基于空间域与频域特征融合的虹膜呈现攻击检测

目的虹膜呈现攻击检测（presentation attack detection， PAD）是确保虹膜识别系统安全可靠的关键技术之一。针对现有检测方法在跨域场景下泛化性不足、难以有效检测合成虹膜的问题，提出一种基于空间域与频域特征融合的虹膜PAD模型。利用频域信息对环境变化的鲁棒性和合成/真实图像的频域差异，促使模型结合虹膜图像在空间域和频域中的互补特征，提升其检测精度和合成虹膜识别能力。方法首先对输入图像使用局部二值模式（local binary pattern， LBP）算法进行处理，生成空间域图像，接着使用离散余弦变换（discrete cosine transform， DCT）将空间域图像转换为频域图像；然后利用两个EfficientNet_b0作为骨干网络，分别对空间域和频域图像进行特征提取；进一步，通过两个空间通道融合注意力模块分别融合骨干网络所提取的中、高层特征；最后，在使用二元交叉熵损失函数的基础上，引入三元组损失进行联合训练，以提升模型所提特征的区分度。此外，为了让模型重点关注图像中的虹膜区域，引入了低频语义信息引导的注意力模块。结果在最新的虹膜PAD比赛LivDet-Iris 2023数据集上，将本文方法与比赛中的冠军方法及多种现有方法进行比较。相比于冠军方法，本文方法的综合检测错误率ACER1和ACER2分别下降9.32%和3.71%，其中合成虹膜的平均检测错误率APCER下降22.78%，打印虹膜的检测错误率APCER下降6.32%。相比于其他先进的现有方法，本文方法的综合检测错误率ACER1和ACER2分别下降8.91%和3.58%。此外，在LivDet-Iris 2023数据集上进行消融实验以验证所提模块的有效性，结果显示加入频域信息有效提升了模型分类真假虹膜的准确率。结论本文提出的虹膜呈现攻击检测模型有效利用图像的空间域和频域信息，提高了模型检测各类型虹膜呈现攻击的能力，且表现出更好的泛化性。本文模型和代码在https://github.com/xianyunsun/fre-iris-pad开放。