DeepTeeth: Et Biometrisk ID-System, Der Bruger Tænder

Forskere fra Indien har foreslået et biometrisk system til brug af tænder som en godkendelsestoken for sikre systemer på mobile enheder. Kaldet DeepTeeth, overvinder systemet de hindringer, som tidligere forsøg mod dette mål har mødt, såsom overmåde lang træningstid eller høje eller urealistiske data-træningskrav, for at opnå en rapporteret nøjagtighed på 100%.

Det er også specifikt rettet mod beskedne mobile miljøer og casual bruger-godkendelsesscenarioer, snarere end den mere almindelige brug af sådanne teknikker i en dyr forensic analysekontekst.

Den nye pre-print, fra forskere ved Birla Institute of Technology and Science Pilani i Rajasthan, anvender en data-billedstørrelse på kun 75×75 pixels, er en end-to-end few-shot-ramme, og har minimale lokale ressourcebehov i forhold til tidligere forsøg på tand-baseret maskinlærings-godkendelsessystemer.

The proposed usage for DeepTeeth-based authentication. Source: https://arxiv.org/pdf/2107.13217.pdf

Tænder som ID-Signifikatorer

Selv om tænder kan anses for at være de mest flygtige af ansigts-trækkene, på grund af hyppigheden af kirurgisk indgreb i forhold til andre typer af kosmetisk eller ansigts-rekonstruktion, bemærker artiklen, at på lang sigt og i gennemsnit, forbliver de de mest konsekvente af vores ansigts-identifikationskarakteristika.

Måske mest berømt, er holdbarheden af vores tand-konfigurationer eksemplificeret i, hvor hyppigt de bruges til post-mortem-identifikation, hvor alle andre væv har faldet offer for ild eller andre ekstreme former for trauma. Desuden er tænder det sidste komponent af kroppen, der degraderer efter døden.

Hvor datasets for denne type af forensic tandlægevidenskab er specialiserede og kræver særlig scanning-udstyr (som regel med en røntgen-komponent), kræver DeepTeeth kun en række lette ‘tand-selfies’ for at etablere en baseline-ID.

Desuden fandt artiklens forskere, at deres tand-baserede ID-ramme er resistent over for den type spoof-angreb, der har været effektivt rettet mod fingerprint og ansigts-ID-godkendelsesmetoder.

Normalized Region of Interest (RoI) images, and their corresponding enhancements in the automated DeepTeeth work-flow.

Optagelse, Behandling og Træning

DeepTeeth-systemet opererer i en Android-app, hvor subjektet leverer multiple optagelser. Fotos af tænder kan tages fra forskellige vinkler og under forskellige lysforhold, og behandles lokalt for senere inferens ved godkendelsestidspunkt.

For at generere den centrale træningsdatabase, indsamlede forskerne tand-billeder fra 51 frivillige. Frivillige brugte en beta-version af Android-appen til at få billeder selv. Appen identificerer og lokaliserer tænder-området, det søger at erhverve. Hver bruger indsendte fire eksempler på tand-billeder inden for en periode på 3-4 dage.

Data blev testet i en Siamese network, hvor det også blev kørt mod en konkurrerende, ældre metode – Google’s 2015 FaceNet. Træningen brugte en batch-størrelse på 16 på en Adam-optimizer. Modellen blev trænet på en Dell Inspiron-15-5577 med en Nvidia GTX 1050 GPU, og træningen tog lidt under 25 minutter at generere en 256-dimensionel feature-vektor.

The DeepTeeth approach passes cropped raw user-taken images through an enhancement framework for subsequent feature extraction before on-device processing through a generic pre-trained local network.

Selv om de initialt optagede og beskårne tand-sektioner måler 1416 x 510 pixels, en ubehagelig størrelse, selv for server-baseret maskinlærings-træning, er det de mindre gråtone-billeder, der er afledt af disse optagelser, der køres gennem systemet, med den større data kasseret.

Den loss function brugt til træning af klassifikations-netværket er SoftMax, som er letvægts og robust nok til det målrettede driftsmiljø.

The loss function architecture of DeepTeeth.

Resultater

Forskerne brugte fem separate performances-parametre til at evaluere DeepTeeth, og fandt, at systemet opererer optimalt med en beskeden input-størrelse på 75 pixels kvadrat, og opnår en 100% succesrate.

Tidligere forsøg på at bruge tænder som en biometrisk indikator inkluderer 2008-studiet Multimodal biometric authentication using teeth image and voice in mobile environment, som essentiellement tilføjede tænder som en backup-metode for stemme-baseret identifikation.

En anden konkurrent, fra 2020, var SmileAuth-rammen foreslået af forskere ved Hunan University i Kina, en samarbejdsaftale med Michigan State University og University of Massachusetts. Eksperimentelle resultater ved tidspunktet for artiklens udgivelse antydede, at SmileAuth-systemet kunne opnå en nøjagtighedsrate op til 99,74%. Systemet brugte Random Forest til feature-ekstraktion.

Forskerne påstår, at DeepTeeth forbedrer alle tidligere forsøg i dette niche-område af biometri, og tager tand-genkendelse ud over den forensic sfære som en mulig vej for face-baseret ID-godkendelse.