本文档《虹膜呈现攻击检测综述》是一篇发表于《自动化学报》2024年第50卷第2期的学术综述文章。作者包括王财勇（北京建筑大学机器人仿生与功能研究北京市重点实验室）、刘星雨（北京建筑大学）、房美玲（弗劳恩霍夫计算机图形研究所）、赵光哲（北京建筑大学）、何召锋（北京邮电大学人工智能学院）以及孙哲南（中国科学院自动化研究所多模态人工智能系统全国重点实验室）。该文旨在对虹膜呈现攻击检测（Iris Presentation Attack Detection, IPAD）这一领域进行全面、系统的梳理与总结，帮助研究人员快速掌握该领域的相关知识与发展动态。
一、 研究背景与意义 虹膜识别技术因其唯一性、稳定性、非接触性和高准确性等优点，在国家公共安全、边检安防、金融支付及移动设备解锁等多个重要场景中得到广泛应用。然而，虹膜识别系统在认证过程中存在安全漏洞，容易遭受各种攻击，其中，呈现攻击（Presentation Attacks, PAs）发生在图像获取的早期阶段，攻击者通过向传感器呈现伪造的虹膜样本（如打印照片、重放视频、佩戴美瞳隐形眼镜、使用义眼等）来欺骗系统，严重威胁其安全性。因此，虹膜呈现攻击检测（IPAD）技术应运而生，成为保障虹膜识别系统安全可靠运行的首要环节。本文指出，该综述是已知首篇IPAD领域的中文综述，具有填补空白、引导国内研究的重要意义。
二、 虹膜识别系统安全漏洞与攻击类型 文章首先阐述了虹膜识别系统的一般流程及其潜在的安全漏洞，重点聚焦于呈现攻击。攻击目的主要分为两类：冒充他人身份（Impersonation）和隐藏自身身份（Concealment）。文章详细列举并图示了常见的攻击类型，包括： 1. 使用真实虹膜的攻击：如尸体虹膜和病变虹膜。这类攻击利用了生物体本身的特征，检测难度较大。 2. 人工制品攻击： * 二维攻击：包括静态图像（打印照片、屏显图像）和动态图像（视频重放攻击）。 * 三维攻击：包括美瞳隐形眼镜（有纹理的隐形眼镜）和义眼。 3. 合成虹膜攻击：利用计算机图形学或深度学习（如生成对抗网络，GAN）技术生成逼真的虹膜图像，这是一种新兴且威胁巨大的攻击方式。
文章还介绍了相关的评价指标（如APCER, BPCER, HTER等）和评估协议（如同数据集同类型、跨数据集同类型、同数据集跨类型、跨数据集跨类型协议），为客观衡量IPAD算法性能提供了标准。
三、 主流虹膜呈现攻击检测方法分类 本文对IPAD方法进行了系统性的归纳，主要依据是否使用额外硬件设备，将其分为两大类： 1. 基于硬件的方法：这类方法依赖于额外的硬件设备来捕获活体特有的生物或物理信号。例如，利用多光谱成像、瞳孔对光照的动态反应（如瞳孔收缩）、眼动追踪、三维深度信息等。这些方法通常能提供较强的活体证据，但会增加系统成本和复杂性。 2. 基于软件的方法：这类方法仅通过分析采集到的单张或多张虹膜图像本身的特征进行判别，成本较低，易于集成。文章进一步根据特征提取方式对基于软件的方法进行了细分： * 基于手工设计特征的方法：早期方法多基于图像纹理分析，如利用局部二值模式（LBP）、灰度共生矩阵（GLCM）、傅里叶频谱分析等来区分真实虹膜与伪造虹膜在纹理细节、频率分布等方面的差异。 * 基于深度学习的方法：这是当前的研究主流。利用卷积神经网络（CNN）等深度模型自动学习区分真伪的深层特征。文中提及了多种网络架构和应用，包括专门设计的网络、利用预训练模型进行微调、以及处理多帧时序信息的网络等。深度学习方法在性能上通常优于传统手工特征方法。
四、 工业应用、公开资源与研究挑战 文章不仅关注学术研究，也总结了IPAD技术在工业界的应用现状。通过列表展示了国内外主要虹膜识别厂商（如北京中科虹霸、IrisGuard等）所部署的IPAD技术及其支持的攻击类型，并展示了相关中国专利数量的增长趋势和主要申请公司的词云图，印证了该技术在产业界受到高度重视并具有广阔的应用前景。 此外，文章系统整理了该领域的公开数据集（如LivDet-Iris系列比赛使用的数据集）、开源算法以及国际比赛（如LivDet-Iris竞赛），为研究者提供了宝贵的实验资源和性能基准。 文章深入剖析了IPAD面临的核心挑战与难点，主要包括： * 攻击类型的多样性与演进性：新的攻击手段（如高质量合成虹膜）不断出现，要求检测算法具备强大的泛化能力。 * 跨域泛化问题：算法在实验室数据集上表现良好，但在不同传感器、不同光照条件、不同用户群体等未知场景下性能可能急剧下降。 * 计算效率与实时性：特别是在移动设备等资源受限环境下部署时，需平衡检测精度与计算开销。 * 可解释性与公平性：深度学习模型常被视为“黑箱”，需要研究其决策依据以提高可信度；同时需确保算法对不同人群（如不同虹膜颜色、种族）的公平性。
五、 未来发展方向 基于现有研究进展和挑战，文章展望了IPAD未来可能的发展方向： 1. 提升泛化能力：研究领域自适应（Domain Adaptation）、领域泛化（Domain Generalization）等技术，使模型能更好地应对未知的攻击类型和采集环境。 2. 轻量化与高效部署：设计轻量级网络模型、探索模型压缩与蒸馏技术，以适应边缘计算设备。 3. 增强可解释性：开发可解释的AI（XAI）方法，揭示模型判断真伪的关键视觉证据，增加系统透明度与可信度。 4. 关注隐私与安全：研究在保护用户虹膜模板隐私的前提下进行活体检测的方法。 5. 探索多模态融合：结合眼周、人脸、眨眼序列等多模态信息，提升检测的鲁棒性。 6. 对抗生成与检测的博弈：持续关注并防御基于最先进生成技术（如StyleGAN2）的新型合成攻击。
六、 论文的价值与意义 本综述论文具有重要的学术价值和实践指导意义。首先，它首次以中文形式系统性地梳理了IPAD领域，降低了国内研究者的入门门槛，促进了知识传播。其次，文章构建了一个清晰的知识框架，涵盖了从问题定义、攻击分类、方法体系、评估标准到工业应用、研究资源及未来趋势的全链条内容，逻辑严密，层次分明。再者，文章不仅总结了传统方法，更重点分析了深度学习方法的最新进展和面临的深层次挑战（如泛化性、可解释性），为后续研究指明了重点和突破口。最后，通过连接学术界与产业界，展示了IPAD技术的实际价值与紧迫需求，推动了科研成果向实际安防产品的转化。该文是虹膜识别安全领域一份详实、前沿的参考指南，对该领域的研究人员、工程师和学生都具有很高的参考价值。