对指纹呈现攻击检测深度学习技术的调查
Hailin Li1, Raghavendra Ramachandra1
1SAFE Center, Norwegian University of Science and Technology (NTNU), 2815 Gjøvik, Norway.
Sensors (Basel, Switzerland)
|February 27, 2026
概括
深度学习方法显著提高了指纹呈现攻击检测 (FPAD) 的安全认证. 本综述对最近的深度学习FPAD技术,数据集和指标进行了分类,强调了未来的研究方向.
科学领域:
- 计算机科学 计算机科学
- 生物识别信息 生物识别信息
- 人工智能的人工智能
背景情况:
- 指纹认证系统面临安全漏洞,需要采取强有力的反伪造措施.
- 传统的手工制作的指纹呈现攻击检测 (FPAD) 基于特征的方法缺乏泛化.
- 近年来,深度学习方法已成为FPAD的主导和高性能范式.
研究的目的:
- 提供基于深度学习的指纹呈现攻击检测 (FPAD) 方法的全面概述.
- 分类和分析深度学习 (FPAD) 的最新进展.
- 讨论用于评估FPAD技术的基准指标和可用的数据集.
主要方法:
- 文献综述专注于基于深度学习的FPAD技术.
- 基于网络架构,特征提取或学习策略的方法的分类.
- 分析现场使用的绩效指标和公开可用的数据集.
主要成果:
- 与传统方法相比,深度学习方法表现出卓越的性能和概括能力.
- 各种深度学习架构和策略已经成功地应用于FPAD.
- 标准化的基准指标和数据集对于可复制的研究和比较至关重要.
结论:
- 基于深度学习的FPAD对于安全的生物识别身份验证至关重要.
- 需要进一步的研究来解决剩余的挑战,并探索新的深度学习架构.
- 标准化的评估协议和数据集将加速该领域的进展.
