DeepTeeth: Et biometrisk ID-system, der bruger tænder

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

Det er også specifikt rettet mod beskedne mobile miljøer og afslappede bruger-autentificeringsscenarier, 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-billede-størrelse på kun 75×75 pixel, er en end-to-end few-shot-ramme, og har minimal lokale ressourcebehov i forhold til tidligere forsøg på tand-baseret maskinlærings-autentificeringssystemer.

Den foreslåede brug af DeepTeeth-baseret autentificering. Kilde: https://arxiv.org/pdf/2107.13217.pdf

Tænder som ID-betegnelser

Selv om tænder kan betragtes som de mest volatile ansigts-træk, på grund af hyppigheden af kirurgisk indgreb i forhold til andre former for 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 ofte 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 forfalder efter døden.

Whereas 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-selvfotoer’ for at etablere en baseline-ID.

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

Normaliserede Region of Interest (RoI)-billeder og deres corresponding forbedringer i den automatiserede DeepTeeth-arbejdsgang.

Indfanging, bearbejdning og træning

DeepTeeth-systemet opererer i en Android-app, hvor subjektet tilbyder multiple indfanginger. Fotos af tænder kan tages fra forskellige vinkler og i en variation af lysforhold, og bearbejdes lokalt for senere inferens ved autentificeringstidspunkt.

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

Dataen blev testet i en Siamese-netværk, hvor den 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 funktionel vektor.

DeepTeeth-tilgangen sender beskåret råt bruger-taget billed gennem en forbedrings-ramme til efterfølgende funktionel udtrækning før på-enhed-behandling gennem en generisk forudindlæst lokal netværk.

Selv om de initialt indfangede og beskårede tand-sektioner måler 1416 x 510 pixel, en uhanterlig størrelse selv for server-baseret maskinlærings-træning, er det de mindre gråskala-billeder, der er afledt fra disse indfanginger, der køres gennem systemet, med den større data forkastet.

Tab-funktionen brugt til træning af klassificerings-netværket er SoftMax, som er letvægts og robust nok til det målrettede driftsmiljø.

Tab-funktions-arkitekturen for DeepTeeth.

Resultater

Forskerne brugte fem separate præstationsparametre til at evaluere DeepTeeth, og fandt, at systemet opererer optimalt med en beskeden indgangsstørrelse på 75 pixel 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, et samarbejde med Michigan State University og University of Massachusetts. Eksperimentelle resultater på tidspunktet for artiklens udgivelse antydede, at SmileAuth-systemet kunne opnå en nøjagtighed på op til 99,74%. Systemet brugte Random Forest til funktionel udtrækning.

Forskerne hævder, at DeepTeeth forbedrer alle tidligere forsøg på dette niche-område af biometri, og tager tand-genkendelse ud over den forensic sfære som en mulig vej for ansigt-baseret ID-autentificering.