Patch-based Discriminative Learning for Iris Presentation Attack Detection

Iris recognition is considered a prominent biometric authentication method. The accuracy, usability and touchless acquisition of iris recognition have led to their wide deployments. However, iris recognition systems are vulnerable to presentation attacks. Presentation attacks, such as printing pictures or wearing cosmetic contact lenses, are used by attackers to mimic the identity of another person or to hide their own identity. Detection of such attacks is essential to ensure the reliability of this biometric system. In recent years, deep learning based iris Presentation Attack Detection (PAD) approaches have already obtained good attack detection performance. However, the existing iris PAD methods still have several shortcomings, such as poor performance under changing environmental conditions and unknown attacks. To address these issues, this work proposes a novel iris PAD method by learning discriminative features from patches. This proposed method is based on the assumption that a unique iris pattern consists of several types of local features, which can also be used for iris PAD. To define the type of local features, we employ a clustering technique to group such local features. Subsequently, models are trained for each group to learn sublet patterns. We conduct detailed experiments to validate our assumption and analyze the effect of the patch size. Furthermore, experimental results, performed on three iris PAD datasets including unknown attacks and cross-dataset scenarios, demonstrate that our method outperforms the state-of-the-art iris PAD methods, indicating higher generalization ability for iris PAD.

Die Iriserkennung gilt als eine der wichtigsten biometrischen Authentifizierungsmethoden. Die Genauigkeit, die Benutzerfreundlichkeit und die berührungslose Aufnahme haben zu einer weiten Verbreitung der Iriserkennung geführt. Allerdings sind Iriserkennungssysteme anfällig für Präsentationsangriffe. Präsentationsangriffe, wie z. B. das Ausdrucken von Bildern oder das Tragen kosmetischer Kontaktlinsen, werden von Angreifern genutzt, um die Identität einer anderen Person nachzuahmen oder ihre eigene Identität zu verbergen. Die Erkennung solcher Angriffe ist von entscheidender Bedeutung, um die Zuverlässigkeit dieses biometrischen Systems zu gewährleisten. In den letzten Jahren haben auf Deep Learning basierende Ansätze zur Erkennung von Iris-Präsentationsangriffen bereits eine gute Leistung bei der Erkennung von Angriffen erzielen können. Die bestehenden Iris-Präsentationsangriffserkennungs-Methoden weisen jedoch immer noch einige Mängel auf, wie z. B. eine schlechte Leistung bei sich ändernden Umgebungsbedingungen und bei unbekannten Angriffen. Um diese Probleme zu adressieren, wird in dieser Arbeit eine neuartige Methode zur Erkennung von Iris-Präsentationsangriffen vorgeschlagen, die diskriminierende Merkmale aus Patches lernt. Die vorgeschlagene Methode basiert auf der Annahme, dass ein einzigartiges Irismuster eine Kombination aus mehreren Arten von lokalen Merkmalen ist, die auch für die Erkennung von Iris-Präsentationsangriffen verwendet werden können. Um die Arten von lokalen Merkmale zu definieren, wird eine Clustering-Technik angewendet, um die lokalen Merkmale zu gruppieren. Anschließend werden Modelle für die einzelnen Gruppen trainiert, um Teilmuster zu lernen. In detaillierten Experimenten werden unsere Annahmen validiert und die Auswirkungen der unterschiedlichen Größe der extrahierten Flecken analysiert. Darüber hinaus zeigen die experimentellen Ergebnisse, die auf drei Iris-Präsentationsangriffserkennungs-Datensätzen, einschließlich unbekannter Angriffe und datenübergreifender Szenarien, durchgeführt wurden, dass unsere Methode die anderen Iris-Präsentationsangriffserkennungs-Methoden auf dem aktuellen Stand der Technik übertrifft, was auf eine höhere Generalisierungsfähigkeit der Iris-Präsentationsangriffserkennung hinweist.