AxonData/2D_print_attack_dataset

--- license: cc-by-4.0 task_categories: - image-classification - image-feature-extraction - video-classification - image-segmentation language: - en tags: - biology size_categories: - 1K<n<10K --- ## Photo Print Attacks Dataset: 1K Individuals Face Anti-Spoofing Liveness dataset videos with Zoom in effect, High-Res Print ## Share with us your feedback and recieve additional samples for free!😊 ## Full version of dataset is availible for commercial usage - leave a request on our website [Axon Labs](https://axonlabs.pro/) to purchase the dataset 💰 ## Photo Print attack dataset (1K individuals+) for Presentation Attack Detection level 1 (PAD) This dataset focuses on photo print attacks which is used by both iBeta and NIST FATE to assess liveness detection algorithms. This dataset is tailored for training AI models to identify photo print attacks on individuals. Print photo attacks include Zoom effects as mandated by NIST FATE for improved AI training. ## Dataset Description: - 1,000+ Participants: Engaged in the project - Diverse Representation: Balanced mix of genders and ethnicities - 1,000+ Photo Print Attacks: Executed on the participants ## Photo Print attack description: - Each attack comprises of 15-20 sec. video with Zoom in effects - High-quality photos with realistic colors - No visible image borders during the Zoom-in phase - Paper attacks conducted on flat photos with a straight view on the camera (not bent or skewed) ## Potential Use Cases: Liveness detection: This dataset is ideal for training and evaluating liveness detection models, enabling researchers to distinguish between selfies and photo print attacks with high accuracy Keywords: Print photo attack dataset, Antispoofing for AI, Liveness Detection dataset for AI, Spoof Detection dataset, Facial Recognition dataset, Biometric Authentication dataset, AI Dataset, PAD Attack Dataset, Anti-Spoofing Technology, Facial Biometrics, Machine Learning Dataset, Deep Learning许可协议：CC BY 4.0（知识共享署名4.0国际许可协议） 任务类别： - 图像分类 - 图像特征提取 - 视频分类 - 图像分割 语言：英语 标签：生物学 样本规模：1000至10000条样本 ## 照片打印攻击数据集：1000名个体 该数据集为面部防欺骗活体检测（Face Anti-Spoofing Liveness）视频数据集，包含带有变焦效果的高清打印照片攻击样本。 欢迎向我们反馈您的使用体验，可免费获取额外样本😊 数据集完整版支持商业使用——请前往我们的官网[Axon Labs](https://axonlabs.pro/)提交申请以购买该数据集💰 ## 面向一级呈现攻击检测（Presentation Attack Detection, PAD）的照片打印攻击数据集（1000名个体+） 本数据集被iBeta与美国国家标准与技术研究院（National Institute of Standards and Technology, NIST）的FATE（面部防欺骗测试与评估，Face Anti-Spoofing Testing and Evaluation）项目用于评估活体检测算法，专为训练用于识别个体面部照片打印攻击的人工智能模型打造。根据NIST FATE的要求，本次数据集包含变焦效果的打印照片攻击样本，以优化人工智能模型的训练效果。 ## 数据集描述： - 参与人数：1000余名受试者参与本项目 - 多样性覆盖：性别与种族分布均衡 - 攻击样本数量：1000余组照片打印攻击样本，均施加于受试者面部 ## 照片打印攻击说明： - 每组攻击样本为一段15至20秒的视频，包含变焦效果 - 照片画质高清，色彩还原真实自然 - 变焦过程中无可见图像边框 - 攻击载体为平面照片，拍摄视角与相机呈正对状态，无弯曲或歪斜情况 ## 潜在应用场景： 活体检测：本数据集非常适合用于训练和评估活体检测模型，可帮助研究人员高精度区分自拍照片与照片打印攻击样本。 ## 关键词： 照片打印攻击数据集、人工智能防欺骗、人工智能活体检测数据集、欺骗检测数据集、人脸识别数据集、生物特征认证数据集、人工智能数据集、呈现攻击检测（PAD）攻击数据集、防欺骗技术、面部生物特征、机器学习数据集、深度学习

原始信息汇总

数据集概述

数据集名称

Photo Print Attacks Dataset: 1K Individuals

数据集类型

• 图像分类
• 图像特征提取
• 视频分类
• 图像分割

语言

• 英语

标签

• 生物学

数据规模

• 1K<n<10K

数据集描述

• 参与者数量：1,000+
• 多样性：性别和种族平衡
• 攻击类型：1,000+ 照片打印攻击

攻击描述

• 视频时长：每段攻击视频包含15-20秒的缩放效果
• 照片质量：高分辨率，真实色彩
• 边界：缩放过程中无可见图像边界
• 攻击方式：平面照片，直接对准摄像头（无弯曲或倾斜）

潜在应用场景

• 活体检测：适用于训练和评估活体检测模型，区分自拍照和照片打印攻击

关键词

• 打印照片攻击数据集
• AI防欺骗
• AI活体检测数据集
• 欺骗检测数据集
• 面部识别数据集
• 生物识别认证数据集
• AI数据集
• PAD攻击数据集
• 防欺骗技术
• 面部生物识别
• 机器学习数据集
• 深度学习

