-24 cs.AI cs.CV
Fingerprint Liveness Detection Based on Quality Measures
Universidad Autonoma de Madrid（马德里自治大学）
提出了一种新的基于质量测度的指纹活性检测参数化方法。新的特征集用于完整的活性检测系统，并在LivDET竞赛的开发集上进行了测试，包括使用三种不同的光学传感器采集的4，500多张真实和虚假图像。所提出的解决方案被证明是强大的多传感器的情况下，并提出了93%的正确分类样本的整体率。此外，活性检测方法具有额外的优势，比以前研究的技术，只需要一个图像从一个手指，以确定它是真的还是假的。
2022-07-11 cs.CR cs.CV eess.IV
Liveness Detection Competition -- Noncontact-based Fingerprint Algorithms and Systems (LivDet-2023 Noncontact Fingerprint)
Clarkson University（克拉克森大学）；University at Buffalo（布法罗大学）；Fraunhofer IGD（弗劳恩霍夫计算机图形学研究所）；West Virginia University（西弗吉尼亚大学）；Dermalog；Tech5
首届非接触式指纹呈现攻击检测国际竞赛LivDet-2023搭建了通用评估基准与协议，测试了多类算法系统在新旧安卓手机上的检测性能，获胜方案表现优异，所用数据集将对外开放。
2023-10-01 cs.CV cs.LG
DyFFPAD: Dynamic Fusion of Convolutional and Handcrafted Features for Fingerprint Presentation Attack Detection
Indian Institute of Technology Indore（印度理工学院印多尔）；National Institute of Technology Hamirpur（哈米尔帕尔国家理工学院）
针对指纹识别系统的呈现攻击威胁，提出融合深度CNN与手工特征的DyFFPAD动态检测方法，在多届活体检测竞赛基准库上准确率达94.99%-96.49%，性能优于现有最优方法。
2025-06-12 cs.CV
Analysis of "User-Specific Effect" and Impact of Operator Skills on Fingerprint PAD Systems
University of Cagliari（卡利亚里大学）
指纹活性检测或呈现攻击检测（PAD），即检测提交给电子捕获设备的指纹是真实的还是由一些人工材料组成的能力，提高了科学界的关注，最近基于深度网络的机器学习方法打开了新的场景。由于大量数据的公开可用性，特别是在国际指纹活性检测竞赛（LivDet）期间发布的数据，向前迈出了重要的一步。其中，2017年举行的第五届比赛向参与者提出了另外两项挑战，官方报告中没有详细说明。在本文中，我们希望通过关注它们来扩展该报告：第一个目的是探索PAD集成到指纹验证系统中的情况，其中用户模板也可用，并且设计师不限于仅参考PAD设置的通用用户群。第二个问题是攻击者对所提供的伪造信息的利用能力，以及这种能力对最终性能的影响。这两个挑战一起可以设定指纹呈现攻击在多大程度上是实际威胁以及如何利用附加信息来使PAD更有效。
2019-07-18 cs.CV
Perfect Fingerprint Orientation Fields by Locally Adaptive Global Models
University of Göttingen（哥廷根大学）；Institute for Mathematical Stochastics（数学随机研究所）；Felix-Bernstein-Institute for Mathematical Statistics in the Biosciences（生物科学数学统计费利克斯-伯恩斯坦研究所）
指纹识别在许多商业、政府和法医应用中被广泛用于验证和识别。方向场（OF）在指纹识别系统的各个处理阶段起着重要的作用。OFs用于图像增强、指纹对齐、指纹活性检测、指纹变化检测和指纹匹配。本文提出了一种新的方法，结合局部自适应方法的全局建模的OF。我们表明，该模型完全适应的“真正的”的限制。这个完美的OF是由少量的参数与简单的几何解释。应用是多方面的：快速的专家标记非常差的质量（例如潜在的）OFs，高保真度低参数的OFs压缩和直接的道路地面真理OFs标记的大型数据库，说。在这方面的贡献，我们描述了一种算法，完全自动或半自动估计的参数，这取决于图像质量，我们建立了高保真低参数的压缩的主要基本要求。
2016-06-20 cs.CV
Saliency-Guided Training for Fingerprint Presentation Attack Detection
Department of Computer Science and Engineering（计算机科学与工程系）；University of Notre Dame（诺特大学）
本文首次将显著性引导训练用于指纹PAD，结合人工标注与算法伪显著性图，在LivDet-2021上验证其准确率、泛化性和数据可扩展性。
2025-08-28 cs.CV
Illumination-Aware Contactless Fingerprint Spoof Detection via Paired Flash-Non-Flash Imaging
