研究目的
研究结合卷积神经网络(CNN)和二值化统计图像特征(BSIF)在检测虹膜呈现攻击(包括纹理隐形眼镜和打印件)方面的有效性,涵盖数据集内和跨数据集场景。
研究成果
所提出的方法通过有效结合卷积神经网络与BSIF变换,显著推进了虹膜活体检测技术的最新水平。该集成方法(尤其是采用元融合进行预测器选择)在内部数据集和跨数据集评估中均优于现有方法。研究强调了互补特征提取与分类器融合对实现鲁棒性呈现攻击检测的重要性。
研究不足
该研究强调了跨数据集场景的挑战性,其中训练和测试条件存在显著差异。单个CNN预测器在不同数据集上的表现各异,表明若无融合方法,其对未知攻击类型缺乏泛化能力。
1:实验设计与方法选择:
该研究结合轻量级CNN与输入图像的BSIF变换来检测呈现攻击,通过探索多种BSIF视角以增强特征区分度。
2:样本选择与数据来源:
采用LivDet-Iris 2017竞赛数据集,包含来自克拉克森大学、华沙理工大学、IIITD-WVU和圣母大学的活体虹膜及呈现攻击(纹理隐形眼镜和打印件)图像。
3:实验设备与材料清单:
使用OSIRIS(4.1版)进行虹膜中心检测与裁剪,研究涉及训练61个CNN模型(其中60个基于BSIF变换图像,1个基于原始图像)。
4:1版)进行虹膜中心检测与裁剪,研究涉及训练61个CNN模型(其中60个基于BSIF变换图像,1个基于原始图像)。
实验流程与操作步骤:
4. 实验流程与操作步骤:通过不同尺度和深度的BSIF滤波器对图像进行变换,每个变换后的图像由对应CNN分类,最终采用CNN集成预测并筛选最具判别力的预测器。
5:数据分析方法:
性能评估指标包括准确率、真实样本分类错误率(BPCER)、攻击样本分类错误率(APCER)和半总错误率(HTER),融合方法包含随机森林、多数投票及最优-最差加权投票。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容