用于开放集虹膜呈现攻击检测的两阶段一类表示学习框架
《Optics & Laser Technology》:A two-stage one-class representation learning framework for open-set iris presentation attack detection
【字体:
大
中
小
】
时间:2026年10月24日
来源:Optics & Laser Technology 4.6
编辑推荐:
本文提出了一种用于开放集虹膜活体攻击检测的两阶段框架。卷积适配器可捕获方向敏感的局部伪造痕迹。通过攻击约束学习结构化的多中心真实虹膜特征空间。实验验证了该方法对未知活体攻击和跨域场景具有鲁棒的泛化能力。
引言
虹膜识别被认为是准确率最高的生物特征技术之一,因此已广泛应用于
本文提出了一种用于开放集虹膜活体攻击检测的两阶段框架。卷积适配器可捕获方向敏感的局部伪造痕迹。通过攻击约束学习结构化的多中心真实虹膜特征空间。实验验证了该方法对未知活体攻击和跨域场景具有鲁棒的泛化能力。
引言
虹膜识别被认为是准确率最高的生物特征技术之一,因此已广泛应用于各种对安全性要求极高的应用中,如边境管控、金融支付和大规模身份管理。然而,随着虹膜识别系统的大规模部署,其对活体攻击的脆弱性日益凸显。因此,虹膜活体攻击检测作为保障实际虹膜识别系统安全的关键智能组件,已成为生物特征安全领域的重要研究课题[1]。
如图1所示,针对虹膜识别的活体攻击可按其进入系统的入口大致分为两类:物理活体攻击(PPAs)和数字注入攻击(DIAs)。PPAs发生在传感器层面,攻击者向采集设备呈现物理活体攻击仪器,如高质量纸质打印件、重放媒介或纹理隐形眼镜等。相比之下,DIAs通过绕过物理传感器,直接将数字合成的虹膜图像注入识别流程。尽管PPAs和DIAs以不同的入口进入识别系统,但两者均可出于身份冒用或身份隐匿等恶意目的实施。身份冒用利用合成或获取的虹膜纹理来获得未授权访问,而身份隐匿则旨在隐藏攻击者的真实身份以规避识别。
PPAs需要将物理攻击工具呈现给传感器,因此往往会引入视觉痕迹,如颜色偏差、依赖材质的镜面反射以及媒介引起的渲染伪影。相比之下,DIAs绕过物理图像采集,直接将合成虹膜图像注入识别流程。这些图像可能在虹膜纹理、解剖结构、传感器特性或统计分布方面表现出不一致性,同时缺乏真实的生理和动态活体线索。总体而言,这些物理痕迹、数字域伪影和分布不一致性通常不存在于真实虹膜图像中,因此可为活体攻击检测提供有用的线索。
为捕获这些异构伪影,早期虹膜活体攻击检测方法依赖于手工设计的描述符结合传统分类器。随后,深度学习方法,特别是基于卷积神经网络的方法,通过端到端地学习判别性特征取得了显著提升[2],[3]。尽管在已知攻击类型上表现强劲,但传统二分类器往往会对与训练集中活体攻击仪器相关的设备特定或媒介特定伪影产生过拟合,无法可靠地泛化到未知攻击场景。近期的LivDet-Iris评估[4],[5]证实,高闭集准确率并不一定意味着可靠的开放集性能。随着新的活体攻击仪器和伪造策略不断涌现,提升虹膜活体攻击检测系统对新型未知攻击的泛化能力仍是关键挑战。检测未知攻击的一种自然方法是单类分类[6],该方法仅建模真实虹膜样本的分布,并将显著偏离该分布的测试样本识别为潜在攻击。此策略避免了穷举所有潜在攻击类型(如新出现的纹理隐形眼镜或重放式活体攻击),因此更适合开放集场景。然而,单类建模的有效性高度依赖于所提取特征的质量。如果真实特征缺乏结构良好且局部紧凑的表示,或与攻击特征的分离度不够充分,则异常检测边界将不可靠。因此,理想的开放集虹膜活体攻击检测方法应将监督判别性特征学习与真实分布的单类建模相结合,使已知攻击监督和真实分布约束相互增强。
近期证据表明,仅依赖大规模预训练视觉表示不足以保证鲁棒的开放集虹膜活体攻击检测性能。Anand等人对几种通用视觉模型(包括CLIP、DINOv2、DINOv3、EVA02和OpenVision)在涉及未知活体攻击仪器、未知数据集和跨光谱迁移的开放集虹膜活体攻击检测协议下进行了系统性失效分析[7]。结果表明,尽管这些模型可在某些数据集级别的偏移之间进行迁移,但无法可靠地泛化到未知攻击工具,且在光谱不匹配条件下性能大幅退化。这一观察揭示了一个根本性限制:为广泛视觉识别优化的表示通常经过训练以抑制光照变化、传感器噪声和细微纹理变化,从而提取宏观语义。然而,对于活体攻击检测而言,这些被丢弃的浅层扰动恰好对应于重放媒介、打印伪影或伪造材料所引入的关键伪造痕迹。
这一限制在虹膜活体攻击检测中尤为突出,因为虹膜防伪高度依赖于局部和细粒度线索,如亚像素伪影模式、方向敏感的纹理痕迹、依赖材质的镜面反射、采集导致的伪影以及伪造导致的形变。这些线索通常较弱、空间局部化,并且高度依赖于特定活体攻击仪器的物理特性。因此,有效的虹膜活体攻击检测主干网络不仅需要可迁移的视觉先验,还必须严格保留对通用语义预训练通常所抑制的局部化伪影的敏感性。
