On the Effectiveness of Laser Speckle Contrast Imaging and Deep Neural Networks for Detecting Known and Unknown Fingerprint Presentation Attacks
Information Sciences Institute（信息科学研究所）；Faculty of Engineering, Alexandria University（亚历山大大学工程学院）
由于攻击技术的不断进步，指纹呈现攻击检测（FPAD）正在成为一个越来越具有挑战性的问题，这会产生“逼真”的假指纹呈现。最近，激光散斑衬度成像（LSCI）已被引入作为一种新的传感模式FPAD。LSCI具有捕获皮肤表面下的血流的有趣特性。为了研究LSCI对FPAD的重要性和有效性，我们使用不同的基于补丁的深度神经网络架构进行了全面的研究。我们研究的架构包括2D和3D卷积网络以及使用长短期记忆（LSTM）单元的递归网络。该研究表明，强大的FPAD性能可以实现使用LSCI。我们在一个新的大型数据集上评估不同的模型。该数据集由3743个真实样本组成，这些样本来自335个独特的主题，以及218个演示攻击样本，包括六种不同类型的攻击。为了检查改变训练集和测试集的效果，我们进行了3重交叉验证评估。为了检查存在看不见的攻击的影响，我们采用了留一攻击策略。网络的FPAD分类结果分别针对时间和空间补丁大小进行了优化和调整，表明LSTM实现了最佳性能。
2019-06-06 cs.CV cs.LG
Introduction to Presentation Attack Detection in Fingerprint Biometrics
European Commission, Joint Research Centre（欧盟委员会联合研究中心）；Universidad Autonoma de Madrid（马德里自治大学）；Università di Bologna（博洛尼亚大学）；Università di Cagliari（卡利亚里大学）
本文介绍指纹生物特征识别中的呈现攻击检测（PAD），回顾其早期发展，并概述近期趋势与开放问题。
2023-02-14 cs.CR cs.CV
Fingerprint Presentation Attack Detection: A Sensor and Material Agnostic Approach
Michigan State University（密歇根州立大学）
自动指纹识别系统对呈现攻击（PA）的脆弱性，即，欺骗或改变手指，已经成为越来越多的关注，阻碍了准确和有效的呈现攻击检测（PAD）方法的发展。然而，现有PAD解决方案的一个主要限制是它们对新PA材料和指纹传感器的泛化能力差，不用于训练。在这项研究中，我们提出了一个强大的PAD解决方案，改进了跨材料和跨传感器的泛化。具体来说，我们构建在任何基于CNN的架构之上，这些架构经过训练，用于指纹欺骗检测，并使用样式传输网络包装器进行跨材料欺骗泛化。我们还将对抗性表示学习（ARL）纳入深度神经网络（DNN），以学习PAD的传感器和材料不变表示。在LivDet 2015和2017公共领域数据集上的实验结果表明了该方法的有效性。
2020-04-06 cs.CV
Deep Learning based Fingerprint Presentation Attack Detection: A Comprehensive Survey
Norwegian University of Science and Technology（挪威科技大学）
本文系统综述了基于深度学习的指纹呈现攻击检测方法，涵盖常见攻击仪器与公开数据集，并按接触式、非接触式和智能手机三类梳理现有技术，指出开放挑战与未来方向。
2023-05-27 cs.CV
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
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
GRU-AUNet: A Domain Adaptation Framework for Contactless Fingerprint Presentation Attack Detection
West Virginia University（西弗吉尼亚大学）
针对非接触式指纹反欺骗泛化性差的问题，提出GRU-AUNet领域自适应框架，集成Swin Transformer与GRU注意力机制，在多个数据集上实现0.09%的BPCER和1.2%的APCER，优于现有方法。
2025-04-01 cs.CV
MoSFPAD: An end-to-end Ensemble of MobileNet and Support Vector Classifier for Fingerprint Presentation Attack Detection
