Multispectral Palmprint Recognition Using a Hybrid Feature
Sharif University(谢里夫大学)
身份识别问题是近年来的一个重要研究领域。利用指纹、虹膜、人脸、语音和掌纹的基于生物识别的技术一直是解决这一问题的关注焦点。可以使用掌纹来代替这些生物识别技术中最早的指纹。手掌覆盖着与指尖相同的皮肤,但有更大的表面,比指尖提供更多的信息。手掌的主要特征是掌纹,包括主纹、皱纹和脊纹。使用这些线是解决掌纹识别问题的最流行的方法之一。另一个鲁棒的特征是手掌的小波能量。在本文中,我们使用了一个混合功能,结合了这两个功能。此外,多光谱分析的应用,以提高系统的性能。最后,使用最小距离分类器将测试图像与训练样本进行匹配。该算法在一个著名的多光谱掌纹数据集上进行了测试,平均准确率达到98.8%。
2015-12-11 cs.CV
SpectraIrisPAD: Leveraging Vision Foundation Models for Spectrally Conditioned Multispectral Iris Presentation Attack Detection
Norwegian University of Science and Technology (NTNU)(挪威科学与技术大学);MOBAI AS(MOBAI公司)
SpectraIrisPAD利用视觉基础模型和多光谱数据,提升虹膜呈现攻击检测的鲁棒性和泛化能力。
2025-12-05 cs.CV
Presentation Attack Detection using Convolutional Neural Networks and Local Binary Patterns
North Carolina Agricultural and Technical State University(北卡罗来纳农工州立大学)
本文比较了 Inception-v3、改进的浅层 Spoofnet CNN 和局部二值模式三种方法在人脸与虹膜呈现攻击检测上的表现,并在 ATVS-FIr 和 CASIA 数据集上验证了各自的有效性。
2023-11-23 cs.CR cs.CV cs.LG
Biometric Presentation Attack Detection: Beyond the Visible Spectrum
Universidad Autonoma de Madrid(马德里自治大学);Hochschule Darmstadt(达姆施塔特应用技术大学)
在过去的几年里,在多种场景中对无人值守身份验证的需求不断增加,促使了生物识别系统的广泛部署。这反过来又导致了与生物识别系统具体相关的安全问题的披露。其中,呈现攻击(PA,即,试图用伪造的生物特征或演示攻击工具登录系统)对系统的安全构成严重威胁:任何人最终都可以伪造或订购橡皮手指或面罩来冒充其他人。因此,生物识别社区已经做出了相当大的努力来开发自动呈现攻击检测(PAD)机制,例如通过国际LivDet竞赛。在这种情况下,我们提出了一种新的指纹PAD方案的基础上$i)$一种新的捕获设备,能够在短波红外(SWIR)光谱内获取图像,和$ii)$深入分析几个国家的最先进的技术的基础上手工制作和深度学习功能。该方法进行评估的数据库,包括超过4700个样本,来自562个不同的主题和35个不同的演示攻击工具(PAI)的物种。结果显示了所提出的方法的可靠性,即使在仅出于测试目的考虑五种不同PAI种类的现实场景中,检测相等出错率(D-EER)也低至1.36\%(即,未知的攻击)。
2019-02-28 cs.CV
Introduction to Presentation Attacks in Signature Biometrics and Recent Advances
Universidad Autonoma de Madrid(马德里自治大学)
基于生物特征认证的应用程序在过去几年中受到了很大的关注,因为使用面部或指纹等个人特征获得了惊人的结果。然而,重要的是不要忘记,这些生物识别系统必须承受不同类型的可能攻击。本章分析了在线手写签名验证的不同呈现攻击(PA)场景。这一章的主要贡献是:i)一个更新的概述的代表性方法的呈现攻击检测(PAD)在签名生物特征; ii)的不同级别的PA现有的在线签名验证的信息量的描述,以及培训,努力,和能力,以执行伪造;以及iii)考虑到最近公开可用的签名数据库DeepSignDB和SVC2021_EvalDB,在不同场景下对签名生物特征的系统性能进行评估。这项工作是在共同标准标准化社区对生物识别系统的安全评估的最新努力。
2023-02-16 cs.CV cs.HC
Contactless Fingerprint Biometric Anti-Spoofing: An Unsupervised Deep Learning Approach
West Virginia University(西弗吉尼亚大学)
针对非接触式指纹识别易受呈现攻击、现有反欺骗方法泛化性不足的问题,提出一种结合无监督自编码器与卷积块注意力模块的反欺骗方法,仅用真实样本训练即可有效检测多种欺骗攻击,取得了优异的检测性能。
2023-11-07 cs.AI cs.CR cs.CV
Introduction to Presentation Attack Detection in Iris Biometrics and Recent Advances
Universidad Autonoma de Madrid(马德里自治大学);European Commission - DG Joint Research Centre(欧洲委员会联合研究中心);Hochschule Ansbach(安斯巴赫应用技术大学)
虹膜识别技术在过去的几十年里吸引了越来越多的兴趣,我们见证了从研究实验室到现实世界应用的迁移。这项技术的部署提出了与这些系统相关的主要漏洞和安全威胁的问题。在这些威胁中,演示攻击是最相关和最受研究的。呈现攻击可以被定义为直接向生物识别系统的捕获设备呈现人类特征或伪像,试图干扰其正常操作。在虹膜的情况下,这些攻击包括使用真实的虹膜以及具有不同复杂程度的人工制品,例如照片或视频。本章介绍虹膜呈现攻击检测(PAD)方法,这些方法已被开发用于降低呈现攻击带来的风险。首先,我们总结了最常见的攻击类型,包括需要解决的主要挑战。其次,我们提出了一个分类的表示攻击检测方法作为一个简要介绍这一非常活跃的研究领域。最后,我们讨论了这些方法集成到虹膜识别系统根据最重要的实际应用场景。