搜集汇总

数据集介绍

构建方式

在面部活体检测与反欺骗研究领域，打印攻击作为最基础且常见的呈现攻击手段，对生物识别系统的安全性构成了严峻挑战。为应对这一威胁，AxonData/2D_print_attack_dataset数据集应运而生。该数据集精心构建，涵盖了超过3000名参与者，确保了性别与种族的均衡分布。通过执行超过7000次照片打印攻击，每个攻击样本均录制为15至20秒的视频，并融入变焦效果以模拟真实场景中的相机距离变化。攻击中使用的照片质量上乘，色彩真实，且在变焦阶段无可见图像边界，攻击方式为平面照片的直视拍摄，确保了数据的一致性与代表性。

特点

该数据集的核心特点在于其规模宏大且高度多样化，远超传统学术基准如Idiap Print-Attack数据库。拥有3000余名参与者，它提供了前所未有的样本广度与深度，能够有效支撑生产级面部识别与活体检测系统的训练与评估。数据集中的视频包含变焦阶段，符合NIST FATE基准要求，能够全面检验算法在不同相机距离下的表现。此外，所有攻击均采用高质量照片与直视角度，排除了弯曲或倾斜等干扰因素，专注于模拟最典型的打印攻击场景，为活体检测模型的鲁棒性测试提供了严苛且真实的环境。

使用方法

该数据集主要适用于活体检测、反欺骗及面部识别等机器学习与深度学习任务。研究者可将其用于训练与评估区分真实自拍与照片打印攻击的模型。具体应用包括图像分类、特征提取、视频分类乃至图像分割等任务。数据集遵循CC-BY-4.0许可协议，其中完整版本可通过Axon Labs官方网站获取商业授权。使用时应将视频文件作为输入，提取帧序列或利用时序信息进行模型训练，以提升对打印攻击的检测精度，从而加强生物识别系统的安全性。

背景与挑战

背景概述

在生物特征识别领域，人脸识别系统日益普及，但随之而来的呈现攻击（Presentation Attack）威胁成为亟待解决的安全隐患。其中，打印攻击（Print Attack）作为最基础且最易实施的欺骗手段，攻击者通过展示高质量打印照片来绕过活体检测机制。为应对这一挑战，AxonData团队于近期发布了名为2D_print_attack_dataset的数据集，由Axon Labs机构主导创建，涵盖超过3000名参与者与7000余次打印攻击视频。该数据集不仅延续了Idiap研究机构在活体检测领域的经典工作，更在样本规模、人口多样性、采集设备现代化等方面实现显著突破，尤其引入了符合NIST FATE标准的变焦拍摄场景，为生产环境下的人脸识别与活体检测系统提供了重要的训练与评估基准，对推动反欺骗技术的实际落地具有深远影响。

当前挑战

当前活体检测领域面临的核心挑战在于如何应对打印攻击在多样化条件下的鲁棒性。具体而言，光照变化、拍摄距离波动、采集设备差异以及打印质量参差不齐等因素，均可能导致检测算法性能急剧下降。此外，构建该数据集本身亦充满技术难点：需确保攻击视频中照片无可见边框、色彩真实且变焦过程自然，同时兼顾3000余位参与者的性别与种族均衡，以消除模型偏见。更棘手的是，攻击者可能采用弯曲或倾斜照片等非标准手法，而现行数据集多聚焦于平面直视角度的攻击，难以覆盖真实场景中的复杂变体，这要求后续研究在数据增强与跨域泛化方面持续突破。

常用场景

经典使用场景

在生物特征识别与反欺诈领域，打印攻击（Print Attack）作为最基础且最易实施的呈现攻击方式，始终是活体检测研究的核心挑战。AxonData/2D_print_attack_dataset 数据集以超过3000名参与者和7000余段包含变焦效果的视频样本，为训练和评估活体检测模型提供了高质量、多样化的数据基础。研究者可借助该数据集区分真实人脸与纸质照片的伪装，在复杂光照、拍摄距离和设备差异等条件下验证算法的鲁棒性，从而推动人脸防欺骗系统从实验室基准向生产级部署迈进。

实际应用

在实际部署中，该数据集直接服务于金融支付、门禁安防、移动设备解锁等需要高安全性人脸认证的领域。通过训练基于深度学习或传统机器学习的活体检测模型，企业可有效拦截利用打印照片绕过生物识别系统的欺诈行为。数据集符合iBeta Level 1 PAD认证与ISO/IEC 30107-3标准的要求，帮助开发者在不同设备（如智能手机摄像头）和光照条件下验证产品合规性，从而加速防欺骗技术从研发到落地的转化进程。

衍生相关工作

该数据集延续并拓展了Idiap Research Institute在打印攻击防欺骗领域的开创性工作，其学术基线可追溯至经典的Idiap Print-Attack数据库。在此基础上，衍生研究可聚焦于多模态融合（如结合深度图或红外特征）、轻量化网络设计以适应边缘设备，以及面向变焦攻击的时序建模方法。此外，该数据集为NIST FATE基准测试中的打印攻击场景提供了规模化训练素材，催生了一系列针对相机距离变化的鲁棒特征提取与域自适应算法，持续推动人脸防欺骗技术的前沿演进。