Indian Institute of Technology Indore（印度理工学院印多尔分校）
自动指纹识别系统是用于个人认证的最广泛使用的系统，尽管它们容易受到呈现攻击。在各种材料的帮助下创建的人工制品被用来欺骗这些系统，从而对基于指纹的应用程序的安全性造成威胁。本文提出了一种新的端到端模型来检测指纹呈现攻击。该模型采用MobileNet作为特征提取器和支持向量分类器作为分类器，以检测跨材料和跨传感器范例中的呈现攻击。特征提取器的参数学习与支持向量分类器产生的损失。与其他静态混合架构不同，该模型消除了对中间数据准备过程的需要。该模型的性能已在基准LivDet 2011，2013，2015，2017和2019数据库上进行了验证，在这些数据库上分别实现了98.64%，99.50%，97.23%，95.06%和95.20%的总体准确率。所提出的模型的性能进行比较，与国家的最先进的方法和所提出的方法优于在跨材料和跨传感器范例的平均分类误差。
2023-03-02 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
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
A Zero-Shot based Fingerprint Presentation Attack Detection System
The National Engineering Laboratory for Big Data System Computing Technology（大数据系统计算技术国家工程实验室）；College of Computer Science and Software Engineering（计算机科学与软件工程学院）；Shenzhen University（深圳大学）
随着呈现攻击的发展，自动指纹识别系统（AFRS）容易受到呈现攻击。因此，许多呈现攻击检测（PAD）的方法已经被提出，以确保AFRS的正常使用。然而，攻击图像大规模呈现的要求和较低的泛化能力一直限制着现有PAD方法的实际性能。因此，我们提出了一种新的Zero-Shot呈现攻击检测模型，以保证PAD模型的通用性。基于生成模型的ZSPAD-Model在建立过程中不使用任何负样本，保证了对各种类型或材质的呈现攻击的鲁棒性。与其他基于自动编码器的模型不同，本文提出了细粒度映射结构来细化自动编码器网络的重构误差，并利用特定任务的高斯模型来提高聚类质量。同时，为了提高模型的性能，本文讨论了9个置信度。实验结果表明，ZSPAD模型是ZSPAD的最新技术，MS分数是最好的置信分数。与现有的方法相比，所提出的ZSPAD-Model的性能优于基于特征的方法，在多镜头设置下，所提出的方法优于基于学习的方法与少量的训练数据。当大的训练数据可用时，它们的结果相似。
2020-02-12 cs.CV cs.LG eess.IV
Cascade Forgery Mining Network for Fingerprint Presentation Attack Detection
Peking University（北京大学）
针对指纹呈现攻击检测中不同区域伪像提取难度不同的问题，提出用局部Gabor特征确定性量化AED并分区，构建AED引导的级联伪造挖掘网络及方向引导对抗训练模块，实验证明该方法优于现有方法，提升了高AED指纹分类能力。
2026-07-28 cs.CV
Review of the Fingerprint Liveness Detection (LivDet) competition series: from 2009 to 2021
University of Cagliari, Italy（卡利亚里大学）；Clarkson University, USA（克拉克森大学）
指纹认证系统非常容易受到人工复制指纹的攻击，称为指纹呈现攻击。检测呈现攻击并不简单，因为攻击者每年都在改进他们的复制技术。国际指纹活性检测竞赛（LivDet）是一个开放的和公认的学术界和私人公司的会议点，处理呈现攻击检测问题，其目标是通过使用标准实验协议和数据集来评估指纹呈现攻击检测（FPAD）算法的性能。自2009年以来，每两年举办一次的LivDet版本都以竞争对手必须应对的一系列不同挑战为特色。竞争者的不断增加和各竞赛间出错率的显著下降表明人们对这一主题的兴趣日益浓厚。本文回顾了2009年至2021年的LivDet版本，并指出了它们多年来的演变。
2022-02-15 cs.CV
Fingerprint Presentation Attack Detection: Generalization and Efficiency