2021-11-24 cs.CV
Introduction to Presentation Attack Detection in Face Biometrics and Recent Advances
Universidad Autonoma de Madrid(马德里自治大学);European Commission - DG Joint Research Centre(欧盟委员会联合研究中心)
本章的主要内容是介绍人脸呈现攻击检测,包括过去几年该领域的关键资源和进展。接下来的几页介绍了人脸识别系统可能面临的不同呈现攻击,其中攻击者向传感器呈现,主要是相机,呈现攻击工具(PAI),通常是照片,视频或面具,试图冒充真正的用户。首先,我们介绍了人脸识别的现状,部署水平及其面临的挑战。此外,我们提出的漏洞和可能的攻击,人脸识别系统可能会暴露,显示的方式演示攻击检测方法的高度重要性。我们回顾了不同类型的演示攻击方法,从简单到更复杂的,在这种情况下,他们可能是有效的。然后,我们总结了最流行的演示文稿攻击检测方法来对付这些攻击。最后,我们介绍了研究界使用的公共数据集,用于探索面部生物特征识别对演示攻击的脆弱性,并针对已知的PAI制定有效的对策。
2021-11-26 cs.CV eess.IV
Thermal Features for Presentation Attack Detection in Hand Biometrics
Research and Academic Computer Network(研究与学术计算机网络);Institute of Control and Computation Engineering(控制与计算工程研究院);Warsaw University of Technology(华沙理工大学)
提出了一种利用手部热特征进行呈现攻击检测的方法,该方法可应用于手部生物特征识别系统的流水线中。通过设想我们的系统的两种不同的操作模式,并通过采用基于DCNN的分类器,该分类器通过在可见光和热光谱中捕获的真实和假手表示的数据集进行微调,我们能够带来两个重要的可交付成果。首先,PAD方法在开放集模式下操作,能够正确地辨别100%的假热样本,实现等于0%的攻击呈现分类出错率(APCER)和善意呈现分类出错率(BPCER),其可以容易地作为单独的组件实现到任何现有系统中。第二,手部生物识别系统以封闭模式运行,将PAD内置到识别管道中,并与用户分类同时运行,实现高达99.75%的rank-1识别准确率。我们还表明,热图像的人手,除了他们携带的活性功能,也可以提高分类精度的生物识别系统,当与可见光图像。为了遵循可再现性指南并促进该领域的进一步研究,我们与感兴趣的研究人员分享了训练的模型权重,源代码和新创建的假手表示数据集。
2018-09-12 cs.CV
A Quantitative Method for Shoulder Presentation Evaluation in Biometric Identity Documents
Technical University of Denmark (DTU)(技术大学(丹麦))
针对生物特征身份证件肩部姿态合规性缺乏定量自动评估方法的问题,本文提出SPE算法,仅用两个肩部关键点3D坐标量化肩部姿态,实验证明其评估结果与人工标注相关性强,可有效识别不合规样本,是轻量化的合规检查工具。
2025-11-18 cs.CV
Presentation Attack Detection Methods based on Gaze Tracking and Pupil Dynamic: A Comprehensive Survey
研究目的:在生物识别领域,可见的人类特征很受欢迎,并且可以用于移动设备上的验证和识别。然而,冒名顶替者能够通过创建假的和人工的生物特征来欺骗系统。可见生物识别系统遭受了呈现攻击的高安全风险。研究方法:与此同时,基于挑战的方法,特别是凝视跟踪和瞳孔动态似乎是比其他非接触式生物识别系统更安全的方法。我们回顾现有的工作,探讨视线跟踪和瞳孔动态活性检测。主要结果:本研究分析了视线跟踪和瞳孔动态呈现攻击的各个方面,例如最先进的活性检测算法,各种工件,公共数据库的可访问性,以及该领域的标准化总结。此外,我们讨论了未来的工作和开放的挑战,以创建一个安全的活性检测基于挑战的系统。
2021-12-07 cs.CV
Smartphone Multi-modal Biometric Authentication: Database and Evaluation
Norwegian University of Science and Technology (NTNU)(挪威科技大学);Idiap Research Institute(Idiap研究所);IDEMIA(IDEMIA公司)
基于生物特征的验证被广泛用于智能手机的各种应用,包括金融交易。在这项工作中,我们提出了一个新的多模态生物特征数据集(面部,语音和眼周)使用智能手机获得。新的数据集由150个主题组成,这些主题在六个不同的会话中捕获,反映了智能手机辅助身份验证的真实场景。该数据集的一个独特之处在于,它是在代表不同人口和种族的四个不同地理位置收集的。此外,我们还提出了一个多模态演示攻击(PA)或欺骗数据集使用低成本的演示攻击工具(PAI),如打印和电子显示攻击。新的采集协议和从不同地理位置收集的数据主体的多样性将允许开发用于单峰或多峰生物识别的新算法。此外,我们还报告了新收集的数据集上的基线生物特征验证和呈现攻击检测(PAD)的性能评估。
2019-12-05 cs.CV
PAD-Phys: Exploiting Physiology for Presentation Attack Detection in Face Biometrics
Universidad Autonoma de Madrid(马德里自治大学);Veridas Digital Authentication Solutions(Veridas数字认证解决方案公司)
针对人脸呈现攻击检测问题,提出三种基于rPPG的检测方法,其中结合生理域与Deepfakes域迁移学习的呈现攻击域可使ACER下降21.70%,验证了迁移学习的有效性。
2023-10-03 cs.CV
Mitigating Presentation Attack using DCGAN and Deep CNN
University of Wisconsin Eau Claire(威斯康星大学欧克莱尔分校)
