DeepTeeth: Biometrisen ID-järjestelmä, joka käyttää hampaita

Intialaiset tutkijat ovat ehdottaneet biometristä järjestelmää, joka käyttää hampaita todennusavaimena turvallisille järjestelmille mobiililaitteissa. Järjestelmä, jota kutsutaan DeepTeethksi, ylittää esteet, joita aiemmat pyrkimykset tähän tavoitteeseen ovat kohdanneet, kuten liian pitkän koulutusajan tai korkeat tai epärealistiset koulutusvaatimukset, ja saavuttaa ilmoitetun 100 %:n tarkkuusasteen.

Se on erityisesti suunniteltu niukkojen mobiiliympäristöjen ja epävirallisten käyttäjäntodennuskohtauksien tarpeisiin, eikä niinkään yleisemmin käytettävien menetelmien käyttöön kalliissa oikeudellisessa analyysikontekstissa.

Uusi pre-print, joka on peräisin Birla Institute of Technology and Science Pilanin tutkijoilta Rajasthaniin, käyttää vain 75×75 pikselin kokoista datakuvaa, ja se on päästä päähän vähäinen kehys, ja se vaatii vähän paikallisia resursseja verrattuna aiempiin hampaisiin perustuviin koneoppimisen todennusjärjestelmiin.

DeepTeeth-pohjaisen todennuksen ehdotettu käyttö. Lähde: https://arxiv.org/pdf/2107.13217.pdf

Hampaat tunnisteina

Vaikka hampaat voivat näyttää kasvojen epävakaimmalta piirteeltä johtuen useista kirurgisista puutteista verrattuna muihin kosmeettisiin tai kasvojen uudelleenrakennusleikkauksiin, tutkimus huomauttaa, että pitkällä aikavälillä ja keskimäärin ne säilyvät kasvojen tunnistamisominaisuuksista pysyvimpinä.

Todennäköisesti tunnetuimmin hampaiden kestävyyttä esitetään usein siinä, kuinka usein niitä käytetään kuolemanjälkeisiin tunnistamistarkoituksiin, kun kaikki muu kudokset ovat tuhoutuneet tulipalossa tai muissa äärimmäisissä traumamuodoissa. Lisäksi hampaat ovat viimeinen kehon osa, joka mätänee kuoleman jälkeen.

Koska tällaisen oikeudellisen hammaslääketieteen tietokannat ovat erikoistuneita ja vaativat erityiskalustoa (yleensä röntgenkomponentilla), DeepTeeth vaatii vain sarjan yksinkertaisia “hammasitsejä” perustodennuksen luomiseksi.

Lisäksi tutkimuksen tutkijat totesivat, että heidän hampaisiin perustuva todennuskehyksensä on vastustuskykyinen sellaisille huijaushyökkäyksille, joita on kohdistettu sormenjäljen ja kasvon tunnistusmenetelmille.

Normalisoidut RoI-kuvat ja niiden vastaavat parannukset automaattisessa DeepTeeth-työvirrassa.

Kuvan ottaminen, prosessi ja koulutus

DeepTeeth-järjestelmä toimii Android-sovelluksessa, ja aihe ottaa useita valokuvia. Hampaista otetut valokuvat voidaan ottaa eri kulmista ja eri valaistusolosuhteissa, ja ne prosessoidaan paikallisesti myöhempää todennusta varten.

Ydin koulutustietokannan luomiseksi tutkijat keräsivät hampaiden kuvia 51 vapaaehtoiselta. Vapaaehtoiset käyttivät Android-sovelluksen betaversiota itse kuvien ottamiseen. Sovellus tunnistaa ja lokaloi hampaiden alueen, jota se etsii.

Kukin käyttäjä lähetti neljä esimerkkihampaskuvaa kolmen tai neljän päivän kuluessa.

Dataa testattiin Siamese-verkkoon, jossa se ajettiin myös vanhemman menetelmän, Google 2015 FaceNet, kanssa. Koulutus käytti erän kokoista 16 Adam-optimointia varten. Malli koulutettiin Dell Inspiron-15-5577:llä, jossa oli Nvidia GTX 1050 -näytönohjain, ja koulutus kesti vähän alle 25 minuuttia 256-ulotteisen piirtevektorin luomiseksi.

DeepTeeth-lähestymistapa ohjaa leikattuja raakakuvia parannuskehyksestä seuraavaa piirteiden poimintaa varten ennen laitteen prosessointia yleisesti esikoulutetun paikallisen verkon kautta.

Vaikka aluksi otetut ja leikattut hampaiden osat ovat 1416 x 510 pikselin kokoisia, mikä on jopa palvelinpohjaiselle koneoppimiselle koulutukselle epämukava koko, pienemmät harmaasävyt kuvat, jotka ovat johdettavissa näistä kuvista, ovat ne, jotka kulkevat järjestelmän läpi, ja suuremmat tiedot hylätään.

Häviöfunktio, jota käytetään luokittelun koulutusverkkoon, on SoftMax, joka on kevyt ja riittävän kestävä kohdekäyttöympäristölle.

DeepTeeth-häviöfunktion arkkitehtuuri.

Tulokset

Tutkijat käyttivät viittä erillistä suorituskykyparametria DeepTeeth-järjestelmän arvioimiseen ja totesivat, että järjestelmä toimii optimaalisesti vain 75 pikselin kokoisella syötöllä, ja saavuttaa 100 %:n onnistumisprosentin.

Aiemmat yritykset käyttää hampaita biometrisenä tunnisteena sisälsivät vuoden 2008 tutkimuksen Monimuotoinen biometrisen todennus hampaiden kuvan ja äänen avulla mobiiliympäristössä, joka lisäsi hampaat ääniin perustuvan tunnistuksen varamuodoksi.

Toinen kilpailija, vuodelta 2020, oli SmileAuth-kehys, jonka Kiinan Hunanin yliopiston tutkijat esittivät yhteistyössä Michiganin osavaltion yliopiston ja Massachusettsin yliopiston kanssa. Kokeelliset tulokset tutkimuksen julkaisun aikana osoittivat, että SmileAuth-järjestelmä saavutti jopa 99,74 %:n tarkkuusasteen. Järjestelmä käytti satunnaisen metsän menetelmää piirteiden poimintaan.

Tutkijat väittävät, että DeepTeeth parantaa kaikkia aiempia pyrkimyksiä tässä biometrian erityisalalla ja vie hampaiden tunnistamisen oikeudellisen sfäärin ulkopuolelle käyttökelpoisena vaihtoehtona kasvojen perusteella tapahtuvaan todennukseen.