Department of Computer Science and Engineering（计算机科学与工程系）；Michigan State University（密歇根州立大学）；East Lansing（东兰辛（注意：这是城市名，不是机构，根据提取规则应忽略，但原文本中Michigan State University是明确机构，此处按要求提取））
我们研究了在未知PA材料下的指纹呈现攻击检测（PAD）问题，在PAD训练过程中没有看到。使用12种不同材料的5，743个bonafide和4，912个PA图像的数据集来评估最先进的PAD，即Fingerprint Spoof Buster。我们利用三维t-SNE可视化和聚类的材料特性，以确定一组代表性的PA材料，涵盖了大部分的PA特征空间。我们观察到，一组六种PA材料，即硅胶、2D纸、Play Doh、明胶、乳胶车身漆和Monster液体乳胶，提供了一个很好的代表性集合，应该包括在训练中，以实现PAD的泛化。我们还提出了一个优化的指纹欺骗克星的Android应用程序，可以在商品智能手机（小米Redmi Note 4）上运行，而不会显着降低PAD性能（从TDR = 95.7%到95.3%@FDR = 0.2%），可以在不到300 ms的时间内进行PA预测。
2018-12-30 cs.CV
Generating Master Faces for Use in Performing Wolf Attacks on Face Recognition Systems
The Graduate University for Advanced Studies, SOKENDAI（综合研究大学院大学）；National Institute of Informatics（国立信息学研究所）；The University of Edinburgh（爱丁堡大学）；The University of Tokyo（东京大学）；Idiap Research Institute（Idiap研究所）
由于其方便性，生物特征认证，特别是人脸认证，已成为越来越主流，因此现在是攻击者的主要目标。呈现攻击和面部变形是典型的攻击类型。以前的研究表明，基于手指静脉和指纹的身份验证方法容易受到狼攻击，其中狼样本匹配许多注册用户模板。在这项工作中，我们证明了狼（通用）的脸，我们称之为“主脸”，也可以妥协的人脸识别系统，主脸的概念可以在某些情况下推广。受指纹领域最近类似工作的启发，我们通过使用最先进的人脸生成器StyleGAN在一个称为潜在变量进化的过程中生成了高质量的主人脸。实验表明，即使攻击者只有有限的资源，只使用互联网上提供的预训练模型，也可以发起主面孔攻击。除了从攻击者的角度展示性能外，这些结果还可以用于澄清和提高人脸识别系统的性能，并加强人脸认证系统。
2020-06-15 cs.CV cs.LG
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
Fingerprint Presentation Attack Detection Based on Local Features Encoding for Unknown Attacks
基于指纹的生物识别系统在过去几年中经历了很大的发展。尽管它们有许多优点，但它们仍然容易受到呈现攻击（PA）的攻击。因此，确定样品是否源于活体受试者（即，真实的）或来自人造复制品是一个强制性的问题，最近受到了很多关注。现在，当用于制造呈现攻击工具（PAI）的材料已经被用于训练PA检测（PAD）方法时，PAI可以被成功地识别。然而，目前的PAD方法仍然面临着检测由未知材料构建或使用其他传感器捕获的PAI的困难。基于这一事实，我们提出了一种新的PAD技术的基础上的三个图像表示方法相结合的局部和全局信息的指纹。通过将这些表示转换到公共特征空间中，我们可以正确区分上述场景中的真实表示和攻击表示。在LivDet 2011年至2015年的数据库上对我们的建议进行了实验评估，在最具挑战性的情况下，出错率超过最先进的结果高达50%。此外，最佳配置在LivDet 2019比赛中取得了最好的成绩（整体准确率为96.17%）。
2019-08-27 cs.CV
A Uniform Representation Learning Method for OCT-based Fingerprint Presentation Attack Detection and Reconstruction
Shenzhen University（深圳大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；Norwegian University of Science and Technology（挪威科技大学）
