用于跨域虹膜呈现攻击检测的多视图学习分类器集成

摘要： 全球范围内大规模虹膜识别系统的应用，凸显了检测呈现攻击图像（纹理隐形眼镜和打印件）的重要性。本研究提出了一种新型虹膜呈现攻击检测（PAD）方法，通过探索卷积神经网络（CNN）与二值化统计图像特征（BSIF）转换输入空间的组合方案。该方法采用轻量级CNN对输入图像的多个BSIF视图进行分类。在研究互补输入空间以获取更具判别性的攻击检测特征后，我们还提出了一种算法来为本任务筛选最优（且最具判别性）的预测因子。该预测因子集合利用其预期个体性能，将结果聚合为最终预测。实验表明，该技术改进了当前虹膜PAD领域的先进水平，在LivDet-Iris 2017竞赛中同时超越了同数据集和跨数据集场景的优胜方案，并揭示了跨数据集场景的极高挑战性。