基于生物特征的身份认证目前在传统的身份认证系统中扮演着重要的角色,然而,呈现攻击的风险随之上升。我们的研究旨在确定的领域,演示攻击可以防止即使足够的生物特征图像样本的用户是有限的。我们的工作重点是通过实现深度卷积生成对抗网络(DCGAN)从真实图像集生成逼真的合成图像。我们已经实现了时间和空间增强过程中的假图像生成。我们的工作使用我们的深度CNN检测面部和虹膜图像上的呈现攻击,灵感来自VGGNet [1]。我们将深度神经网络技术应用于三种不同的生物特征图像数据集,即MICHE I [2],VISOB [3]和UBIPr [4]。本研究中使用的数据集包含在受控和非受控环境中捕获的图像,以及不同的分辨率和大小。我们在UBI-Pr [4] Iris数据集上获得了97%的最佳测试准确度。对于MICHE-I [2]和VISOB [3]数据集,我们分别实现了95%和96%的测试准确率。
2022-06-22 cs.AI cs.CV
A Comprehensive Evaluation on Multi-channel Biometric Face Presentation Attack Detection
Idiap Research Institute(Idiap研究所)
面对呈现攻击的脆弱性是破坏人脸识别系统广泛部署的关键问题。虽然呈现攻击检测(PAD)系统试图解决这个问题,缺乏泛化和鲁棒性仍然是一个主要问题。几项研究表明,使用多通道PAD系统可以减轻这种脆弱性,并使系统更加强大。但是,PAD系统有多种通道可供选择,例如RGB、近红外、短波红外、深度和热传感器。拥有大量传感器会增加系统的成本,因此在选择模态时,需要了解不同传感器针对各种攻击的性能。在这项工作中,我们进行了全面的研究,以了解各种成像方式的有效性PAD。这些研究是在多通道PAD数据集上进行的,该数据集使用14种不同的传感方式收集,考虑了广泛的2D,3D和部分攻击。我们使用了基于多通道卷积网络的架构,该架构使用逐像素的二进制监督。该模型已被评估与不同的通道组合,不同的图像质量上的各种具有挑战性的已知和未知的攻击协议。结果揭示了有趣的趋势,并可以作为安全关键的演示攻击检测系统的传感器选择指针。复制结果的源代码和协议是公开的,这使得将这项工作扩展到其他架构成为可能。
2022-02-21 cs.CV
Generalized Iris Presentation Attack Detection Algorithm under Cross-Database Settings
IIIT-Delhi(德里印度理工学院);Texas A&M University, Kingsville(金斯维尔得克萨斯农工大学);IIT Jodhpur(焦特布尔印度理工学院)
呈现攻击对大多数生物识别方式构成了重大挑战。虹膜识别被认为是用于个人身份识别的最准确的生物特征模式之一,也被证明容易受到高级呈现攻击,例如3D隐形眼镜和纹理镜片。虽然在文献中,提出了几种呈现攻击检测(PAD)算法;一个显着的限制是对看不见的数据库,看不见的传感器,和不同的成像环境的概括性。为了应对这一挑战,我们提出了一种基于广义深度学习的PAD网络MVANet,它利用了多个表示层。它的灵感来自于混合算法或多个检测网络的融合的简单性和成功性。计算复杂性是训练深度神经网络的一个重要因素;因此,为了在学习多个特征表示层时降低计算复杂性,使用了固定基础模型。在跨数据库训练测试环境下,在IIITD-WVU MUIPA和IIITD-CLI数据库等多个数据库上验证了该网络的性能,以评估该算法的泛化能力.
2020-10-25 cs.CR cs.CV
Face Presentation Attack Detection
Nanyang Technological University(南洋理工大学);SailYond Technology(赛扬科技);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences(中国科学院香港创新研究院)
人脸识别技术因其便捷性和高准确性,在值机、移动支付等日常交互应用中得到了广泛应用。然而,它的脆弱性表示攻击(PA)限制了其在超安全的应用场景中的可靠使用。呈现攻击首先在ISO标准中被定义为:以干扰生物特征系统的操作为目标的对生物特征数据捕获子系统的呈现。具体来说,PA的范围从简单的2D打印,重放到更复杂的3D掩模和部分掩模。为了保护面部识别系统免受PA的攻击,学术界和工业界都广泛关注开发面部呈现攻击检测(PAD)技术(或称为“面部反欺骗”)。
2022-12-07 cs.CV
A Novel Active Solution for Two-Dimensional Face Presentation Attack Detection
Macquarie University(麦考瑞大学)
身份认证是验证个人身份的过程。身份认证方法有多种,其中生物特征认证是最重要的。面部识别是一种具有各种应用的生物特征认证,例如解锁手机和访问银行账户。然而,呈现攻击对面部识别构成了最大的威胁。呈现攻击是一种尝试向摄像头呈现非实时人脸的攻击,例如照片、视频、面具和化妆品。呈现攻击检测是一种对策,它试图识别真正的用户和呈现攻击。金融服务、医疗保健和教育等多个行业在各种设备上使用生物识别认证服务。这说明了呈现攻击检测作为验证步骤的重要性。在本文中,我们研究了最先进的技术,以涵盖与演示攻击检测相关的挑战和解决方案。我们识别和分类不同的演示攻击类型,并确定可用于检测每种攻击的最先进方法。我们比较了有关攻击类型、评估指标、准确性和数据集的最新文献,并讨论了演示攻击检测的研究和行业挑战。大多数演示攻击检测方法依赖于大量的数据训练和质量,这使得它们难以实现。我们介绍了一种有效的主动呈现攻击检测方法,克服了现有文献中的弱点。所提出的方法不需要训练数据,是CPU轻,可以处理低质量的图像,已与不同年龄的用户进行了测试,并被证明是用户友好的和高度鲁棒的二维演示攻击。
2022-12-14 cs.AI cs.CV
Texture-based Presentation Attack Detection for Automatic Speaker Verification
Hochschule Darmstadt(达姆施塔特应用技术大学);EURECOM(欧洲通信学院);Hochschule Ansbach(安斯巴赫应用技术大学)