光学相干层析成像（OCT）技术能够获取皮肤层的深度信息，为指纹识别开辟了新的研究领域。如果能够充分利用深度信息，开发鲁棒性和高安全性的自动指纹识别系统（AFRS）是可能的。针对现有研究将呈现攻击检测（PAD）和基于深度信息的亚表面指纹重建作为两个独立分支处理，导致AFRS构建计算量大、复杂度高的问题，提出了一种基于OCT的指纹PAD和亚表面指纹重建的统一表示模型。首先，我们设计了一种新的语义分割网络，该网络仅由基于OCT的指纹的真实手指切片训练，以从这些切片（也称为B扫描）中提取多个表面下结构。由于潜码包含丰富的地下生物信息，且不依赖于PA材料，对未知PA具有较强的鲁棒性，因此直接利用网络中的潜码进行有效的PA检测。同时，采用分割的地下结构来重建多个地下二维指纹。基于传统的二维指纹，利用现有的成熟技术可以很容易地实现识别。在我们自己建立的最大的基于OCT的2449卷公开指纹数据库上进行了大量的实验。在PAD任务中，我们的方法可以从最先进的方法提高0.33%的Acc。对于重建性能，我们的方法在0.834 mIOU和0.937 PA下实现了最佳性能。通过与表面二维指纹的识别性能比较，进一步证明了该方法在高质量亚表面指纹重建中的有效性。
2022-09-25 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
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
ToDD: Topological Compound Fingerprinting in Computer-Aided Drug Discovery
Novartis（诺华）；University of Texas at Dallas（德克萨斯大学达拉斯分校）；Jet Propulsion Laboratory, Caltech（加州理工学院喷气推进实验室）；Temple University（天普大学）
在计算机辅助药物发现（CADD）中，虚拟筛选（VS）用于在大型化合物库中识别最有可能与分子靶点结合的候选药物。到目前为止，大多数VS方法都集中在使用规范的复合表示（例如，SMILES字符串、Morgan指纹）或通过训练逐渐更复杂的变分自编码器（VAE）和图神经网络（GNN）来生成化合物的替代指纹。虽然VAE和GNN导致VS性能的显着改善，但这些方法在扩展到大型虚拟复合数据集时会降低性能。这些方法的性能在过去几年中只显示出逐步的改进。为了解决这个问题，我们开发了一种新的方法，使用多参数持久性（MP）的同源性，产生拓扑指纹的化合物作为多维向量。我们的主要贡献是框架的VS过程作为一个新的拓扑为基础的图形排序问题，通过划分化合物的化学子结构通知其原子的周期性属性，并提取其持久的同源性功能在多个分辨率水平。我们发现，预训练的Triplet网络的边际损失微调在区分嵌入空间中的化合物并对其成为有效候选药物的可能性进行排名方面取得了非常有竞争力的结果。我们进一步为我们提出的MP签名的稳定性特性建立了理论保证，并证明了我们的模型，通过MP签名增强，在基准数据集上以广泛和高度统计显著的幅度优于最先进的方法（例如，93%的增益为Dudes-Jain和54%的增益为DUD-E Diverse数据集）。
2022-11-07 cs.AI cs.LG q-bio.QM
Internal Structure Attention Network for Fingerprint Presentation Attack Detection from Optical Coherence Tomography
Zhejiang University of Technology（浙江工业大学）
光学相干层析成像（OCT）作为一种非侵入性的光学成像技术，在自动指纹识别系统（AFRS）中有着广阔的应用前景。基于OCT的指纹呈现攻击检测（PAD）已经提出了多种方法。然而，考虑到PA样本的复杂性和多样性，在有限的PA数据集上提高泛化能力是极具挑战性的。为了解决这一问题，提出了一种基于监督学习的PAD方法ISAPAD，该方法利用先验知识指导网络训练，提高了网络的泛化能力。提出的双分支结构不仅可以从OCT图像中学习全局特征，而且可以集中于来自内部结构注意模块（ISAM）的分层结构特征。简单而有效的ISAM使所提出的网络，以获得分层分割功能只属于Bonafide从嘈杂的OCT体数据直接。ISAPAD结合有效的训练策略和PAD得分生成规则，在有限的训练数据下获得了最优的PAD性能。领域泛化实验和可视化分析验证了该方法对OCT PAD的有效性。
2023-03-20 cs.CV
A Unified Model for Fingerprint Authentication and Presentation Attack Detection
IIIT Hyderabad（印度海得拉巴国际信息技术学院）；Michigan State University（密歇根州立大学）；Sony Research India Pvt. Ltd.（索尼印度研究私人有限公司）；Sony Group Corporation（索尼集团公司）
