LFLDNet:基于ResNet和变压器的轻量级指纹活力检测
Kang Zhang1, Shu Huang1, Eryun Liu2
1Engineering Research Centre of Molecular & Neuro Imaging of the Ministry of Education, School of Life Science and Technology, Xidian University, Xi'an 710071, China.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
一个新的轻量级网络增强了指纹活力检测,防止伪造. 它使用CycleGAN进行概括,并使用具有自我注意力的ResNet来提高性能和降低复杂性,在基准数据集上实现高精度.
科学领域:
- 生物识别和安全
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 指纹识别系统正在迅速发展,使得活力检测对于防止伪造攻击至关重要.
- 卷积神经网络对生命检测有希望,但需要对未知材料的概括和计算效率的改进.
- 现有的方法在对未知材料的概括能力和深度学习模型的计算复杂性方面扎.
研究的目的:
- 提出一种新的,轻量级的网络,用于强大的指纹活力检测.
- 提高模型的概括能力,防止使用多种材料的伪造企图.
- 为了提高检测性能,同时减少指纹识别系统中的计算开销.
主要方法:
- 一个新的轻量级网络,结合了前景提取,指纹图像屏蔽,基于CycleGAN的样式传输,以及一个改进的ResNet与多头自我注意力 (MHSA) 机制.
- 使用CycleGAN来提高模型对来自未知材料的假指纹的概括能力.
- 改进的ResNet结合了MHSA的变压器,用于提高检测性能和降低计算负载.
主要成果:
- 提出的方法证明了有效的兴趣区域 (ROI) 提取和端到端的数据结构,增加了数据量.
- 对LivDet2011,LivDet2013和LivDet2015数据集的实验显示出具有竞争力的结果,所有传感器的LivDet2015平均分类错误为1.72%.
- 该网络在小面积指纹上实现了95.27%的准确性,参数数量显著减少 (0.83M).
结论:
- 开发的轻量级网络有效地区分真实和假指纹,解决了以前深度学习方法的局限性.
- 整合CycleGAN和基于MHSA的ResNet显著提高了模型的概括性和检测准确性,同时最大限度地减少了计算资源.
- 拟议的方法为安全和高效的指纹真实性检测提供了一个有希望的解决方案,特别是在涉及未知的伪造材料的具有挑战性的场景中.
