Presentation Attack Detection with Advanced CNN Models for Noncontact-based Fingerprint Systems

要約

タッチベースの指紋生体認証は、いくつかの分野で応用されている最も人気のある生体認証モダリティの 1 つです。
潜在的な指紋の存在や、多くの人が同じ表面に触れることによる衛生上の問題など、タッチベースの技術に関連する問題により、コミュニティは非接触ベースのソリューションを探すようになりました。
過去数年間、非接触型指紋システムが増加し、需要が高まっています。これは、カメラを備えたあらゆるデバイスを指紋リーダーに変える機能があるためです。
しかし、非接触ベースの方法の利点を十分に活用する前に、生体認証コミュニティは、プレゼンテーション攻撃に対するシステムの回復力など、いくつかの問題を解決する必要があります。
主な障害の 1 つは、不適切なスプーフィング データやライブ データを含む、公開されているデータ セットが限られていることです。
この出版物では、7500 を超える 4 本の指の画像、14,000 を超える手動でセグメント化された 1 本の指先の画像、および 10,000 の合成指先 (ディープフェイク) のプレゼンテーション攻撃検出 (PAD) データセットを開発しました。
PAD データセットは、FIDO プロトコルに従って 3 つの異なる難易度レベルの 6 つの異なるプレゼンテーション攻撃機器 (PAI) から収集され、5 つの異なるタイプの PAI マテリアル、および手動フォーカスを備えた異なるスマートフォン カメラから収集されました。
DenseNet-121 および NasNetMobile モデルと提案されたデータセットを利用して PAD アルゴリズムを開発し、攻撃プレゼンテーション分類エラー率 (APCER) 0.14\% および Bonafide プレゼンテーション分類エラー率 (BPCER) 0.18\% の PAD 精度を達成しました。
また、不確実な現実世界のテスト シナリオを再現するために、見えないスプーフィング タイプに対するモデルのテスト結果も報告しました。

要約(オリジナル)

Touch-based fingerprint biometrics is one of the most popular biometric modalities with applications in several fields. Problems associated with touch-based techniques such as the presence of latent fingerprints and hygiene issues due to many people touching the same surface motivated the community to look for non-contact-based solutions. For the last few years, contactless fingerprint systems are on the rise and in demand because of the ability to turn any device with a camera into a fingerprint reader. Yet, before we can fully utilize the benefit of noncontact-based methods, the biometric community needs to resolve a few concerns such as the resiliency of the system against presentation attacks. One of the major obstacles is the limited publicly available data sets with inadequate spoof and live data. In this publication, we have developed a Presentation attack detection (PAD) dataset of more than 7500 four-finger images and more than 14,000 manually segmented single-fingertip images, and 10,000 synthetic fingertips (deepfakes). The PAD dataset was collected from six different Presentation Attack Instruments (PAI) of three different difficulty levels according to FIDO protocols, with five different types of PAI materials, and different smartphone cameras with manual focusing. We have utilized DenseNet-121 and NasNetMobile models and our proposed dataset to develop PAD algorithms and achieved PAD accuracy of Attack presentation classification error rate (APCER) 0.14\% and Bonafide presentation classification error rate (BPCER) 0.18\%. We have also reported the test results of the models against unseen spoof types to replicate uncertain real-world testing scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google