典型的指纹识别系统包括一个接一个地运行的欺骗检测模块和后续识别模块。在本文中，我们重新制定了一个典型的指纹识别系统的工作。特别是，我们认为欺骗检测和指纹识别是相关的任务。因此，而不是单独执行这两项任务，我们提出了一个联合模型欺骗检测和匹配，同时执行这两项任务，而不影响任何一项任务的准确性。我们展示了我们的联合模型在FVC 2006 DB 2A数据集上获得TAR = 100%@FAR = 0.1%的身份验证准确性（1：1匹配）的能力，同时在LiveDet 2015数据集上实现了1.44%的欺骗检测ACE，两者都保持了独立方法的性能。在实践中，这将指纹识别系统的时间和存储器需求分别减少了50%和40%;对于在资源受限的设备和通信信道上运行的识别系统来说，这是一个显著的优势。我们工作的项目页面可以在https://www.bit.ly/ijcb2021-unified上找到。
2021-07-23 cs.CV
A Survey on Unknown Presentation Attack Detection for Fingerprint
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
由于指纹识别系统已经实现了高准确度，因此它们被广泛地部署在各种现实生活应用中。广泛使用的应用包括边界控制、自动柜员机（ATM）和考勤监控系统。然而，这些关键系统容易受到欺骗攻击（也称为演示攻击（PA））。用于指纹的PA可以通过呈现由不同材料制成的橡皮手指来执行，这些材料包括硅胶、明胶、橡皮泥、ecoflex、2D打印纸、3D打印材料或乳胶。生物识别研究人员已经开发出呈现攻击检测（PAD）方法作为对PA的对策。PAD通常是通过训练一个机器学习分类器来针对给定数据集的已知攻击来完成的，他们在这个任务中实现了很高的准确性。然而，推广到未知的攻击是一个重要的问题，从现实世界的系统的适用性，主要是因为攻击不能详尽地事先列出。在这篇调查论文中，我们提出了一个全面的调查现有的PAD算法的指纹识别系统，特别是从检测未知的PAD的立场。我们对PAD算法进行了分类，指出了它们的优点/缺点，以及这一领域的未来发展方向。
2020-05-17 cs.CR cs.CV eess.IV
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
Fingerprint recognition with embedded presentation attacks detection: are we ready?
University of Cagliari（卡利亚里大学）
指纹验证系统的安全应用的扩散，迫切需要研究嵌入基于软件的演示攻击检测算法（PAD）到这样的系统。公司和机构需要知道这种整合是否会使系统更加“安全”，现有技术是否已经就绪，如果已经就绪，在什么样的操作工作条件下。尽管有了显著的改进，特别是通过对指纹PAD采用深度学习方法，但当前的研究并没有说明它们在嵌入指纹验证系统时的有效性。我们认为，缺乏作品是由于缺乏工具来调查的问题，即，建模的因果关系时，两个非零误差的系统一起工作。因此，本文探讨了PAD融合到验证系统，提出了一种新的调查工具：性能模拟器的基础上的概率建模的两个单独的系统之间的关系时，PAD和验证阶段顺序实施的接收机工作特性（ROC）。事实上，这是最直接、最灵活、最广泛的做法。我们对提交给最新版本的LivDet（2017-2019），最先进的NIST Bozorth 3和顶级Veryfinger 12匹配器的PAD算法的ROC进行了模拟。报告的实验探索显着的情况下，指纹匹配与嵌入式PAD可以提高，而不是降低，整体的个人验证性能的条件。
2021-10-20 cs.CR cs.CV
Improving fingerprint presentation attack detection by an approach integrated into the personal verification stage
University of Cagliari（卡利亚里大学）；University of Sassari（萨萨里大学）
针对指纹演示攻击检测（PAD）与验证系统独立设计的不足，提出在基础PAD中加入Closeness Binary Code模块，利用真实指纹聚类特性增强安全性，无需目标用户样本且易于集成。
2025-04-15 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
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
ViT Unified: Joint Fingerprint Recognition and Presentation Attack Detection
Michigan State University（密歇根州立大学）
本研究利用视觉变换器架构实现指纹识别与呈现攻击检测的联合统一模型，在保持与顺序双ViT系统相当精度（98.87% vs 98.95%）的同时，显著减少参数和延迟。