本文提出通过配对闪光-非闪光成像机制提升无接触指纹识别的伪装检测鲁棒性，利用照明诱导差异特征区分真实指纹与打印、数字和塑形攻击。
2026-03-18 cs.CV
EXPRESSNET: An Explainable Residual Slim Network for Fingerprint Presentation Attack Detection
Indian Institute of Technology Indore（印度理工学院印多尔分校）
本文提出 EXPRESSNET，通过编码器-解码器热图生成、通道注意力与改进 ResNet 端到端区分真假指纹，并在 Livdet 2011–2019 上取得优于现有方法的准确率。
2023-06-06 cs.CV
Adaptive thresholding pattern for fingerprint forgery detection
Laboratory of Wireless Communication and Signal Processing (WCSP), Faculty of Electrical Engineering, Sahand University of Technology, Iran.（无线通信与信号处理实验室（WCSP）、电气工程学院、沙赫德大学技术学院、伊朗）
针对指纹伪造检测易受各类失真干扰的问题，本文提出结合各向异性扩散、三级小波变换、自适应阈值处理与SVM分类器的检测算法，在高比例像素、块缺失场景下准确率显著优于同类方法。
2025-11-19 cs.CV
Not All Challenges Are Equal: Evaluating Interactive Liveness Detection Against Real-Time Face Swaps
Brno University of Technology（布尔诺理工大学）
该研究评估了针对实时人脸换脸的交互式活体检测，发现随机手势挑战中主动手势窗口的AUC达0.988，响应时间也可作为区分攻击的补充信号。
2026-10-14 cs.CR cs.CV
An Open Patch Generator based Fingerprint Presentation Attack Detection using Generative Adversarial Network
Indian Institute of Technology Indore（印度理工学院印多尔分校）；The LNM Institute of Information Technology（LNM信息技术学院）
本文提出利用GAN驱动的Open Patch Generator生成新型逼真欺骗指纹以扩充数据，并通过DenseNet提升FPAD在未知材料、跨材料及跨传感器攻击下的检测性能。
2023-06-06 cs.CV
Robust Minutiae Extractor: Integrating Deep Networks and Fingerprint Domain Knowledge
Michigan State University（密歇根州立大学）
我们提出了一个全自动的细节提取器，称为细节网，基于深度神经网络与紧凑的特征表示的细节集的快速比较。具体地，首先，称为CoarseNet的网络基于卷积神经网络和指纹领域知识（增强图像、方向场和分割图）来估计细节点得分图和细节点方向。随后，另一个称为FineNet的网络基于分数图细化候选细节点位置。我们证明了将指纹域知识与深度网络一起使用的有效性。在潜在（NIST SD27）和普通（FVC 2004）公共领域指纹数据集上的实验结果为我们的方法的优点提供了全面的经验支持。此外，我们的方法发现细节点集在这两个数据集上的精确度和召回率与最先进的技术相比更好。由于缺乏带细节点地面真相的注释指纹数据集，所提出的鲁棒细节点检测方法将有助于训练基于网络的指纹匹配算法，以及用于评估指纹个性的规模。MinutiaeNet在Tensorflow中实现：https://github.com/luannd/MinutiaeNet
2017-12-26 cs.CV
Multi-Modal Fingerprint Presentation Attack Detection: Evaluation On A New Dataset
Information Sciences Institute (University of Southern California)（（南加州大学）信息科学研究所）；Faculty of Engineering, Alexandria University（亚历山大大学工程学院）
由于攻击准备技术的不断进步，指纹呈现攻击检测正在成为一个越来越具有挑战性的问题，这些攻击准备技术生成逼真的假指纹呈现。在这项工作中，而不是依赖于传统的指纹图像，这是广泛使用的社区，我们研究了多个最近推出的传感方式的有用性。我们的研究涵盖了使用短波红外，近红外和激光照明的前照明成像;和使用近红外光的后照明成像。为了研究这些非常规感测模式中的每一种的有效性及其用于活性检测的融合，我们使用完全卷积的深度神经网络框架进行了全面的分析。我们的评估比较了新传感模式的不同组合与来自我们的一个集合以及公共LivDet 2015数据集的遗留数据，显示了新传感模式在大多数情况下的优越性。它还涵盖了已知和未知攻击的情况以及数据集内和数据集间评估的情况。我们的研究结果表明，我们的方法的力量源于捕获的数据的性质，而不是所采用的分类框架，这证明了基于硬件（或混合）的解决方案的额外成本是合理的。我们计划公开发布我们的一个数据集集合。