在此背景下,Swin Transformer提供了有前景的起点。与标准Vision Transformer[8]不同,后者通过全局自注意力处理相对粗糙的固定分辨率块级令牌,Swin Transformer更适合保留虹膜活体攻击检测所需的弱信号和空间局部化伪造线索。具体来说,它采用具有移位窗口自注意力的分层架构,能够在建模局部视觉结构的同时逐步聚合上下文信息[9]。这种从局部到全局的设计对虹膜活体攻击检测天然有利,因为判别性伪造痕迹常表现为局部纹理不规则性或方向性伪影。然而,由于Swin Transformer本质上是为通用视觉识别优化的,直接微调该主干网络对于显式捕获虹膜活体攻击检测特有的细微伪造痕迹仍不够理想,尤其是在训练阶段不包含未知活体攻击仪器的开放集条件下。
因此,有效地将针对虹膜活体攻击检测的参数高效局部适配引入Swin Transformer是本文的重点。此外,由于开放集虹膜活体攻击检测无法假设已知所有潜在攻击分布,特征适配必须与真实分布的单类建模无缝集成。这种集成使得未知攻击可基于其相对于真实虹膜样本的偏离被检测到[10],[11]。在实际场景中,真实虹膜图像因传感器、成像光谱、人口统计特征和预处理流程的差异而表现出显著的本征变化。这些变化可能导致真实特征空间呈现异构且潜在多模态的结构,而非单一紧凑分布。基于上述见解,本文提出了TOC-IPAD,一种针对开放集虹膜活体攻击检测的鲁棒特征学习与智能决策框架,集成了预训练主干适配与多中心特征学习以及基于高斯混合模型的真实分布单类建模。虽然我们的框架主要通过捕获传感器级高频伪影来显著抑制物理活体攻击,但我们还严格评估了其对新兴的深度学习生成数字注入攻击这一威胁的边界。本文的主要贡献总结如下:
1. 提出了一种用于开放集虹膜活体攻击检测的两阶段框架,称为TOC-IPAD,集成预训练主干适配、单类表示学习以及基于高斯混合模型的真实分布建模。
2. 设计了一种多方向卷积适配器,通过差分卷积分支和内容引导融合捕获方向敏感的局部伪造痕迹。
3. 引入了一种多中心单类对比损失,通过学习多个局部紧凑簇来捕获真实虹膜特征的多模态结构,同时利用已知攻击作为负约束来增强与潜在未知攻击的分离度。
4. 在留一活体攻击仪器法和LivDet-Iris 2023评估协议下进行了广泛实验,证明所提框架显著增强了对未知活体攻击和跨域环境的泛化能力。代码将公开于https://github.com/xiamenwcy/TOC-IPAD。
方法片段
虹膜活体攻击检测
虹膜活体攻击检测旨在判定输入的虹膜图像来自真实用户还是活体攻击仪器。早期研究主要依赖手工设计的特征。例如,Daugman[12]利用二维傅里叶频谱分析来识别纹理隐形眼镜引入的周期性伪影。He等人[13]将归一化虹膜图像划分为子区域并应用局部二值模式来描述局部纹理差异。Raghavendra和Busch[14]
所提方法
图2展示了所提出的用于开放集虹膜活体攻击检测的两阶段框架。每个输入的虹膜图像首先经过虹膜定位和归一化,以生成固定尺寸的归一化表示。该预处理步骤为后续特征学习和单类建模提供标准化输入。该框架包含两个阶段:用于判别性虹膜特征学习的Swin Transformer微调,以及单类高斯混合建模。与执行……
数据集
为在开放集和标准测试条件下全面评估所提方法,采用了两个虹膜活体攻击检测数据集:综合数据集和LivDet-Iris 2023数据集。综合数据集整合了多个著名公开基准,作为模型训练和留一活体攻击仪器评估的主要语料库。如表1所示,该数据集包含70,771张虹膜图像,由35,312张真实样本和35,459张攻击样本组成,分布于七种……
留一活体攻击仪器评估
对比方法的选择旨在涵盖来自通用视觉识别和专用虹膜活体攻击检测的代表性范式。对于前者,采用标准架构,具体为ResNet-50、DenseNet-121和原始ViT-B/16作为基础基线。对于后者,与几种代表性方法进行了对比,包括利用基于Transformer建模的ViT-PAD、采用逐像素监督的A-PBS、DFCANet[17]……
结论与未来工作
本研究通过提出TOC-IPAD——一种基于预训练主干参数高效适配和单类表示学习的全新两阶段框架——在很大程度上缓解了开放集虹膜活体攻击检测中对未见攻击模式泛化不足的关键挑战。通过轻量级任务适配器,所提方法有效地将预训练Swin Transformer的鲁棒特征校准用于判别性虹膜防伪。至关重要的是,通过……
作者贡献声明
Caiyong Wang:原创草稿撰写、方法论、资金获取、概念化。Haiyu Wang:原创草稿撰写、可视化、验证、软件、方法论。Kai Chen:资源、调研、数据整理。Guangzhe Zhao:审稿与编辑。Zhaofeng He:审稿与编辑、资金获取。Maozu Guo:指导、资金获取。
利益冲突声明
作者声明不存在任何可能影响本文所报告工作的已知竞争性财务利益或个人关系。
致谢
本工作受国家自然科学基金委员会(4242018)、中国国家自然科学基金(62106015, 62176025)、北京城市学院金字塔人才培养计划(JDYC20220819)、北京城市学院研究生创新项目(PG2026103)以及北京城市学院"AI+"研究院"开放竞争"项目资助。
Caiyong Wang | Haiyu Wang | Kai Chen | Guangzhe Zhao | Zhaofeng He | Maozu Guo
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号