2023-05-12 cs.CV
Fingerprint Presentation Attack Detection by Channel-wise Feature Denoising
Shenzhen University（深圳大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）
由于攻击材料的多样性，指纹识别系统容易受到恶意攻击。因此，提出有效的指纹呈现攻击检测（PAD）方法对AFRS的安全性和可靠性具有重要意义。然而，目前的PAD方法往往表现出新的攻击类型设置下的鲁棒性差。因此，本文提出了一种新的通道式特征去噪指纹PAD（CFD-PAD）的方法，通过处理冗余的噪声信息被忽略在以前的研究。该方法通过对每个通道的重要性进行加权，识别鉴别通道和“噪声”通道来学习指纹图像的重要特征。然后，在特征图中抑制“噪声”信道的传播以减少干扰。具体地说，设计了一个PA-自适应损失来约束特征分布，使活指纹的特征分布更加聚集，而欺骗指纹的特征分布更加分散。在LivDet 2017数据集上进行的实验结果表明，当错误检测率为1.0%（TDR@FDR=1%）时，所提出的CFD-PAD可以实现2.53%的平均分类错误（ACE）和93.83%的真实检测率。此外，所提出的方法在ACE（2.53%对4.56%）和TDR@FDR=1%（93.83%对73.32%）方面明显优于最好的基于单模型的方法，这证明了其有效性。虽然我们已经实现了与最先进的基于多模型的方法相当的结果，但是TDR@FDR=1%仍然从91.19%增加到93.83%。此外，该模型更简单，更轻，更有效，并已实现了74.76%的计算时间减少相比，最先进的多模型为基础的方法。源代码可在https://github.com/kongzh…
2023-03-07 cs.AI cs.CV
Fingerprint Presentation Attack Detector Using Global-Local Model
Shenzhen University（深圳大学）；College of Computer Science and Software Engineering（计算机科学与软件学院）；Computer Vision Institute（计算机视觉研究所）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院）；National Engineering Laboratory for Big Data System Computing Technology（国家大数据系统计算技术工程实验室）；Guangdong Key Laboratory of Intelligent Information Processing（广东省智能信息处理重点实验室）
本文提出RTK-PAD方法，通过全局模块、局部模块和反思模块融合全局与局部欺骗分数，在LivDet 2017上显著提升指纹呈现攻击检测性能。
2024-02-20 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
LEADER: Lightweight End-to-End Attention-Gated Dual Encoder-Decoder Network for Robust Minutiae Extraction
Department of Computer Science and Engineering of the University of Bologna（博洛尼亚大学计算机科学与工程系）
LEADER通过轻量端到端注意力门控双自编码器实现鲁棒的 minutiae 提取，提升准确性和跨领域泛化能力。
2026-10-30 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
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
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
Altered Fingerprints: Detection and Localization
Michigan State University（密歇根州立大学）
指纹篡改，也称为模糊呈现攻击，是指故意篡改或破坏真实的摩擦纹图案，以避免被自动指纹识别系统识别。本文提出了一种检测和定位指纹变化的方法。我们的主要贡献是：（i）设计和训练关于指纹图像和图像中以细节点为中心的局部块的CNN模型，以检测和定位指纹改变的区域，以及（ii）训练生成对抗网络（GAN），以合成改变的指纹，其特征类似于真实的改变的指纹。成功训练的GAN可以缓解用于研究的更改指纹图像的有限可用性。一个包含270个受试者的4，815个篡改指纹的数据库和相同数量的滚动指纹图像被用于训练和测试我们的模型。所提出的方法实现了99.24%的真检测率（TDR）的错误检测率（FDR）为2%，优于公布的结果。合成生成的更改指纹数据集将是开源的。
