国际指纹活体检测竞赛（LivDet）是一项每两年举办一次的活动，邀请学术界和工业界的参与者证明他们在指纹表示攻击检测（PAD）方面的进展。本届竞赛提出了两个挑战，即动作中的活体检测和指纹表示，旨在评估嵌入验证系统的 PAD 的有效性以及特征集的有效性和紧凑性。另外，还包括一个隐藏挑战，即在训练集中包含两个未知传感器信息的子集，测试参与者的模型泛化能力。参与者只提供真实指纹样本，竞赛报告并评估他们的算法在数据可用性有限的情况下的性能。

Sep, 2023

2023 年的 ''LivDet'' 系列虹膜展示攻击检测（PAD）竞赛的结果。新的元素包括生成对抗网络（GAN）产生的虹膜图像作为展示攻击工具的一类，以及评估人类检测展示攻击工具的准确性作为参考基准。结果分析了不同类型的展示攻击工具的准确性，并与人类准确性进行了比较。总体而言，Fraunhofer IGD 算法表现出最佳的加权准确性结果（平均分类错误率为 37.31%），而北京土木工程与建筑大学的算法在每个展示攻击工具给予相等权重时获胜（平均分类率为 22.15%）。这些结果表明虹膜 PAD 仍然是一个具有挑战性的问题。

Oct, 2023

我们介绍了一种高性能的指纹活体特征提取技术，该技术在 LivDet 2023 指纹特征展示挑战中获得第一名。此外，我们还开发了一个实用的指纹识别系统，准确率达到 94.68%，在 LivDet 2023 活体检测行动中获得第二名。通过研究各种方法，特别是样式转移，我们展示了在面对有限的训练数据时准确性和泛化性的提升。因此，我们的方法在 LivDet 2023 挑战中实现了最先进的性能。

Oct, 2023

通过分类总结深度学习 Fingerprint Presentation Attack Detection（FPAD）的方法，主要集中于近年来的 deep-learning FPAD 技术，涉及指纹认证、攻击检测、接触式和智能手机模式等主题。

May, 2023

我们提出了一种用于无接触指纹的通用表现攻击检测方法，该方法使用了合成的无接触指纹进行模型训练，并结合了 Arcface 和 Center loss 进行联合损失函数的设计，最终取得了 0.12% 的正常认证错误率、0.63% 的攻击展示分类错误率和 0.37% 的平均分类错误率。

Oct, 2023

该论文提出了一种基于卷积神经网络和生成对抗网络的指纹图像防攻击方法，通过生成与现有攻击样本不同的真实样本来增加数据集，有效提高了指纹图像防攻击的准确性。

Jun, 2023

本研究提出了一种基于 Flickr 图像的新型 PAD 数据库：Flickr-PAD，利用该数据库进行训练和评估可以得到比现有算法更好的结果，该方法使用了 MobileNet-V3 和 EfficientNet-B0 模型， BPCER10 为 7.08％，BPCER20 为 11.15％。

Apr, 2023

我们提出了一种创新的反欺骗方法，将无监督自编码器与卷积块注意模块相结合，以解决现有方法的局限性，并具有有效推广性。我们的模型仅在真实图像上进行训练，未接触任何伪造样本，在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中，实现了平均 BPCER 为 0.96％，APCER 为 1.6％。

Nov, 2023

该研究提出了一种名为 RTK-PAD 的全局 - 局部模型的假证据检测方法，通过采用全局模块和局部模块之间的重新思考模块连接，结合了全局和局部的假证据得分，以实现假证据检测，并在 LivDet 2017 上进行的实验结果表明 RTK-PAD 表现显著，在 TDR（真实检测率）方面比现有方法高 10%（91.19% 对 80.74%）。

Feb, 2024

自动指纹识别系统面临虚假攻击的威胁，本文提出了一种动态集成的深度学习和手工特征方法来检测已知材料和未知材料协议中的虚假攻击，该模型利用了分类技术的能力并在基准协议中表现出更好的性能。

Aug, 2023