2020-06-16 cs.CR cs.CV cs.LG
AFR-Net: Attention-Driven Fingerprint Recognition Network
Michigan State University（密歇根州立大学）
视觉Transformer（ViT）在计算机视觉中的使用由于有限的电感偏置（例如，位置、权重共享等）并且与其他深度学习方法相比具有更高的可扩展性。这导致了一些关于使用ViT进行生物识别的初步研究，包括指纹识别。在这项工作中，我们改进了这些初步研究的Transformers器在指纹识别通过i。评估附加的基于注意力的架构，ii.）扩展到更大和更多样化的训练和评估数据集，以及iii.）将基于注意力的嵌入和基于CNN的嵌入的互补表示相结合，用于改进的最新技术水平（SOTA）指纹识别（认证和识别两者）。我们的组合架构AFR-Net（Attention-Driven Fingerprint Recognition Network，注意力驱动的指纹识别网络）在传感器内、传感器间以及潜在到滚动指纹匹配数据集上的性能优于几种基于Transformer和CNN的基准模型，包括SOTA商业指纹系统Verifinger v12.3。此外，我们提出了一种重新排列策略，使用从网络内的中间特征图中提取的局部嵌入来改进低确定性情况下的全局嵌入，这显著提高了每个模型的整体识别准确性。这种重新排列策略不需要额外的训练，可以作为包装器应用于任何现有的深度学习网络（包括基于注意力的，基于CNN的，或两者兼而有之），以提高其性能。
2022-12-03 cs.CV
Fingerprint Distortion Rectification using Deep Convolutional Neural Networks
West Virginia University（西弗吉尼亚大学）
指纹的弹性变形对指纹识别系统的性能有负面影响。这种负面影响给认证应用中的用户带来了不便。然而，在用户可能故意扭曲其指纹的负面识别场景中，这可能是一个严重的问题，因为扭曲将阻止识别系统识别恶意用户。目前旨在解决这一问题的方法仍有局限性。它们通常是不准确的，因为它们基于输入样本的脊频率图和方向图来估计失真参数，由于失真，这是不可靠的。其次，它们效率不高，需要大量的计算时间来校正样本。在本文中，我们开发了一种基于深度卷积神经网络（DCNN）的校正模型，以准确地估计输入图像的失真参数。使用综合失真样本的综合数据库，DCNN学习准确估计失真基础的速度比以前方法中使用的字典搜索方法快十倍。在公开的失真样本数据库上的实验结果表明，该方法能够显著提高失真样本的匹配性能。
2018-01-03 cs.CV
FDSNet: Finger dorsal image spoof detection network using light field camera
Indian Institute of Technology Mandi（曼迪印度理工学院）
目前，欺骗攻击，通过生物特征系统是潜在的脆弱性，对识别性能提出了很大的挑战。尽管有广泛的呈现攻击检测（PAD）或活性检测算法，但指纹传感器很容易受到假手指的欺骗。在这种情况下，手指背侧图像可以被认为是一种替代方案，其可以在没有太多用户合作的情况下被捕获，并且更适合于户外安全应用。在本文中，我们提出了第一个可行性研究欺骗攻击场景的手指背认证系统，其中包括四种类型的演示攻击，如印刷纸，包装印刷纸，扫描和移动。本研究还提出了一种基于CNN的欺骗攻击检测方法，该方法采用了最先进的深度学习技术以及迁移学习机制。我们收集了来自33名受试者的196张手指背侧真实图像，使用Lytro相机捕获，并创建了一组784张手指背侧欺骗图像。大量的实验结果表明，所提出的方法对各种欺骗攻击的优越性。
2018-12-18 cs.CV
Topological summaries of fingerprint ridge patterns carry identity information
Williams College（威廉姆斯学院）；QSIDE Institute（QSIDE研究所）；University of Colorado Boulder（科罗拉多大学博尔德分校）；San Francisco State University（旧金山州立大学）；Michigan State University（密歇根州立大学）；Macalester College（麦卡莱斯特学院）
本文利用持续同调性提取指纹脊线环的多尺度拓扑摘要，无需细节点检测，在FVC2000 DB1上验证方法达到0.91 AUC，融合最优传输方法在低误接受率下表现最佳。
2026-06-23 cs.CV stat.AP
BEACON: A Multimodal Dataset for Learning Behavioral Fingerprints from Gameplay Data
Computer Science and Engineering Department Thapar Institute of Engineering and Technology（计算机科学与工程系 泰帕尔工程与技术学院）；David R Cheriton School of Computer Science University of Waterloo, Canada（大卫·R·切里顿计算机科学学院 温哥华大学）
BEACON数据集通过高精度运动技能和认知负荷，为行为生物特征的鲁棒性测试提供严格压力测试，支持连续认证、行为建模和多模态学习。
2026-05-15 cs.AI cs.CR cs.CV