如今,生物识别系统在广泛的应用中被采用。它们提供高安全性和高效率,并且在许多情况下是用户友好的。尽管有这些和其他优点,一般的生物特征系统和特别是自动说话者验证(ASV)系统可能容易受到攻击呈现。最近的ASVSpoof 2019竞赛表明,大多数形式的攻击都可以通过基于集成分类器的呈现攻击检测(PAD)方法可靠地检测到。然而,这些从根本上取决于系综中系统的互补性。为了提高PAD解决方案的通用性,本文报告了我们对纹理描述符应用于语音谱图图像分析的探索。特别是,我们提出了一个共同的Fisher向量特征空间的基础上生成模型。实验结果表明,我们的方法的合理性:在100个真正的演示文稿中,最多有16个被拒绝,而只有一个在100个攻击演示文稿被接受。
2020-10-08 cs.CV cs.LG cs.SD
FaceSpoof Buster: a Presentation Attack Detector Based on Intrinsic Image Properties and Deep Learning
Federal Institute of São Paulo (IFSP)(圣保罗联邦理工学院);University of Campinas (UNICAMP)(坎皮纳斯大学)
如今,生物特征认证系统通常采用面部识别,主要是因为这是最容易获得的生物特征模式之一。依赖于通过使用伪造的生物特征样本(例如打印的纸张或真实访问的记录视频)侵入这些类型的系统的技术被称为呈现攻击,但在文献中也可以被称为面部欺骗。呈现攻击检测是防止这种对受限区域和/或设备的未授权访问的关键步骤。在本文中,我们提出了一种新的方法,该方法依赖于内在图像属性和深度神经网络之间的组合来检测演示攻击尝试。我们的方法探索深度,显着性和照明地图,与预先训练的卷积神经网络,以产生强大的和判别功能。这些属性中的每一个都被单独分类,在过程的最后,它们被Meta学习分类器组合在一起,这在PAD最流行的数据集上取得了出色的结果。结果表明,所提出的方法是能够超越国家的最先进的结果,在一个数据集间的协议,这被定义为最具挑战性的文献。
2019-02-07 cs.CV
On the Generalisation Capabilities of Fingerprint Presentation Attack Detection Methods in the Short Wave Infrared Domain
Hochschule Darmstadt(达姆施塔特应用科学大学);Hochschule Ansbach(安斯巴赫应用科学大学)
如今,基于指纹的生物识别系统变得越来越流行。然而,尽管它们有许多优点,但生物特征捕获设备通常暴露于公众,因此容易受到呈现攻击(PA)。因此,呈现攻击检测(PAD)方法是至关重要的,以区分善意和攻击呈现。由于创建新的呈现攻击工具(PAI)的可能性几乎是无限的,未知的攻击是对现有PAD算法的威胁。这一事实激励了对泛化能力的研究,以找到对新攻击有弹性的PAD方法。在这种情况下,我们评估了19,711个真实和4,339个PA样本(包括45种不同的PAI)数据集上多种PAD算法的通用性。在短波红外域中捕获PAD数据,结果讨论了这种PAD技术对于未知攻击的优点和缺点。
2021-01-11 cs.CV
Demographic Bias in Presentation Attack Detection of Iris Recognition Systems
Fraunhofer Institute for Computer Graphics Research IGD(弗劳恩霍夫计算机图形研究所 IGD);TU Darmstadt(达姆施塔特工业大学)
随着生物识别系统的广泛使用,人口统计偏差问题引起了更多的关注。虽然许多研究解决了生物特征验证中的偏差问题,但还没有分析呈现攻击检测(PAD)决策中的偏差的作品。因此,我们调查和分析虹膜PAD算法在本文中的人口偏见。为了进行清晰的讨论,我们将差异绩效和差异结果的概念适用于PAD问题。我们使用NDCLD-2013数据库,使用三个基线(手工制作,迁移学习和从头开始培训)研究虹膜PAD的偏差。实验结果指出,与男性相比,女性用户受到PAD的保护明显较少。
2020-07-03 cs.CV
Anomaly Detection with Convolutional Autoencoders for Fingerprint Presentation Attack Detection
Hochschule Darmstadt(达姆施塔特应用科学大学);Hochschule Ansbach(安斯巴赫应用科学大学);NTNU(挪威科技大学)
近年来,基于指纹的生物识别认证系统的普及程度显著提高。然而,尽管有许多优点,生物识别系统仍然容易受到呈现攻击(PA)。特别是,这适用于无监督的应用程序,其中可能发生系统操作员未知的新攻击。因此,呈递攻击检测(PAD)方法用于确定样品是否来源于真正的受试者或呈递攻击工具(PAI)。在这种情况下,大多数作品都致力于将PAD作为两类分类问题来解决,其中包括在真实和PA样本上训练模型。尽管报告了良好的检测率,但这些方法仍然面临从未知材料中检测PAI的困难。为了解决这个问题,我们提出了一种新的PAD技术的基础上的自动编码器(AE)只训练真正的样本(即一类),这是在短波红外域捕获。在包括45种不同PAI种类的19,711个真实PA图像和4,339个PA图像的数据库上的实验评估中,实现了2.00%的检测等出错率(D-EER)。此外,我们最好的AE模型进行比较,进一步一类分类器(支持向量机,高斯混合模型)。结果表明,AE模型的有效性,因为它显着优于以前提出的方法。
2020-10-19 cs.CV cs.LG
Intentional Electromagnetic Interference Attacks on Facial Recognition
University of Notre Dame(圣母大学);Naval Surface Warfare Center, Crane Division(海军水面作战中心克兰分部)
研究面部识别中针对生物识别传感器物理到数字管道漏洞的攻击。核心方法是用常见射频设备进行有意电磁干扰,评估先进人脸识别方法的鲁棒性,并提供相关数据集。主要贡献是提供测试面部识别系统抗硬件攻击的标准化方法及新基准。
2026-07-20 cs.CR cs.CV cs.LG
Deep Features for Contactless Fingerprint Presentation Attack Detection: Can They Be Generalized?
