DeepTeeth: Ein biometrisches ID-System, das Zähne verwendet

Forscher aus Indien haben ein biometrisches System vorgeschlagen, um Zähne als Authentifizierungstoken für sichere Systeme auf Mobilgeräten zu verwenden. Genannt DeepTeethÜberwindet das System Stolpersteine, auf die frühere Bemühungen zur Erreichung dieses Ziels gestoßen sind, wie z. B. übermäßige Trainingszeit oder hohe oder unrealistische Datentrainingsanforderungen, um eine gemeldete Genauigkeitsrate von 100 % zu erreichen.

Es ist außerdem speziell auf sparsame mobile Umgebungen und gelegentliche Benutzerauthentifizierungsszenarien ausgerichtet und nicht auf den häufigeren Einsatz solcher Techniken in einem teuren forensischen Analysekontext.

The new Vordruck, von Forschern am Birla Institute of Technology and Science Pilani in Rajasthan, nutzt eine Datenbildgröße von nur 75 x 75 Pixel, ist ein durchgängiges Framework mit wenigen Aufnahmen und erfordert im Vergleich zu früheren Versuchen nur minimale lokale Ressourcen Zahnbasierte Authentifizierungssysteme für maschinelles Lernen.

Die vorgeschlagene Verwendung für die DeepTeeth-basierte Authentifizierung. Quelle: https://arxiv.org/pdf/2107.13217.pdf

Zähne als ID-Signifikanten

Obwohl die Zähne aufgrund der Häufigkeit chirurgischer Eingriffe im Vergleich zu anderen Arten von Schönheits- oder Gesichtsrekonstruktionsoperationen als die veränderlichsten Gesichtsmerkmale gelten, stellt der Artikel fest, dass sie langfristig und im Durchschnitt die beständigsten unserer Gesichtszüge bleiben Identifikationsmerkmale

Am bekanntesten ist vielleicht, dass die Widerstandsfähigkeit unserer Zahnkonfigurationen darin zum Ausdruck kommt, wie häufig sie zur postmortalen Identifizierung verwendet werden, wenn alles andere Gewebe Feuer oder anderen extremen Formen von Trauma zum Opfer gefallen ist. Darüber hinaus sind Zähne der allerletzte Bestandteil des Körpers, der nach dem Tod abgebaut wird.

Während Datensätze für diese Art der forensischen Zahnheilkunde spezialisiert sind und eine spezielle Scanausrüstung (normalerweise mit einer Röntgenkomponente) erfordern, benötigt DeepTeeth nur eine Reihe einfacher „Zahn-Selfies“, um eine Basis-ID zu erstellen.

Darüber hinaus stellten die Forscher des Papiers fest, dass ihr zahnbasiertes ID-Framework gegen die Art von Spoof-Angriffen resistent ist, die effektiv auf Fingerabdruck- und Gesichts-ID-Authentifizierungsmethoden gerichtet sind.

Normalisierte Region of Interest (RoI)-Bilder und ihre entsprechenden Verbesserungen im automatisierten DeepTeeth-Arbeitsablauf.

Erfassung, Verarbeitung und Schulung

Das DeepTeeth-System wird in einer Android-App betrieben, wobei das Motiv mehrere Aufnahmen liefert. Fotos der Zähne können aus verschiedenen Blickwinkeln und bei unterschiedlichen Lichtverhältnissen aufgenommen und vor Ort verarbeitet werden, um später bei der Authentifizierung Rückschlüsse ziehen zu können.

Um die Kerntrainingsdatenbank zu erstellen, sammelten die Forscher Zahnbilder von 51 Freiwilligen. Die Freiwilligen nutzten eine Betaversion der Android-App, um die Bilder selbst zu erhalten. Die App identifiziert und lokalisiert den Zahnbereich, den sie erfassen möchte. Jeder Benutzer reichte innerhalb von 3–4 Tagen vier Beispielzahnbilder ein.

Die Daten wurden in einem getestet Siamesisches Netzwerk wo es auch gegen eine konkurrierende, ältere Methode durchgeführt wurde – Googles 2015 FaceNet. Das Training verwendete eine Stapelgröße von 16 auf einem Adam-Optimierer. Das Modell wurde auf einem Dell Inspiron-15-5577 mit einer Nvidia GTX 1050 GPU trainiert, wobei das Training etwas weniger als 25 Minuten dauerte, um einen 256-dimensionalen Feature-Vektor zu generieren.

Der DeepTeeth-Ansatz leitet zugeschnittene, vom Benutzer aufgenommene Rohbilder durch ein Erweiterungs-Framework zur anschließenden Merkmalsextraktion, bevor sie auf dem Gerät über ein generisches, vorab trainiertes lokales Netzwerk verarbeitet werden.

Obwohl der ursprünglich erfasste und zugeschnittene Zahnabschnitt 1416 x 510 Pixel misst, was selbst für serverbasiertes maschinelles Lernen eine unhandliche Größe darstellt, werden die aus diesen Aufnahmen abgeleiteten kleineren Graustufenbilder durch das System geleitet, während die größeren Daten verworfen werden.

Der verlustfunktion Wird für das Training des Klassifizierungsnetzwerks verwendet Softmax, das leicht und belastbar genug für die Zielbetriebsumgebung ist.

Die Verlustfunktionsarchitektur von DeepTeeth.

Ergebnisse

Die Forscher verwendeten fünf separate Leistungsparameter zur Bewertung von DeepTeeth und stellten fest, dass das System mit einer mageren Eingabegröße von 75 Pixeln im Quadrat optimal funktioniert und eine Erfolgsquote von 100 % erreicht.

Zu den früheren Versuchen, Zähne als biometrischen Indikator zu verwenden, gehört der 2008 Studie Multimodale biometrische Authentifizierung mithilfe von Zahnbildern und Sprache in einer mobilen Umgebung, das im Wesentlichen Zähne als Backup-Methode für die sprachbasierte Identifizierung hinzufügte.

Ein weiterer Anwärter aus dem Jahr 2020 war der SmileAuth Rahmenvorschlag von Forschern der Hunan-Universität in China, einer Zusammenarbeit mit der Michigan State University und der University of Massachusetts. Experimentelle Ergebnisse zum Zeitpunkt der Veröffentlichung des Artikels deuteten darauf hin, dass das SmileAuth-System eine Genauigkeitsrate von bis zu 99.74 % erreichen könnte. Das System verwendete Random Forest zur Merkmalsextraktion.

Die Forscher behaupten, dass DeepTeeth alle bisherigen Versuche in diesem Nischenbereich der Biometrie übertrifft und die Zahnerkennung über den forensischen Bereich hinaus als praktikablen potenziellen Weg für die gesichtsbasierte ID-Authentifizierung erschließt.