假指纹与活体指纹检测

2024-06-03 08:28
文章标签 检测 指纹 活体

本文主要是介绍假指纹与活体指纹检测,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

1. 假指纹简介

2. 假指纹制作流程

3. 活体指纹检测

4. 活体指纹检测竞赛


1. 假指纹简介

        随着科学技术的发展,指纹技术以各种各样的形式进入了我们的生活。在大多数情况下,指纹识别应用于移动设备和桌面设备解决方案,以提供安全方便的认证。

        然而,如今的指纹传感器很容易被虚假指纹欺骗,虚假指纹的欺诈风险对移动支付等敏感应用程序构成威胁。

        虚假指纹有多种制造方法。据报道,可以使用日常廉价的材料(如明胶、硅胶、橡皮泥等)制造逼真的伪指纹,足以骗过指纹识别系统(见下图)。例如,2013年3月,一名巴西医生因使用硅胶制成的伪指纹欺骗圣保罗一家医院的指纹考勤系统而被捕(BBC新闻,2013)。2013年9月,苹果发布内置Touch ID指纹技术的iPhone 5S后不久,德国的Chaos计算机俱乐部(CCC,2013)根据注册用户的高分辨率指纹照片用木胶制作了伪指纹,成功欺骗了Touch ID系统。2016年7月,密歇根州立大学的研究人员使用2D打印指纹解锁了一部智能手机,以帮助警方处理凶杀案(Korkzan,2016)。2018年3月,印度拉贾斯坦邦的一个团伙通过蜡模中注入胶水制作伪指纹欺骗警方的指纹考勤系统,因此而被捕(Vidyut,2018)。很可能还有大量的虚假指纹攻击未被发现,因此没有报告。

虚假指纹可以由多种常见材料制作

2. 指纹制作流程

        假指纹制作可以在目标用户合作时进行。

3. 活体指纹检测

        识别假指纹的方法主要有两种模式,即硬件模式和软件模式。其中,硬件模式需要设计专门的硬件设计,并与生物特征识别传感器进行整合,但是设备更新难度较大;软件模式则是对指纹传感器获取的图像进行分析,对真假指纹进行对比,通过大量的学习,识别真假指纹。由于软件模式更新更方便,因而得到更广泛的客户认可。

        通过软件识别假指纹是通过对提取的指纹特征数据进行分析,判断真假指纹。由于假指纹存在一定程度的失真,因而会导致特征点丢失,另外,假指纹会加入一定的杂讯(例如橡皮泥做的假指纹存在气泡),因而可以通过大量机器学习及人工智能形成数据基础来识别假指纹。

        由于可能的伪造材料很多、不同指纹的传感器的差异很大,为提升活体检测技术的泛化能力,规模更大、种类更多的假指纹数据库有待开发。

4. 活体指纹检测竞赛

        LivDet(LivDet - Liveness Detection Competitions)赞助的“活体检测竞赛”(Liveness Detection Competitions),是一项两年一度的国际竞赛,向学术界和工业界开放,旨在评估和报告指纹呈现攻击检测方面的进展。LivDet还将基准测试的数据开放给设备制造商,帮助工程师能够达到理想的“误拒绝”和成功率设计目标。

LivDet 2009

Sensor

type

size

ID

Images

Train

Biometrika

live

312x372

13

520

Silicone

13

520

CrossMatch

live

640x480

125

1000

Gelatin(明胶)

33

344

PlayDoh(泥胶)

30

346

Silicone(硅胶)

15

310

Identix

live

720x720

69

750

Gelatin

37

250

PlayDoh

32

250

Silicone

15

250

Test

Biometrika

live

312x372

37

1473

Silicone

37

1480

CrossMatch

live

377

3000

Gelatin(明胶)

106

1036

PlayDoh(泥胶)

102

1034

Silicone(硅胶)

56

932

Identix

live

720x720

250

2250

Gelatin

105

750

PlayDoh

99

750

Silicone

60

750

LivDet 2011

Sensor

type

size

ID

Images

Train

Biometrika

live

312x372

200

1000

EcoFlex(降解塑料)