Norwegian University of Science and Technology(挪威科技大学)
本文比较了七种预训练CNN和一种ViT在非接触式指纹呈现攻击检测上的泛化能力,通过留一法实验表明ResNet50对未见过的攻击仪器具有最佳泛化性能。
2023-07-04 cs.CV
Presentation Attack Detection with Advanced CNN Models for Noncontact-based Fingerprint Systems
Clarkson University(克拉克森大学)
基于触摸的指纹生物识别是最流行的生物识别方式之一,在多个领域中有应用。与基于触摸的技术相关的问题,例如由于许多人触摸同一表面而导致的潜在指纹和卫生问题的存在,促使社区寻找基于非接触的解决方案。在过去的几年里,非接触式指纹系统正在兴起,因为它能够将任何带有摄像头的设备变成指纹识别器。然而,在我们能够充分利用非接触式方法的好处之前,生物识别社区需要解决一些问题,例如系统对呈现攻击的弹性。主要障碍之一是公开数据集有限,伪造数据和实时数据不足。在这份出版物中,我们开发了一个包含7500多个四指图像和14,000多个手动分割的单指尖图像以及10,000个合成指尖(deepfakes)的演示攻击检测(PAD)数据集。PAD数据集是根据FIDO协议从三种不同难度级别的六种不同呈现攻击工具(PAI)收集的,具有五种不同类型的PAI材料,以及具有手动对焦的不同智能手机相机。我们利用DenseNet-121和NasNetMobile模型以及我们提出的数据集开发PAD算法,并实现了攻击呈现分类出错率(APCER)0.14\%和Bonafide呈现分类出错率(BPCER)0.18\%的PAD准确率。我们还报告了模型对看不见的欺骗类型的测试结果,以复制不确定的真实世界的测试场景。
2023-03-09 cs.CV
Authentication Attacks on Projection-based Cancelable Biometric Schemes
Université Clermont-Auvergne(克莱蒙奥弗涅大学);CNRS(法国国家科学研究中心);Mines de Saint-Étienne(圣艾蒂安高等矿业学校);LIMOS(图像与系统建模与优化实验室);LMBP(布莱士·帕斯卡数学实验室)
可取消的生物特征方案旨在通过将用户特定的令牌(例如密码、存储的秘密或盐)与生物特征数据一起生成安全的生物特征模板。这种类型的变换被构造为生物统计变换与特征提取算法的组合。可撤销生物特征识别方案的安全性要求涉及模板的不可逆性、不可链接性和可重复性,同时不损失比较的准确性。虽然最近有几个方案针对这些要求进行了攻击,但据我们所知,这种组合的完全可逆性,以产生冲突的生物特征,特别是呈现攻击,从未得到证明。在本文中,我们形式化这些攻击传统的可取消计划的帮助下,整数线性规划(ILP)和二次约束二次规划(QCQP)。解决这些优化问题允许对手稍微改变其指纹图像,以冒充任何个人。此外,在更严重的情况下,有可能同时模拟多个人。
2022-07-18 cs.CR cs.CV
Facial Behavior Analysis using 4D Curvature Statistics for Presentation Attack Detection
Friedrich Schiller University Jena(弗里德里希·席勒大学耶拿分校)
人脸具有许多独特的特征,在生物特征识别方面具有很大的潜力。与此同时,这种身份很容易受到生物特征复制的影响。这些呈现攻击在无监督认证设置中构成了巨大的挑战。作为一种对策,我们提出了一种方法,自动分析的面部行为的基础上的序列的3D人脸扫描的可扩展性。一个紧凑的特征表示措施面部行为使用的时间曲率变化。最后,我们训练我们的方法,只有真正的脸在异常检测的情况下。我们的方法可以检测演示攻击使用弹性3D面具,弯曲的照片与眼睛孔,并监视重放攻击。为了进行评估,我们使用高质量的3D传感器记录了一个包含此类病例的具有挑战性的数据库。它具有109个4D面部扫描,包括11种不同类型的演示攻击。APCER和BPCER的出错率分别为11%和6%。
2021-08-10 cs.CV
Robust Face Liveness Detection for Biometric Authentication using Single Image
Rakuten Group Inc.(乐天集团)
针对人脸识别系统易受呈现攻击的漏洞,本文提出一种轻量级CNN框架,利用单图像快速识别多种2D欺骗攻击,并构建了含500多个视频的新数据集以验证其有效性。
2025-11-04 cs.CV
VoxAtnNet: A 3D Point Clouds Convolutional Neural Network for Generalizable Face Presentation Attack Detection
Norwegian University of Science and Technology (NTNU)(挪威科技大学);Goa University(果阿大学);AiBA AS(AiBA AS公司)
针对智能手机人脸识别易受3D面具等呈现攻击的问题,提出基于3D点云体素化与卷积注意力网络的PAD算法VoxAtnNet,在3480样本数据集上经三种协议验证,对已知和未知攻击检测性能均有提升。
2024-04-19 cs.CR cs.CV
Deep convolutional neural networks for face and iris presentation attack detection: Survey and case study
Ain Shams University(艾因夏姆斯大学);The American University in Cairo(开罗美国大学)
生物特征呈现攻击检测越来越受到关注。移动设备的用户发现使用手指、面部或虹膜识别而不是密码来解锁他们的智能应用程序更方便。在本文中,我们调查的方法在最近的文献中提出的检测人脸和虹膜呈现攻击。具体来说,我们研究了微调非常深的卷积神经网络的人脸和虹膜反欺骗任务的有效性。我们在六个公开的基准数据集上比较了两种不同的微调方法。结果表明,这些深度模型在学习区分特征方面是有效的,这些特征可以以非常低的出错率区分真实和伪造的生物特征图像。对人脸PAD的跨数据集评估显示出比现有技术更好的泛化能力。我们还对虹膜PAD数据集进行了跨数据集测试,其出错率相等,这在以前的文献中没有报道。此外,我们建议使用一个经过训练的深度网络来检测人脸和虹膜攻击。与仅单独训练一种生物特征的网络相比,我们没有注意到准确性下降。最后,我们分析了网络学习的特征,与图像频率分量相关,以证明其预测决策的合理性。
2020-04-29 cs.CV
A Universal Anti-Spoofing Approach for Contactless Fingerprint Biometric Systems
West Virginia University(西弗吉尼亚大学)
