PADISI-Finger

PADISI-Finger数据集是由南加州大学信息科学研究所创建的，专注于指纹生物识别的数据集。该数据集不仅包含指纹数据，还包括面部和虹膜数据，但本文主要研究指纹部分。数据集的特色在于使用了多种先进的传感技术，如短波红外、近红外和激光照明等前向照明技术，以及近红外背向照明技术。通过全卷积深度神经网络对这些传感模式进行了深入分析，并与公共数据集LivDet2015进行了性能比较，结果显示新传感模式在多数情况下表现更优。数据集的采集地点包括南加州大学和约翰霍普金斯大学应用物理实验室，数据将在论文被接受后公开发布，为研究社区提供了一个包含广泛传感模式的大型指纹数据集。

The PADISI-Finger dataset was developed by the Information Sciences Institute of the University of Southern California (USC) and focuses on fingerprint biometrics. In addition to fingerprint data, this dataset also includes facial and iris biometric data, while this paper exclusively focuses on the fingerprint subset. The dataset stands out for its adoption of multiple advanced sensing technologies, including forward illumination techniques such as Short-Wave Infrared (SWIR), Near-Infrared (NIR), and laser illumination, as well as Near-Infrared backside illumination. In-depth analysis of these sensing modalities was carried out using fully convolutional deep neural networks, and performance comparisons were conducted against the public benchmark dataset LivDet2015. The results show that the new sensing modalities outperform competing approaches in most scenarios. The data was collected at both the University of Southern California and the Johns Hopkins University Applied Physics Laboratory. The dataset will be publicly released upon acceptance of the corresponding research paper, providing the global research community with a large-scale fingerprint dataset covering a wide range of sensing modalities.

搜集汇总

数据集介绍

构建方式

PADISI-Finger 数据集的构建过程涉及多个步骤，首先，研究人员在两个不同地点（南加州大学和约翰霍普金斯大学的应用物理实验室）收集了超过一千名参与者的指纹数据。参与者展示了他们的四个手指，并在没有攻击或有三种不同类型的攻击（假指纹、覆盖物和其他）的情况下进行了两次。收集的数据包括前照明成像（使用短波红外、近红外和激光照明）和后照明成像（使用近红外光）。收集的数据还包括使用传统指纹传感器的数据，用于与新型传感模式进行比较。

使用方法

使用 PADISI-Finger 数据集的方法取决于具体的研究目的。如果研究人员想要评估新型传感模式对指纹识别系统安全性的影响，他们可以使用数据集中的新型传感模式数据进行实验。如果研究人员想要比较新型传感模式与传统指纹传感器的性能，他们可以使用数据集中的传统指纹传感器数据进行实验。此外，数据集还包含了多种不同类型的攻击，研究人员可以使用这些数据进行攻击检测实验。无论研究目的如何，使用 PADISI-Finger 数据集时都需要进行适当的数据预处理，例如图像分割、特征提取和归一化。此外，研究人员还需要选择合适的评估指标，例如准确率、召回率和 F1 分数，以评估模型的性能。

背景与挑战

背景概述

在生物识别技术领域中，指纹识别作为一项历史悠久且广泛应用的生物特征识别技术，其安全性备受关注。随着攻击技术的不断进步，伪造指纹的逼真度越来越高，对指纹识别系统的安全性构成了严重威胁。为了应对这一挑战，研究人员们开发了多种指纹活体检测方法，旨在识别并阻止伪造指纹的攻击。PADISI-Finger数据集正是在这样的背景下创建的，旨在为指纹活体检测研究提供高质量、多样化的数据支持。该数据集由美国南加州大学信息科学研究所（University of Southern California, ISI）的研究团队于近年创建，涵盖了多种指纹传感模式，包括短波红外、近红外、激光照明等前照式成像，以及近红外光的后照式成像。该数据集的核心研究问题在于评估这些新型传感模式在指纹活体检测中的有效性，以及它们与传统的指纹图像数据相比的优势。PADISI-Finger数据集的创建对指纹识别技术领域具有重要的影响力，它为研究人员提供了宝贵的实验数据，有助于推动指纹活体检测技术的发展，提高指纹识别系统的安全性。

当前挑战

尽管PADISI-Finger数据集为指纹活体检测研究提供了重要的数据支持，但在实际应用中仍面临一些挑战。首先，新型传感模式的硬件成本较高，限制了其在大规模应用中的推广。其次，新型传感模式的数据处理和分析方法尚不成熟，需要进一步研究和开发。此外，不同传感模式之间的融合策略也需要进一步探索，以充分发挥其互补优势。最后，随着攻击技术的不断发展，新型伪造指纹的出现对指纹活体检测技术提出了更高的要求，需要不断更新和完善检测算法。

常用场景

经典使用场景

PADISI-Finger数据集主要用于指纹活体检测的研究，特别是在对抗日益复杂的攻击制备技术方面。该数据集包含了多种新型传感模式下的指纹图像，如短波红外、近红外、激光照射和近红外背光照射等。这些图像可以帮助研究者评估不同传感模式在活体检测中的有效性，并为指纹认证系统提供更可靠的防护。

解决学术问题

PADISI-Finger数据集解决了指纹活体检测中的一些常见学术研究问题。传统的指纹认证系统容易受到攻击，例如使用假指纹来伪装合法用户或隐藏黑名单用户的真实身份。该数据集提供了大量不同类型的攻击样本，包括透明覆盖物、假指纹和导电覆盖物等，帮助研究者评估活体检测算法在不同攻击类型下的性能。此外，数据集还包含了不同种族、年龄和性别的参与者数据，有助于研究活体检测算法的泛化能力。

实际应用

PADISI-Finger数据集在实际应用中具有广泛的价值。首先，它可以用于评估和改进指纹认证系统的活体检测功能，提高系统的安全性。其次，数据集可以用于开发新的活体检测算法，这些算法可以应用于其他生物识别领域，如人脸识别和虹膜识别等。最后，数据集还可以用于培训安全领域的专业人士，提高他们对指纹活体检测技术的理解和应用能力。

数据集最近研究

最新研究方向

在指纹活体检测领域，随着攻击准备技术的不断发展，对指纹活体检测技术的研究变得愈发重要。该研究旨在利用多种新型传感器技术，包括短波红外、近红外和激光照明的前照明成像，以及近红外光的背照明成像，来增强活体检测的效果。研究结果表明，新型传感器技术在大多数情况下优于传统的指纹图像数据，特别是在处理已知和未知攻击时。此外，该研究还提出了一种新的全卷积神经网络（FCN）模型，用于活体检测，并在LivDet2015数据集上取得了优异的性能。该模型在多种传感器数据上进行了评估，结果表明，多种传感器数据的组合可以进一步提高活体检测的性能。该研究为指纹活体检测领域的发展提供了新的思路和方法。

相关研究论文

• Multi-Modal Fingerprint Presentation Attack Detection: Evaluation On A New Dataset

  南加州大学信息科学研究所 · 2020年