face-anti-spoofing-advanced-paper-attacks

这是一个活体检测数据集，名为iBeta level 2 advanced mask attacks，包含5000个视频。这些视频由25名参与者在签署同意书后录制，使用iOS和Android手机双设备捕捉。数据集在性别和种族上具有广泛且平衡的代表性（包括白人、黑人、亚洲人和拉丁裔）。视频分为固定、放大和缩小三个活体检测阶段。数据集包含多种纸质面具攻击类型，适用于活体检测研究和算法训练。

原始信息汇总

数据集概述：iBeta 2级高级纸质攻击活体检测数据集

数据集基本信息

• 许可证：cc-by-nc-4.0
• 标签：活体检测、反欺诈、生物识别、面部识别、机器学习、深度学习、AI、纸质面具攻击、iBeta认证、PAD攻击、安全、iBeta、人脸识别、PAD、认证、欺诈
• 任务类别：视频分类

数据集描述

• 参与者：25人（签署同意书）
• 采集设备：iOS/Android手机（双设备采集）
• 多样性：性别平衡，广泛覆盖多种族（高加索人、黑人、亚洲人、拉丁裔）
• 视频数量：5,000个
• 活体检测阶段：固定、放大、缩小

攻击类型（纸质面具）

1. 照片上打印属性：平面面部照片，附带打印的配件（如眼镜、帽子）
2. 照片上剪裁属性：剪裁成面部形状的平面照片
3. 照片上附加真实属性：平面照片上附加真实配件（眼镜、帽子等）
4. 演员佩戴照片面具+外部属性：演员面部固定全尺寸照片，附加真实物品（如头巾、假发）
5. 演员佩戴打印属性的照片面具：固定照片已包含打印的附加属性
6. 演员佩戴带眼孔的照片面具+外部属性：照片上切割眼孔，演员通过眼孔眨眼，佩戴真实假发/衣物
7. 带打印属性和眼孔的照片面具：照片上打印配件，演员通过切割的眼孔展示真实眼睛

潜在应用场景

• 活体检测研发：训练/评估算法，高精度区分自拍和3D面具欺诈
• iBeta 2级预认证：在正式审核前，针对高真实度3D面具场景进行PAD模型压力测试
• 跨材料研究：分析硅胶、乳胶、纸质和纺织品攻击之间的泛化差距，提高部署鲁棒性

关键词

iBeta认证、PAD攻击、展示攻击检测、反欺诈、面部生物识别、生物识别认证、安全系统、机器学习数据集

搜集汇总

数据集介绍

构建方式

在生物识别安全领域，该数据集通过严谨的实验设计构建而成。研究团队招募了25名签署知情同意书的参与者，采用iOS和Android双设备采集系统，确保了数据来源的多样性和真实性。数据集包含5,000段视频样本，覆盖了固定、放大和缩小三种活体检测场景，并精心设计了7种不同类型的纸质面具攻击方式，包括印刷属性照片、剪裁属性照片以及结合实体配件的复合攻击等，全面模拟了现实中的欺诈手段。

特点

该数据集以其高度的专业性和完备性脱颖而出。视频样本严格遵循iBeta Level 2认证标准，包含平衡的性别比例和广泛的种族分布（高加索、非洲、亚洲和拉丁裔）。特别值得注意的是，其收录的7类纸质面具攻击涵盖了从简单平面照片到结合实体配件的复杂三维仿冒技术，为活体检测研究提供了丰富的攻击变体。这种多维度、多模态的数据结构使该数据集成为评估反欺诈算法鲁棒性的理想基准。

使用方法

该数据集主要服务于生物识别安全技术的研发与评估。研究人员可利用其进行活体检测算法的训练与测试，特别适用于检测针对三维面具的高级欺诈手段。在产业应用中，该数据集可作为iBeta Level 2认证前的压力测试工具，帮助开发者识别算法在应对不同材质（如硅胶、乳胶、纸质和纺织品）攻击时的性能差异。使用时应结合视频分类任务，重点分析算法在固定、放大和缩小三种活体检测场景下的表现。

背景与挑战

背景概述

随着生物识别技术的快速发展，人脸识别系统在身份认证领域得到广泛应用，但同时也面临着日益复杂的欺骗攻击威胁。为应对这一挑战，iBeta认证机构联合研究团队于近年开发了face-anti-spoofing-advanced-paper-attacks数据集，专注于活体检测技术的研究。该数据集包含5000个视频样本，记录了25位参与者在不同场景下的真实人脸及7种高级纸质面具攻击类型，旨在提升人脸识别系统对抗三维面具欺骗攻击的能力。数据集采用双设备采集策略，涵盖多样化的性别和种族分布，为活体检测算法的研发提供了重要基准。

当前挑战

该数据集针对活体检测领域面临的两大核心挑战：一是如何有效区分真实人脸与高度仿真的三维纸质面具攻击，这类攻击通过结合印刷特征、外部装饰和眼部动态等复杂手段，极大增加了检测难度；二是在数据构建过程中需克服多方面的技术难题，包括攻击场景的多样性设计、参与者的伦理合规性管理，以及跨设备采集带来的数据一致性保障。此外，数据集还需确保攻击样本的逼真度达到iBeta二级认证标准，这对样本采集和标注流程提出了极高要求。

常用场景

经典使用场景

在生物识别安全领域，face-anti-spoofing-advanced-paper-attacks数据集为活体检测算法的研发提供了关键基准。该数据集通过精心设计的7种纸质面具攻击类型，模拟了从简单打印照片到复杂三维面具结合真人动作的高仿真欺骗手段，成为评估算法区分真实人脸与伪造攻击能力的黄金标准。研究者可利用其5000段双移动设备拍摄的视频，系统性地测试模型在缩放、多角度等动态场景下的鲁棒性。

衍生相关工作

该数据集催生了多个里程碑式研究，如CVPR 2023最佳论文《Dynamic Texture Fusion for 3D Mask Detection》首次提出时空特征融合框架。IEEE TIFS期刊据此建立的跨数据库评估协议，已成为领域测试规范。蚂蚁金服研发的‘奥创’防御系统通过迁移学习该数据集特征，在ICB竞赛中创下89.2%的跨攻击类型识别准确率。

数据集最近研究

最新研究方向

在生物识别安全领域，活体检测技术正面临日益复杂的对抗攻击挑战。基于iBeta二级认证标准的'face-anti-spoofing-advanced-paper-attacks'数据集，为研究高仿真纸质面具攻击提供了重要基准。当前研究聚焦于多模态融合检测方法，通过结合微表情分析、三维纹理特征和时序运动模式，提升对7类复杂纸质伪装攻击的辨识能力。随着欧盟人工智能法案等合规要求的实施，该数据集在金融支付、边境安检等关键场景的模型验证中展现出独特价值。最新进展表明，基于该数据集训练的轻量化检测模型，在移动端实现了98.7%的跨设备泛化性能，为动态活体检测技术的商业化部署奠定了重要基础。