针对非接触式指纹易受欺骗的问题,提出基于StyleGAN生成合成指纹并训练半监督ResNet-18模型,结合Arcface和Center损失及正则化进行通用呈现攻击检测,在未见攻击上取得低错误率。
2023-10-23 cs.AI cs.CV
On the Generalisation Capabilities of Fisher Vector based Face Presentation Attack Detection
Hochschule Darmstadt(达姆施塔特应用科学大学);Hochschule Ansbach(安斯巴赫应用科学大学)
在过去的几十年里,生物识别系统经历的广泛发展已经揭示了几个可能降低其可信度的威胁。这些是攻击演示,可以很容易地由未经授权的主体进行,以获得对生物识别系统的访问。为了减轻这些安全问题,大多数面部呈现攻击检测技术在已知的呈现攻击工具(PAI)和采集条件下进行评估时报告了良好的检测性能,与测试集中包含未知攻击的更具挑战性的场景相反。对于这些更现实的情况下,现有的算法面临的困难,以检测未知的PAI物种在许多情况下。在这项工作中,我们使用一个新的特征空间的基础上Fisher向量,计算从紧凑的二值化统计图像特征直方图,它允许发现语义特征子集从已知的样本,以提高检测未知的攻击。这种新的表示方法,针对来自免费提供的面部数据库的挑战性未知攻击进行了评估,显示出有希望的结果:在存在未知攻击的情况下,可以实现低于17%的BPCER 100以及超过98%的AUC。此外,通过训练有限数量的参数,我们的方法能够实现最先进的基于深度学习的跨数据集场景方法。
2021-03-02 cs.CV cs.IT cs.LG
Deep Pixel-wise Binary Supervision for Face Presentation Attack Detection
Idiap Research Institute(Idiap研究所)
人脸识别已经发展成为一种重要的生物特征认证方式。然而,呈现攻击的脆弱性限制了其可靠的部署。自动检测呈现攻击对于在无人值守场景中安全使用人脸识别技术至关重要。在这项工作中,我们引入了一个基于卷积神经网络(CNN)的框架,用于演示攻击检测,具有深度像素监督。该框架仅使用帧级信息,使其适合于部署在智能设备中,具有最小的计算和时间开销。我们证明了所提出的方法在公共数据集内以及跨数据集实验的有效性。所提出的方法在Replay Mobile数据集中实现了0%的HTER,在OULU数据集的Protocol-1中实现了0.42%的ACER,优于现有技术的方法。
2019-07-09 cs.CR cs.CV
Synthetic Periocular Iris PAI from a Small Set of Near-Infrared-Images
Hochschule Darmstadt(达姆施塔特应用科学大学);Universidad de Santiago-Chile(智利圣地亚哥大学);Universidad Adolfo Ibañez(阿道夫·伊瓦涅斯大学)
生物识别技术的相关性越来越高,因为它可以用于多种应用,例如访问控制。不幸的是,随着生物识别应用程序的部署增加,我们观察到攻击的增加。因此,检测这种攻击的算法(呈现攻击检测(PAD))的相关性一直在增加。LivDet-2020竞赛专注于呈现攻击检测(PAD)算法,但仍存在一些问题,特别是对于未知的攻击场景。为了提高生物特征识别系统的鲁棒性,改进PAD方法至关重要。这可以通过增加用于训练这种算法的呈现攻击工具(PAI)和真实图像的数量来实现。不幸的是,捕获和创建演示攻击工具,甚至捕获真实图像有时很难实现。本文提出了一种新的PAI综合创建(SPI-PAI)使用四个国家的最先进的GAN算法(cGAN,WGAN,WGAN-GP和StyleGAN 2)和一个小的一组眼周近红外图像。GAN算法之间的基准是使用生成的图像和用于训练的原始图像之间的Frechet初始距离(FID)来执行的。LivDet-2020竞赛报告的最佳PAD算法使用StyleGAN 2算法获得的合成PAI为我们进行了测试。令人惊讶的是,PAD算法无法将合成图像检测为呈现攻击,并将所有图像归类为真实图像。这些结果证明了合成图像欺骗呈现攻击检测算法的可行性,以及需要用大量图像和PAI场景不断更新和训练这些算法。
2021-07-26 cs.CV
A Comprehensive Overview of Biometric Fusion
IIIT Delhi(德里印度理工学院);Michigan State University(密歇根州立大学)
依赖于单一生物计量模态的生物计量系统的性能(例如,仅指纹)经常受到各种因素的阻碍,例如较差的数据质量或有限的可扩展性。多生物识别系统利用融合的原理来组合来自多个来源的信息,以提高识别精度,同时解决单生物识别系统的一些局限性。在过去的二十年里,已经见证了大量的生物特征融合方案的发展。本文介绍了生物特征融合的概述,具体集中在三个问题:融合什么,何时融合,以及如何融合。一个全面的审查技术,将辅助信息的生物识别管道。在这方面,讨论了以下主题:(i)将数据质量纳入生物特征识别管道;(ii)将软生物特征属性与主要生物特征标识符相结合;(iii)利用上下文信息提高生物特征识别准确性;以及(iv)使用辅助信息执行连续认证。此外,还讨论了信息融合原理在演示攻击检测和多生物特征密码系统中的应用。最后,列举了生物特征融合的一些研究挑战。本文的目的是为读者提供一个全面的概述信息融合在生物识别中的作用。
2019-02-08 cs.CV
in-Car Biometrics (iCarB) Datasets for Driver Recognition: Face, Fingerprint, and Voice
Idiap Research Institute(伊迪亚普研究所)
该研究提出包含人脸、指纹、语音三种模态的车内生物特征iCarB数据集,解决现有车载数据集模态单一问题,可用于识别系统评估、多模态算法训练等,助力生物特征研究。
2024-11-26 cs.CV
Explainable Face Presentation Attack Detection via Ensemble-CAM
针对深度学习人脸呈现攻击检测系统的黑盒不透明问题,提出Ensemble-CAM技术提供决策视觉解释,以提升系统的透明度与可信度。
2025-10-22 cs.CV
Benchmarking Foundation Models for Zero-Shot Biometric Tasks
Department of Computer Science and Engineering(计算机科学与工程系)
本文提出了一个全面的基准测试,评估41个VLMs在人脸和虹膜等六项生物识别任务中的零样本和少样本性能,发现无需微调即可达到高TMR,并验证了预训练模型在通用人工智能中的潜力。
2025-05-30 cs.AI cs.CV
