DeepTeeth: Ein biometrisches ID-System, das Zähne verwendet

Forscher aus Indien haben ein biometrisches System vorgeschlagen, um Zähne als Authentifizierungstoken für sichere Systeme auf mobilen Geräten zu verwenden. Das System, genannt DeepTeeth, überwindet Hindernisse, die frühere Bemühungen in dieser Richtung behindert haben, wie etwa übermäßige Trainingszeit oder hohe oder unrealistische Datenanforderungen, und erreicht eine angebliche Genauigkeitsrate von 100%.

Es ist auch speziell auf sparsame mobile Umgebungen und alltägliche Authentifizierungsszenarien ausgerichtet, anstatt auf die häufigere Verwendung solcher Techniken in einem teuren forensischen Analysekontext.

Der neue Pre-Print, von Forschern am Birla Institute of Technology and Science Pilani in Rajasthan, verwendet eine Datenbildgröße von nur 75×75 Pixeln, ist ein end-to-end-Few-Shot-Framework und hat minimale lokale Ressourcenanforderungen im Vergleich zu früheren Versuchen für zahnbasierende maschinelle Lernalgorithmen.

Der vorgeschlagene Einsatz für DeepTeeth-basierte Authentifizierung. Source: https://arxiv.org/pdf/2107.13217.pdf

Zähne als ID-Kennzeichen

Obwohl Zähne als die volatilsten Gesichtsmerkmale betrachtet werden könnten, aufgrund der Häufigkeit von chirurgischen Eingriffen im Vergleich zu anderen Arten von kosmetischen oder Gesichtsrekonstruktionseingriffen, weist die Studie darauf hin, dass sie langfristig und im Durchschnitt die konstantesten unserer Gesichtsidentifikationsmerkmale bleiben

Vielleicht am bekanntesten ist die Widerstandsfähigkeit unserer dentalen Konfigurationen in der Häufigkeit, mit der sie für die postmortale Identifizierung verwendet werden, wo alle anderen Gewebe Opfer von Feuer oder anderen extremen Formen von Traumata geworden sind. Darüber hinaus sind Zähne das letzte Komponente des Körpers, das nach dem Tod zerfällt.

Während Datensätze für diese Art von forensischer Zahnmedizin speziell sind und benutzerdefinierte Scangeräte (in der Regel mit einer Röntgenkomponente) erfordern, benötigt DeepTeeth nur eine Reihe von einfachen “Zahn-Selfies”, um eine Basis-ID zu erstellen.

Darüber hinaus fanden die Forscher der Studie heraus, dass ihr zahnbasierter ID-Rahmen widerstandsfähig gegen die Art von Spoof-Angriffen ist, die effektiv gegen Fingerabdruck- und Gesichts-ID-Authentifizierungsmethoden eingesetzt wurden.

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

Erfassung, Verarbeitung und Training

Das DeepTeeth-System funktioniert in einer Android-App, wobei der Benutzer mehrere Aufnahmen bereitstellt. Fotos der Zähne können aus verschiedenen Winkeln und unter verschiedenen Beleuchtungsbedingungen aufgenommen werden und werden lokal für spätere Inferenz bei der Authentifizierung verarbeitet.

Um die Kern-Trainingsdatenbank zu generieren, sammelten die Forscher Zahnbilder von 51 Freiwilligen. Die Freiwilligen verwendeten eine Beta-Version der Android-App, um die Bilder selbst zu erhalten. Die App identifiziert und lokalisiert den Zahnbereich, den sie zu erfassen sucht. Jeder Benutzer reichte vier Beispielzahnbilder innerhalb von 3-4 Tagen ein.

Die Daten wurden in einem Siamese-Netzwerk getestet, wo sie auch gegen eine ältere Methode, Google’s 2015 FaceNet, liefen. Das Training verwendete eine Batch-Größe von 16 auf einem Adam-Optimizer. Das Modell wurde auf einem Dell Inspiron-15-5577 mit einem Nvidia GTX 1050 GPU trainiert, wobei das Training knapp unter 25 Minuten dauerte, um einen 256-dimensionalen Merkmalsvektor zu generieren.

Der DeepTeeth-Ansatz leitet die bearbeiteten Rohbilder des Benutzers durch ein Verbesserungsframework für die anschließende Merkmalsextraktion, bevor sie auf dem Gerät durch ein generisches, vorab trainiertes lokales Netzwerk verarbeitet werden.

Obwohl die ursprünglich aufgenommenen und bearbeiteten Zahnsektionen eine Größe von 1416 x 510 Pixeln haben, einer unhandlichen Größe sogar für serverbasiertes maschinelles Lernen, sind es die kleineren Graustufenbilder, die aus diesen Aufnahmen abgeleitet werden, die durch das System laufen, wobei die größeren Daten verworfen werden.

Die Verlustfunktion, die für das Training des Klassifizierungsnetzwerks verwendet wird, ist SoftMax, die leicht und widerstandsfähig genug für die Zielbetriebsumgebung ist.

Die Architektur der Verlustfunktion von DeepTeeth.

Ergebnisse

Die Forscher verwendeten fünf separate Leistungsparameter, um DeepTeeth zu bewerten, und fanden heraus, dass das System mit einer bescheidenen Eingabegröße von 75 Pixeln im Quadrat optimal funktioniert und eine Erfolgsrate von 100% erreicht.

Frühere Versuche, Zähne als biometrischen Indikator zu verwenden, umfassen die 2008 Studie Multimodale biometrische Authentifizierung unter Verwendung von Zahn-Bildern und Stimme in mobiler Umgebung, die im Wesentlichen Zähne als Backup-Methode für sprachbasierte Identifizierung hinzufügte.

Ein weiterer Kandidat, aus dem Jahr 2020, war das SmileAuth-Framework, das von Forschern der Hunan-Universität in China vorgeschlagen wurde, in Zusammenarbeit mit der Michigan State University und der University of Massachusetts. Experimentelle Ergebnisse zum Zeitpunkt der Veröffentlichung der Studie deuteten darauf hin, dass das SmileAuth-System eine Genauigkeitsrate von bis zu 99,74% erreichen konnte. Das System verwendete Random Forest für die Merkmalsextraktion.

Die Forscher behaupten, dass DeepTeeth alle früheren Versuche in diesem Nischenbereich der Biometrie übertrifft und die zahnmedizinische Erkennung über die forensische Sphäre hinaus als eine mögliche Avenue für face-basierte ID-Authentifizierung vorantreibt.