DeepTeeth: Sistem Identifikasi Biometrik yang Menggunakan Gigi

Peneliti dari India telah mengusulkan sistem biometrik untuk menggunakan gigi sebagai token autentikasi untuk sistem keamanan pada perangkat mobile. Disebut DeepTeeth, sistem ini mengatasi hambatan yang dihadapi oleh upaya sebelumnya untuk mencapai tujuan ini, seperti waktu pelatihan yang berlebihan atau persyaratan data pelatihan yang tinggi atau tidak realistis, untuk mencapai tingkat akurasi yang dilaporkan sebesar 100%.

Sistem ini juga ditujukan khusus untuk lingkungan mobile yang hemat dan skenario autentikasi pengguna yang santai, bukan penggunaan teknik tersebut dalam konteks analisis forensik yang lebih umum.

Pracetak baru pracetak, dari peneliti di Birla Institute of Technology and Science Pilani di Rajasthan, menggunakan ukuran gambar data sebesar 75×75 piksel, merupakan kerangka kerja few-shot yang lengkap, dan memiliki kebutuhan sumber daya lokal yang minimal dibandingkan dengan upaya sebelumnya untuk sistem autentikasi berbasis mesin pembelajaran gigi.

Penggunaan yang diusulkan untuk autentikasi berbasis DeepTeeth. Sumber: https://arxiv.org/pdf/2107.13217.pdf

Gigi sebagai Penanda ID

Meskipun gigi mungkin dianggap sebagai fitur wajah yang paling tidak stabil, karena frekuensi intervensi bedah dibandingkan dengan jenis bedah kosmetik atau rekonstruksi wajah lainnya, makalah tersebut mencatat bahwa dalam jangka panjang dan rata-rata, mereka tetap menjadi karakteristik identifikasi wajah yang paling konsisten

Mungkin yang paling terkenal, ketahanan konfigurasi gigi kita ditunjukkan dalam seberapa sering mereka digunakan untuk identifikasi pasca kematian, di mana semua jaringan lain telah menjadi korban api atau bentuk trauma ekstrem lainnya. Selain itu, gigi adalah komponen terakhir tubuh yang membusuk setelah kematian.

Sementara dataset untuk jenis kedokteran gigi forensik ini bersifat khusus dan memerlukan peralatan pemindaian kustom (biasanya dengan komponen sinar-X), DeepTeeth hanya memerlukan serangkaian ‘selfie gigi’ yang mudah untuk membangun ID dasar.

Lebih lanjut, peneliti makalah tersebut menemukan bahwa kerangka kerja ID berbasis gigi mereka tahan terhadap serangan spoof yang telah efektif diluncurkan terhadap metode autentikasi ID sidik jari dan wajah.

Gambar Region of Interest (RoI) yang dinormalisasi, dan peningkatan yang sesuai dalam alur kerja DeepTeeth yang otomatis.

Pengambilan, Pengolahan, dan Pelatihan

Sistem DeepTeeth beroperasi dalam aplikasi Android, dengan subjek yang menyediakan beberapa pengambilan. Foto gigi dapat diambil dari berbagai sudut dan dalam berbagai kondisi pencahayaan, dan diproses secara lokal untuk inferensi kemudian pada saat autentikasi.

Untuk menghasilkan database pelatihan inti, peneliti mengumpulkan gambar gigi dari 51 relawan. Relawan menggunakan beta aplikasi Android untuk mendapatkan gambar tersebut. Aplikasi mengidentifikasi dan memlocalisasi area gigi yang ingin diperoleh. Setiap pengguna mengirimkan empat contoh gambar gigi dalam ruang 3-4 hari.

Data diuji dalam jaringan Siamese di mana juga dijalankan melawan metode yang lebih tua – FaceNet Google 2015 FaceNet. Pelatihan menggunakan ukuran batch 16 pada optimizer Adam. Model dilatih pada Dell Inspiron-15-5577 menggunakan GPU Nvidia GTX 1050, dengan pelatihan yang memakan waktu kurang dari 25 menit untuk menghasilkan vektor fitur 256-dimensi.

Pendekatan DeepTeeth melewati gambar mentah yang dipotong pengguna melalui kerangka kerja peningkatan untuk ekstraksi fitur selanjutnya sebelum pemrosesan perangkat melalui jaringan lokal pra-dilatih generik.

Meskipun bagian gigi yang awalnya dipotong dan diukur 1416 x 510 piksel, ukuran yang tidak praktis bahkan untuk pelatihan mesin pembelajaran berbasis server, gambar skala abu-abu yang dihasilkan dari pengambilan ini adalah yang melewati sistem, dengan data yang lebih besar dibuang.

Fungsi kerugian yang digunakan untuk melatih jaringan klasifikasi adalah SoftMax, yang ringan dan tahan enough untuk lingkungan operasional target.

Arsitektur fungsi kerugian DeepTeeth.

Hasil

Peneliti menggunakan lima parameter kinerja terpisah untuk mengevaluasi DeepTeeth, dan menemukan bahwa sistem beroperasi secara optimal dengan ukuran input yang kecil sebesar 75 piksel persegi, mencapai tingkat keberhasilan 100%.

Upaya sebelumnya untuk menggunakan gigi sebagai indikator biometrik termasuk studi Autentikasi biometrik multimodal menggunakan gambar gigi dan suara dalam lingkungan mobile pada tahun 2008, yang pada dasarnya menambahkan gigi sebagai metode cadangan untuk identifikasi berbasis suara.

Contender lain, dari tahun 2020, adalah SmileAuth yang diusulkan oleh peneliti di Universitas Hunan di Cina, sebuah kolaborasi dengan Universitas Negeri Michigan dan Universitas Massachusetts. Hasil eksperimental pada saat penerbitan makalah tersebut menunjukkan bahwa sistem SmileAuth dapat mencapai tingkat akurasi hingga 99,74%. Sistem ini menggunakan Random Forest untuk ekstraksi fitur.

Peneliti tersebut berpendapat bahwa DeepTeeth memperbaiki semua upaya sebelumnya dalam bidang biometrik ini, dan membawa pengenalan gigi melampaui bidang forensik sebagai jalur potensial yang layak untuk autentikasi ID berbasis wajah.