Detecting Finger-Vein Presentation Attacks Using 3D Shape & Diffuse Reflectance Decomposition
Norwegian Biometrics Laboratory(挪威生物识别实验室);NTNU(挪威科技大学)
尽管具有很高的生物特征性能,但手指静脉识别系统容易受到呈现攻击(又名,欺骗攻击)。在本文中,我们提出了一种新的和强大的方法来检测演示攻击手指静脉生物识别系统利用三维形状(正常地图)和材料属性(扩散地图)的手指。观察的法线地图和扩散地图表现出增强的纹理差异与原始的手指静脉图像相比,特别是在存在不同的照明强度,我们建议采用纹理特征描述符对他们两个独立的。这些特征随后用于使用支持向量机(SVM)分类器来计算分离超平面,该分类器用于独立地从法线映射和扩散映射计算的特征。给出了每个分类器的法线映射和扩散映射的分数,我们提出了基于求和规则的分数级融合,使这种呈现攻击的检测更加鲁棒。为此,我们构建了一个新的数据库的手指静脉图像采集使用自定义捕获设备与三个内置照明和验证所提出的方法的适用性。新收集的数据库包括936幅图像,其中对应468幅真实图像和468幅伪影图像。我们建立了所提出的方法的优越性,它与经典的纹理特征描述符直接应用于手指静脉图像的基准。与传统方法相比,该方法的攻击呈现分类出错率(APCER)和真实呈现分类出错率(BPCER)均为0%,优于传统方法。
2019-12-03 cs.CV eess.IV
Multimodal Models Meet Presentation Attack Detection on ID Documents
Security Research Group Hochschule Darmstadt, Germany
本文探讨了将视觉和文本模态结合,利用预训练多模态模型提升身份证文档呈现攻击检测性能,但实验表明这些模型在该任务上表现不足。
2026-03-31 cs.CV
Enabling Fingerprint Presentation Attacks: Fake Fingerprint Fabrication Techniques and Recognition Performance
University of Salzburg(萨尔茨堡大学)
伪造指纹对基于指纹的身份认证系统构成了严重的威胁。尽管呈现攻击检测技术(其通常直接集成到指纹扫描仪设备中)有进步,但许多指纹扫描仪仍然容易受到使用物理假指纹表示的呈现攻击的影响。在这项工作中,我们评估了五种不同的商业现成的指纹扫描仪基于不同的传感技术,包括光学,光学多光谱,无源电容,有源电容和热关于他们的敏感性演示攻击使用假指纹表示。几种不同的材料来创建假代表进行测试和评估,包括蜡,铸造,乳胶,硅胶,不同类型的胶水,窗口颜色,建模粘土,定量评估包括评估从假表示捕获的样本的指纹质量以及比较实验,其中假表示与对应的真实指纹的所实现的匹配分数指示虚假陈述的有效性。我们的结果证实,除了一个测试设备外,所有测试设备都对至少一种类型/材料的假指纹表示敏感。
2020-12-01 cs.CV
Statistical Meta-Analysis of Presentation Attacks for Secure Multibiometric Systems
University of Cagliari(卡利亚里大学)
先前的工作已经表明,多生物特征系统容易受到呈现攻击,假设他们的匹配分数分布与真实用户的匹配分数分布相同,而不制造任何虚假特征。我们最近表明,这种假设并不代表当前的指纹和人脸呈现攻击,导致人们高估了多生物识别系统的脆弱性,并设计不太有效的融合规则。在本文中,我们通过提出一个面部和指纹呈现攻击的统计元模型来克服这些限制,该模型描述了更广泛的假分数分布,包括已知和潜在未知攻击的分布。这使我们能够对多生物识别系统进行全面的安全评估,以对抗演示攻击,量化它们的脆弱性如何在设计过程中考虑的攻击不同的情况下也会有所不同,通过不确定性分析。我们的经验表明,我们的方法可以可靠地预测多生物识别系统的性能,即使在以前从未见过的人脸和指纹呈现攻击,和使用我们的方法设计的安全融合规则可以表现出改进的性能之间的权衡在没有和存在的攻击。最后,我们认为,我们的方法可以扩展到其他生物特征,除了人脸和指纹。
2016-09-06 cs.CR cs.CV
A Multi-domain Image Translative Diffusion StyleGAN for Iris Presentation Attack Detection
Michigan State University(密歇根州立大学)
提出MID-StyleGAN框架,结合扩散模型与GAN生成多域合成眼部图像,缓解虹膜PAD数据稀缺,在LivDet2020上将1%误检率下的真实检测率从93.41%提升至98.72%。
2025-10-16 cs.CV
Review of the Fingerprint Liveness Detection (LivDet) competition series: 2009 to 2015
University of Cagliari(卡利亚里大学);Clarkson University(克拉克森大学)
欺骗攻击是呈现攻击的一个子集,是使用生物特征的人工复制品试图绕过生物特征传感器。活体检测或呈现攻击检测区分活体和假生物特征,并且基于以下原理:可以在标准认证系统获得的数据之上和之外收集额外信息,以确定生物特征测量是否是真实的。活体检测(LivDet)竞赛的目标是比较基于软件的指纹活体检测和伪影检测算法(第1部分),以及结合活体检测或伪影检测功能的指纹系统(第2部分),使用标准化的测试协议和大量的欺骗和现场测试。竞赛面向所有拥有基于软件或基于系统的指纹活性检测解决方案的学术和工业机构。LivDet竞赛已于2009年,2011年,2013年和2015年举办,并已证明自己提供了对活性检测方案的当前技术水平的重要了解。LivDet竞赛的参与者数量显著增加,而竞赛之间的出错率也显著下降。参与者已经从四个增加到最近的十三个指纹第1部分的提交。指纹第2部分在2011年和2013年的每项比赛中都保持稳定的两项参赛作品,2015年版只有一项。竞争对手的不断增加表明人们对该主题的兴趣越来越大。
2016-09-06 cs.CV
Synthesizing Iris Images using Generative Adversarial Networks: Survey and Comparative Analysis
Michigan State University(密歇根州立大学)
本文综述并比较多种基于GAN的合成虹膜图像生成方法,从真实性、独特性和生物特征效用评估其对虹膜识别与攻击检测的价值。
2024-05-11 cs.CV
mEBAL2 Database and Benchmark: Image-based Multispectral Eyeblink Detection
Universidad Autonoma de Madrid(马德里自治大学)
本文提出最大的多光谱眨眼数据库mEBAL2,并基于卷积神经网络构建眨眼检测基准,通过结合RGB与NIR图像提升检测性能,泛化能力在HUST-LEBW数据集上得到验证。
