Contactless Fingerprint Biometric Anti-Spoofing: An Unsupervised Deep Learning Approach

要約

非接触指紋認識は、より高いレベルのユーザーの快適性を提供し、衛生上の懸念に効果的に対処します。
ただし、写真用紙、紙の印刷物、さまざまなディスプレイ攻撃などのプレゼンテーション攻撃に対しても脆弱であるため、接触ベースのモダリティと比較して生体認証システムへの実装がより困難になります。
非接触指紋システムにおけるプレゼンテーション攻撃については限られた研究が行われていますが、モデルのトレーニング中に本物のサンプルとプレゼンテーション攻撃の両方が利用されるため、これらの研究は一般化とスケーラビリティの点で課題に直面しています。
このアプローチは有望に見えますが、目に見えない攻撃に対処する能力が欠けています。これは、効果的に一般化できる PAD 手法を開発するための重要な要素です。
既存の方法の制限に対処するために、教師なしオートエンコーダーと畳み込みブロック アテンション モジュールを組み合わせた革新的なスプーフィング対策アプローチを導入しました。
私たちのモデルは、トレーニング段階でスプーフィングされたサンプルにさらされることなく、本物の画像のみでトレーニングされます。
その後、テスト段階でさまざまなタイプのプレゼンテーション攻撃画像に対して評価されます。
私たちが提案したスキームは、さまざまな種類のスプーフィングされたサンプルを含むプレゼンテーション攻撃に対して、平均 BPCER 0.96\%、APCER 1.6\% を達成しました。

要約(オリジナル)

Contactless fingerprint recognition offers a higher level of user comfort and addresses hygiene concerns more effectively. However, it is also more vulnerable to presentation attacks such as photo paper, paper-printout, and various display attacks, which makes it more challenging to implement in biometric systems compared to contact-based modalities. Limited research has been conducted on presentation attacks in contactless fingerprint systems, and these studies have encountered challenges in terms of generalization and scalability since both bonafide samples and presentation attacks are utilized during training model. Although this approach appears promising, it lacks the ability to handle unseen attacks, which is a crucial factor for developing PAD methods that can generalize effectively. We introduced an innovative anti-spoofing approach that combines an unsupervised autoencoder with a convolutional block attention module to address the limitations of existing methods. Our model is exclusively trained on bonafide images without exposure to any spoofed samples during the training phase. It is then evaluated against various types of presentation attack images in the testing phase. The scheme we proposed has achieved an average BPCER of 0.96\% with an APCER of 1.6\% for presentation attacks involving various types of spoofed samples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google