20

200

Gelatin(明胶)

20

200

Latex(胶乳)

20

200

Silgum

20

200

WoodGlue(木胶)

20

200

Italdata

live

640x480

200

1000

EcoFlex(降解塑料)

20

200

Gelatin(明胶)

20

200

Latex(胶乳)

20

200

Silgum

20

200

WoodGlue(木胶)

20

200

Digital

live

355x391

84

1004

Gelatin(明胶)

26

200

Latex(胶乳)

22

200

PlayDoh(泥胶)

20

200

Silicone(硅胶)

24

200

Wood Glue(木胶)

26

200

Sagem

live

352x384

58

1008

Gelatin(明胶)

38

200

Latex(胶乳)

20

201

PlayDoh(泥胶)

42

200

Silicone(硅胶)

28

200

Wood Glue(木胶)

22

207

test

Biometrika

live

312x372

200

1000

EcoFlex(降解塑料)

20

200

Gelatin(明胶)

20

200

Latex(胶乳)

20

200

Silgum

20

200

WoodGlue(木胶)

20

200

Italdata

live

640x480

200

1000

EcoFlex(降解塑料)

20

200

Gelatin(明胶)

20

200

Latex(胶乳)

20

200

Silgum

20

200

WoodGlue(木胶)

20

200

Digital

live

355x391

104

1000

Gelatin(明胶)

28

200

Latex(胶乳)

20

200

PlayDoh(泥胶)

20

200

Silicone(硅胶)

34

200

Wood Glue(木胶)

24

200

Sagem

live

352x384

40

1000

Gelatin(明胶)

46

225

Latex(胶乳)

20

204

PlayDoh(泥胶)

42

205

Silicone(硅胶)

56

200

Wood Glue(木胶)

20

202

LivDet 2013

Sensor

type

size

ID

Images

train

Biometrika

live

312x372

200

1000

EcoFlex(降解塑料)

20

200

Gelatin(明胶)

20

200

Latex(胶乳)

20

200

Silgum

20

200

WoodGlue(木胶)

20

200

CrossMatch

live

800x750

484

1250

BodyDouble

125

250

Latex(胶乳)

125

250

Playdoh(泥胶)

125

250

WoodGlue(木胶)

125

250

Italdata

live

640x480

200

1000

Ecoflex(降解塑料)

20

200

Gelatin(明胶)

20

200

Latex(胶乳)

20

200

Modasil

20

200

WoodGlue (木胶)

20

200

Swipe

live

208x1500

247

1221

BodyDouble

125

250

Latex(胶乳)

125

250

Playdoh(泥胶)

119

233

Wood Glue(木胶)

124

246

test

Biometrika

live

312x372

200

1000

EcoFlex(降解塑料)

20

200

Gelatin(明胶)

20

200

Latex(胶乳)

20

200

Silgum

20

200

WoodGlue(木胶)

20

200

CrossMatch

live

800x750

430

1250

BodyDouble

63

250

Latex(胶乳)

65

250

Playdoh(泥胶)

63

250

WoodGlue(木胶)

63

250

Italdata

live

640x480

200

1000

Ecoflex(降解塑料)

20

200

Gelatin(明胶)

20

200

Latex(胶乳)

20

200

Modasil

20

200

WoodGlue (木胶)

20

200

Swipe

live

208x1500

235

1153

BodyDouble

82

250

Latex(胶乳)

91

250

Playdoh(泥胶)

87

250

Wood Glue(木胶)

