DeepTeeth: Een biometrisch ID-systeem dat tanden gebruikt

Onderzoekers uit India hebben een biometrisch systeem voorgesteld voor het gebruik van tanden als authenticatietoken voor beveiligde systemen op mobiele apparaten. Genoemd DeepTeeth, overwint het systeem de obstakels die eerdere pogingen in deze richting hebben ondervonden, zoals een overmatige trainingsduur of hoge of onrealistische gegevenstrainingseisen, om een gerapporteerde nauwkeurigheid van 100% te bereiken.

Het is ook specifiek gericht op zuinige mobiele omgevingen en casual gebruikersauthenticatiescenario’s, in plaats van het meer gebruikelijke gebruik van dergelijke technieken in een duur forensische analysecontext.

De nieuwe pre-print, van onderzoekers aan het Birla Institute of Technology and Science Pilani in Rajasthan, gebruikt een gegevensafbeeldingsgrootte van slechts 75×75 pixels, is een end-to-end few-shot framework en heeft minimale lokale bronnen nodig in vergelijking met eerdere pogingen voor tand-gebaseerde machine learning authenticatiesystemen.

De voorgestelde toepassing voor DeepTeeth-gebaseerde authenticatie. Source: https://arxiv.org/pdf/2107.13217.pdf

Tanden als ID-aanduidingen

Hoewel tanden misschien worden beschouwd als de meest vluchtige van de gelaatstrekken, vanwege de frequentie van chirurgische interventie in vergelijking met andere soorten cosmetische of gelaatsreconstructiechirurgie, merkt het artikel op dat op lange termijn en gemiddeld genomen, ze de meest consistente van onze gelaatsidentificatiekenmerken blijven

Misschien wel het meest beroemd, wordt de veerkracht van onze tandconfiguratie geïllustreerd door hoe vaak ze worden gebruikt voor post-mortem identificatie, waar alle andere weefsel ten prooi is gevallen aan vuur of andere extreme vormen van trauma. Bovendien zijn tanden het allerlaatste onderdeel van het lichaam dat afbreekt na de dood.

Terwijl datasets voor dit type forensische tandheelkunde gespecialiseerd zijn en aangepaste scansapparatuur vereisen (meestal met een x-ray component), vereist DeepTeeth slechts een reeks eenvoudige ‘tandselfies’ om een basis-ID te vestigen.

Bovendien ontdekten de onderzoekers van het artikel dat hun tand-gebaseerde ID-raamwerk bestand is tegen het soort spoof-aanvallen dat effectief is gebleken tegen vingerafdruk- en gelaatsauthenticatiemethoden.

Gegenormaliseerde Regio van Interesse (RoI)-afbeeldingen en hun overeenkomstige verbeteringen in de geautomatiseerde DeepTeeth-werkstroom.

Opname, verwerking en training

Het DeepTeeth-systeem werkt in een Android-app, waarbij de onderwerp meerdere opnames levert. Foto’s van de tanden kunnen vanuit verschillende hoeken en onder verschillende lichtomstandigheden worden gemaakt en worden lokaal verwerkt voor later inferentie bij authenticatie.

Om de kerntrainingsdatabase te genereren, verzamelden de onderzoekers tandafbeeldingen van 51 vrijwilligers. De vrijwilligers gebruikten een bèta van de Android-app om de afbeeldingen zelf te verkrijgen. De app identificeert en lokaliseert het tandgebied dat het zoekt te verkrijgen. Elke gebruiker leverde vier voorbeeldtandafbeeldingen binnen een periode van 3-4 dagen.

De gegevens werden getest in een Siamese network waar het ook werd uitgevoerd tegen een concurrerende, oudere methode – Google’s 2015 FaceNet. De training gebruikte een batchgrootte van 16 op een Adam-optimizer. Het model werd getraind op een Dell Inspiron-15-5577 met een Nvidia GTX 1050 GPU, waarbij de training iets minder dan 25 minuten duurde om een 256-dimensionale functievector te genereren.

De DeepTeeth-benadering passeert bijgesneden ruwe gebruikersafbeeldingen door een verbeteringsframework voor latere functie-extractie voordat deze worden verwerkt op het apparaat via een generische vooraf getrainde lokale netwerk.

Hoewel de oorspronkelijk vastgelegde en bijgesneden tandsectie 1416 x 510 pixels meet, een onhandige grootte zelfs voor servergebaseerde machine learning-training, zijn het de kleinere grijswaardenafbeeldingen die afgeleid zijn van deze opnames die door het systeem worden uitgevoerd, met de grotere gegevens die worden verworpen.

De verliesfunctie die wordt gebruikt voor het trainen van het classificatienetwerk is SoftMax, die lichtgewicht en robuust genoeg is voor de doelwerkomgeving.

De verliesfunctiearchitectuur van DeepTeeth.

Resultaten

De onderzoekers gebruikten vijf afzonderlijke prestatieparameters om DeepTeeth te evalueren en ontdekten dat het systeem optimaal werkt met een schamele invoergrootte van 75 pixels vierkant, met een succespercentage van 100%.

Eerdere pogingen om tanden te gebruiken als biometrische indicator omvatten de studie uit 2008 Multimodal biometric authentication using teeth image and voice in mobile environment, die tanden in wezen toevoegde als back-upmethode voor spraakgebaseerde identificatie.

Een andere kandidaat, uit 2020, was het SmileAuth-framework, voorgesteld door onderzoekers aan de Hunan University in China, een samenwerking met de Michigan State University en de University of Massachusetts. Experimentele resultaten ten tijde van de publicatie van het artikel suggereren dat het SmileAuth-systeem een nauwkeurigheid van maximaal 99,74% kon bereiken. Het systeem gebruikte Random Forest voor functie-extractie.

De onderzoekers beweren dat DeepTeeth alle eerdere pogingen in deze niche van biometrie overtreft en tandherkenning verder brengt dan de forensische sfeer als een potentieel gangbare weg voor gelaatsgebaseerde ID-authenticatie.