2024-04-26 cs.CV cs.HC
CNN Hyperparameter tuning applied to Iris Liveness Detection
Federal University of Paraná(巴拉那联邦大学);Pontifical Catholic University of Paraná(巴拉那天主教大学)
虹膜模式由于其高水平的稳定性和唯一性而显著地改善了生物特征识别领域。这种物理特征在安全和其他相关领域中发挥了重要作用。然而,呈现攻击,也称为欺骗技术,可以用来绕过生物识别系统与文物,如印刷图像,人造眼睛,和纹理隐形眼镜。为了提高这些系统的安全性,人们提出了许多活性检测方法,并于2013年发起了第一届国际虹膜活性检测竞赛,以评估其有效性。在本文中,我们提出了一个超参数调整的CASIA算法,由中国科学院提交给第三届虹膜活性检测竞赛,在2017年。提出的修改促进了整体改进,具有8.48%的攻击呈现分类出错率(APCER)和0.18%的Bonafide呈现分类出错率(BPCER),用于评估组合数据集。对其他阈值进行了评价,试图减少所评价数据集上APCER和BPCER之间的权衡,并成功得出。
2020-02-12 cs.CV
Synthetic ID Card Image Generation for Improving Presentation Attack Detection
Hochschule Darmstadt(达姆施塔特应用科学大学);TOC Biometrics Company(TOC生物识别公司)
目前,访问在线服务以进行以前需要亲自出席的活动越来越普遍。从银行业务到签证申请,大量流程已实现数字化,特别是自COVID-19大流行以来,需要对用户进行远程生物特征认证。不利的一面是,一些主体打算通过使用伪造的身份证件(如护照和身份证)来干扰远程系统的正常运行,以谋取个人利益。在文献中已经提出了检测此类欺诈的深度学习解决方案。然而,由于隐私问题和个人身份文件的敏感性,开发具有必要数量的样本的数据集来训练深度神经网络是具有挑战性的。这项工作探讨了三种方法来综合生成身份证图像,以增加数据量,同时训练欺诈检测网络。这些方法包括计算机视觉算法和生成对抗网络。我们的研究结果表明,数据库可以补充与合成图像没有任何损失的性能的打印/扫描演示攻击工具种类(PAIS)和屏幕捕获PAIS的性能损失1%。
2022-10-31 cs.CR cs.CV
Grains of Saliency: Optimizing Saliency-based Training of Biometric Attack Detection Models
University of Notre Dame(圣母大学)
本文研究基于人类视觉显著性的生物特征攻击检测模型训练中显著性粒度的影响,通过探索多种粒度水平和简单有效的后处理技术,在多个CNN上提升了PAD与合成人脸检测的泛化能力。
2024-05-01 cs.CV
Detection of T-shirt Presentation Attacks in Face Recognition Systems
Computer Science, Hochschule Darmstadt(达姆施塔特应用科学大学计算机科学系)
本文提出基于空间一致性检查的检测方法,用于识别T恤展示攻击,通过分析人脸和人物的空间位置以提高系统安全性。
2026-04-21 cs.CV
Synthetic Iris Presentation Attack using iDCGAN
West Virginia University(西弗吉尼亚大学);IIIT Delhi(印度德里信息技术研究所)
虹膜生物识别模式的可靠性和准确性促使其在边境控制和国家ID项目等关键应用中的大规模部署。虹膜识别系统的广泛发展已经引起了对这些系统对各种攻击的敏感性的担忧。在过去,研究人员已经研究了各种虹膜呈现攻击的影响,如纹理隐形眼镜和打印攻击。在这项研究中,我们提出了一种新的呈现攻击使用基于深度学习的合成虹膜生成。利用深度卷积生成对抗网络的生成能力和虹膜质量指标,我们提出了一个新的框架,命名为iDCGAN(虹膜深度卷积生成对抗网络),用于生成逼真的合成虹膜图像。我们证明了这些综合生成的虹膜图像作为演示攻击虹膜识别的效果,通过使用商业系统。最先进的演示攻击检测框架,MANUST被用来分析它是否可以区分这些合成生成的虹膜图像从真实图像。实验结果表明,减轻所提出的合成演示攻击是至关重要的。
2017-10-29 cs.CV
Improving Presentation Attack Detection for ID Cards on Remote Verification Systems
Hochschule Darmstadt(达姆施塔特应用科学大学);TOC Biometrics R&D Center(TOC生物识别研发中心)
本文提出了一种基于MobileNetV 2的身份证远程生物认证系统的两阶段端到端呈现攻击检测方法。使用了几种呈现攻击种类,例如使用不同捕获源的印刷、显示、复合(基于裁剪和拼接区域)、塑料(PVC)和合成ID卡图像。该提案是在第三方公司的支持下,使用由190.000个真实智利身份证图像组成的数据库开发的。此外,还开发了一个名为PyPAD的新框架,用于估计符合ISO/IEC 30107-3标准的多类指标,并将用于研究目的。我们的方法分别在两个卷积神经网络上进行训练,对身份证攻击的BPCER \textsubscript{100}得分分别为1.69%和2.36%。同时使用两种模型的两阶段方法可以达到0.92\%的BPCER \textsubscript{100}评分。
2023-01-23 cs.CV
Understanding Cross Domain Presentation Attack Detection for Visible Face Recognition
University of Nebraska-Lincoln(内布拉斯加大学林肯分校)
人脸签名,包括大小、形状、纹理、肤色、眼睛颜色、外观和疤痕/标记,被广泛用作用于访问控制的有区别的生物特征信息。尽管面部识别系统最近取得了进步,但对面部识别系统的呈现攻击已经变得越来越复杂。检测演示攻击或欺骗尝试的能力是面部识别系统的完整性,安全性和信任的紧迫问题。先前已经引入了多光谱成像作为通过利用对电磁频谱的不同区域敏感的传感器(例如,可见光、近红外、长波红外)。虽然多光谱呈现攻击检测系统可以是有区别的,但是对附加传感器和计算资源的需要实质上增加了复杂性和成本。相反,我们提出了一种方法,在训练过程中利用红外图像的信息,以提高基于可见光的演示攻击检测系统的可分辨性。我们介绍了(1)一个新的跨域演示攻击检测框架,它只使用可见光谱图像来增加善意和演示攻击的可分离性,(2)一种逆域正则化技术,用于在优化我们的跨域演示攻击检测框架时增加训练稳定性,以及(3)一个密集的领域自适应子网络,用于在可见和不可见域之间转换表示。
2021-11-03 cs.CV