2018-09-18 cs.CV
LivDet 2021 Fingerprint Liveness Detection Competition -- Into the unknown
University of Cagliari（卡利亚里大学）
国际指纹活体检测竞赛是一项两年一度的国际竞赛，向学术界和工业界开放，旨在评估和报告指纹呈现攻击检测的进展。拟议的“活动中的活性检测”和“指纹表示”挑战旨在评估嵌入验证系统的PAD的影响，以及移动应用程序功能集的有效性和紧凑性。此外，我们实验了一种新的欺骗制造方法，特别影响了最终结果。23个算法提交给了竞赛，这是LivDet有史以来达到的最大数量。
2021-08-23 cs.CV
Domain Adaptation in Multi-Channel Autoencoder based Features for Robust Face Anti-Spoofing
Idiap Research Institute（Idiap 研究所）
虽然人脸识别系统的性能在过去十年中有了显着提高，但它们被证明非常容易受到演示攻击（欺骗）。人脸呈现攻击检测（PAD）领域的大部分研究都集中在提高单个数据库中系统的性能上。人脸PAD数据集通常使用RGB相机捕获，并且具有非常有限的真实样本和呈现攻击工具。在这些数据上训练人脸PAD系统会导致性能低下，即使在闭集场景中也是如此，特别是当涉及复杂的攻击时。我们探索了两条路径来提高人脸PAD系统对具有挑战性的攻击的性能。首先，通过使用多通道（RGB，深度和NIR）数据，这些数据在许多大规模生产设备中仍然可以轻松访问。其次，我们提出了一种新的基于自动编码器+MLP的人脸PAD算法。此外，代替收集更多数据用于训练所提出的深度架构，提出了领域自适应技术，将面部外观的知识从RGB转移到多通道域。我们还证明，学习单个面部区域的特征比从整个面部学习的特征更具鉴别力。建议的系统进行了测试，最近公开的多通道PAD数据库与各种各样的演示攻击。
2019-07-09 cs.CV
RaspiReader: An Open Source Fingerprint Reader Facilitating Spoof Detection
Michigan State University（密歇根州立大学）
我们提出了一个开源的，光学指纹识别器，称为RaspiReader，使用无处不在的组件的设计和原型。RaspiReader是一种低成本且易于组装的阅读器，为指纹研究社区提供了一种无缝且简单的方法，用于对指纹识别系统的传感组件进行更多控制。特别是，我们认为，这种多功能的指纹识别器将鼓励研究人员探索新的欺骗检测方法，集成硬件和软件。RaspiReader的硬件定制了两个用于指纹采集的摄像头，其中一个摄像头提供高对比度的受抑全内反射（FTIR）图像，另一个摄像头输出直接图像。使用这两个图像流，我们提取互补的信息，当融合在一起，结果在指纹欺骗（演示攻击）检测的高度判别功能。我们的实验结果表明，以前的欺骗检测方法，只依赖于COTS光学阅读器提供的FTIR图像有显着的改善。最后，从RaspiReader的FTIR输出获取的图像和从COTS指纹读取器获取的图像之间的指纹匹配实验验证了RaspiReader与现有COTS光学读取器的互操作性。
2017-08-25 cs.CV
LivDet2023 -- Fingerprint Liveness Detection Competition: Advancing Generalization
University of Cagliari（卡利亚里大学）；Universidad Autonoma de Madrid（马德里自治大学）
本文介绍LivDet2023指纹活体检测竞赛，通过系统嵌入、特征表示及未知传感器子集挑战，评估各算法在仅提供真实样本条件下的PAD性能与泛化能力。
2023-09-27 cs.CV
Unsupervised Fingerphoto Presentation Attack Detection With Diffusion Models
Norwegian University of Science and Technology（挪威科技大学）；Institute for Infocomm Research (IR)（信息通信研究院）
针对手指照片认证易受呈现攻击且监督学习方法存在泛化与可扩展性问题，提出基于去噪扩散概率模型的无监督检测方法，仅用真实样本训练并通过重建相似度检测攻击，在多个数据集上取得更优检测错误率。
2024-09-27 cs.CV
Fingerprint Spoof Buster
Michigan State University（密歇根州立大学）