75

250

LivDet 2015

Sensor

type

size

ID

Images

train

CrossMatch

Live

800x750

500

1510

Body Double

165

494

Ecoflex

168

498

Playdoh

166

481

Digital_Persona

Live

252x324

100

1000

Ecoflex 00-50

80

250

Gelatine

80

250

Latex

80

250

WoodGlue

80

250

GreenBit

Live

500x500

100

1000

Ecoflex 00-50

80

250

Gelatine

80

250

Latex

80

250

WoodGlue

80

250

Hi_Scan

Live

1000x1000

100

1000

Ecoflex 00-50

80

250

Gelatine

80

250

Latex

80

250

WoodGlue

80

250

Time_Series

Live

800x750

500

4440

Body Double

165

1481

Ecoflex

170

1529

Playdoh

165

1485

test

CrossMatch

Live

800x750

500

1500

Body Double

100

300

Ecoflex

92

270

Gelatin

100

300

OOMOO

100

297

Playdoh

95

281

Digital_Persona

Live

252x324

100

1000

Ecoflex 00-50

80

250

Gelatine

80

250

Latex

80

250

Liquid Ecoflex

80

250

RTV

80

250

WoodGlue

80

250

GreenBit

Live

500x500

100

1000

Ecoflex 00-50

80

250

Gelatine

80

250

Latex

80

250

Liquid Ecoflex

80

250

RTV

80

250

WoodGlue

80

250

Hi_Scan

Live

1000x1000

100

1000

Ecoflex 00-50

80

250

Gelatine

80

250

Latex

80

250

Liquid Ecoflex

80

250

RTV

80

250

WoodGlue

80

250

这篇关于假指纹与活体指纹检测的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1026470

相关文章

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今,数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形

SpringBoot使用Apache Tika检测敏感信息

《SpringBoot使用ApacheTika检测敏感信息》ApacheTika是一个功能强大的内容分析工具,它能够从多种文件格式中提取文本、元数据以及其他结构化信息,下面我们来看看如何使用Ap... 目录Tika 主要特性1. 多格式支持2. 自动文件类型检测3. 文本和元数据提取4. 支持 OCR(光学

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

基于 YOLOv5 的积水检测系统:打造高效智能的智慧城市应用

在城市发展中,积水问题日益严重,特别是在大雨过后,积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术,我们能够智能化地检测和识别积水区域,减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统,结合深度学习和直观的图形界面,为用户提供高效的解决方案。 源码地址: PyQt5+YoloV5 实现积水检测系统 预览: 项目背景

JavaFX应用更新检测功能(在线自动更新方案)

JavaFX开发的桌面应用属于C端,一般来说需要版本检测和自动更新功能,这里记录一下一种版本检测和自动更新的方法。 1. 整体方案 JavaFX.应用版本检测、自动更新主要涉及一下步骤: 读取本地应用版本拉取远程版本并比较两个版本如果需要升级,那么拉取更新历史弹出升级控制窗口用户选择升级时,拉取升级包解压,重启应用用户选择忽略时,本地版本标志为忽略版本用户选择取消时,隐藏升级控制窗口 2.

[数据集][目标检测]血细胞检测数据集VOC+YOLO格式2757张4类别

数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):2757 标注数量(xml文件个数):2757 标注数量(txt文件个数):2757 标注类别数:4 标注类别名称:["Platelets","RBC","WBC","sickle cell"] 每个类别标注的框数:

Temu官方宣导务必将所有的点位材料进行检测-RSL资质检测

关于饰品类产品合规问题宣导: 产品法规RSL要求 RSL测试是根据REACH法规及附录17的要求进行测试。REACH法规是欧洲一项重要的法规,其中包含许多对化学物质进行限制的规定和高度关注物质。 为了确保珠宝首饰的安全性,欧盟REACH法规规定,珠宝首饰上架各大电商平台前必须进行RSLReport(欧盟禁限用化学物质检测报告)资质认证,以确保产品不含对人体有害的化学物质。 RSL-铅,

YOLOv8/v10+DeepSORT多目标车辆跟踪(车辆检测/跟踪/车辆计数/测速/禁停区域/绘制进出线/绘制禁停区域/车道车辆统计)

01:YOLOv8 + DeepSort 车辆跟踪 该项目利用YOLOv8作为目标检测模型,DeepSort用于多目标跟踪。YOLOv8负责从视频帧中检测出车辆的位置,而DeepSort则负责关联这些检测结果,从而实现车辆的持续跟踪。这种组合使得系统能够在视频流中准确地识别并跟随特定车辆。 02:YOLOv8 + DeepSort 车辆跟踪 + 任意绘制进出线 在此基础上增加了用户