指纹识别系统的主要目的是确保可靠和准确的用户认证，但识别系统本身的安全性可能会受到欺骗攻击的危害。本研究解决了开发准确、可推广且高效的指纹欺骗攻击检测算法的问题。具体来说，我们提出了一种基于深度卷积神经网络的方法，利用局部补丁集中和对齐使用指纹细节。在三个公共领域LivDet数据集（2011年，2013年和2015年）上的实验结果表明，所提出的方法在传感器内，跨材料，跨传感器以及跨数据集测试场景的指纹欺骗检测中提供了最先进的准确性。例如，在LivDet 2015中，所提出的方法在所有传感器上实现了99.03%的平均准确度，而LivDet 2015竞赛获胜者则达到了95.51%。此外，还收集了两个新的指纹呈现攻击数据集，包含超过20，000张图像，使用两种不同的指纹读取器，以及超过12种不同的欺骗制造材料。我们还提出了一个图形化的用户界面，称为指纹欺骗克星，它允许操作员在视觉上检查突出显示为活的或欺骗的指纹的局部区域，而不是依赖于只有一个单一的分数输出的传统方法。
2017-12-12 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
General GAN-generated image detection by data augmentation in fingerprint domain
Jinan University（暨南大学）；Nanjing University of Information Science and Technology（南京信息工程大学）
本文提出在指纹域进行数据增强以提升 GAN 生成图像检测器的泛化能力，通过自编码器分离图像指纹与内容并对指纹施加扰动，有效检测未知 GAN 生成的假图像。
2023-04-09 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
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
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
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
A Parametric Approach to Adversarial Augmentation for Cross-Domain Iris Presentation Attack Detection
Michigan State University（密歇根州立大学）
提出一种参数化对抗增强方法，利用卷积自编码器ADV-GEN结合几何与光度变换参数生成对抗样本，提升跨域虹膜呈现攻击检测性能，在LivDet-Iris 2017和2020数据集上验证有效性。
2025-04-25 cs.CV
An Integrated Representation & Compression Scheme Based on Convolutional Autoencoders with 4D DCT Perceptual Encoding for High Dynamic Range Light Fields
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
新兴的和现有的光场显示器高度能够在自动立体裸眼平台上逼真地呈现3D场景。光场尺寸是利用3D显示器和流传输目的时的主要缺点。当光场具有高动态范围时，大小急剧增加。在本文中，我们提出了一种新的压缩算法的高动态范围的光场，产生一个感知上的无损压缩。该算法通过将HDR光场解释为四维体积来利用HDR光场的视图间和视图内相关性。HDR光场压缩是基于一种新的4DDCT-UCS（4D-DCT均匀颜色空间）算法。通过HEVC对4DDCT-UCS采集的图像的附加编码消除了HDR光场数据中的帧内、帧间和固有冗余。与JPEG-XL和HDR视频编码算法等最先进的编码器相比，该方案对真实世界光场的压缩性能优越。
2022-06-21 cs.CV eess.IV
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
Taming Self-Supervised Learning for Presentation Attack Detection: De-Folding and De-Mixing
Shenzhen University（深圳大学）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；Sun Yat-sen University（中山大学）；Norwegian University of Science and Technology（挪威科技大学）
针对未知呈现攻击工具的 PAD 泛化难题，提出结合全局-局部视图、De-Folding 与 De-Mixing 的自监督 DF-DM 方法，并在人脸与指纹数据集上显著优于现有方法。
2023-06-02 cs.AI cs.CV
