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. Het systeem, genaamd DeepTeeth, overwint obstakels die eerdere pogingen in deze richting hebben ondervonden, zoals een te lange trainingsduur of hoge en onrealistische gegevensvereisten, en bereikt een gerapporteerde nauwkeurigheid van 100%.

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

Het 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. Bron: https://arxiv.org/pdf/2107.13217.pdf

Tanden als ID-kenmerken

Hoewel tanden misschien worden beschouwd als de meest vluchtige van de gezichtskenmerken, vanwege de frequentie van chirurgische ingrepen in vergelijking met andere soorten cosmetische of gezichtsreconstructiechirurgie, merkt het artikel op dat op lange termijn en gemiddeld genomen, ze de meest consistente van onze gezichtsidentificatiekenmerken 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 speciale scaneertechniek vereisen (meestal met een röntgencomponent), vereist DeepTeeth alleen een reeks eenvoudige ‘tandselfies’ om een basis-ID te vestigen.

Bovendien vonden de onderzoekers van het artikel dat hun tand-gebaseerde ID-raamwerk bestand is tegen het soort nep-aanvallen dat effectief is gepleegd op vingerafdruk- en gezichts-ID-authenticatiemethoden.

Genormaliseerde 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 verstrekt. Foto’s van de tanden kunnen vanuit verschillende hoeken en onder verschillende lichtomstandigheden worden genomen en worden lokaal verwerkt voor later gebruik 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 wil verkrijgen. Elke gebruiker diende vier tandafbeeldingen in binnen een periode van 3-4 dagen.

De gegevens werden getest in een Siamese-netwerk 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, met een trainingsduur van iets minder dan 25 minuten om een 256-dimensionale kenmerkvector te genereren.

De DeepTeeth-benadering voert de onbewerkte, door de gebruiker gemaakte afbeeldingen door een verbeteringsframework voor latere kenmerkextractie voordat deze worden verwerkt op het apparaat via een generisch, vooraf getraind lokaal 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 grijsschaalafbeeldingen die uit deze opnames worden afgeleid, die door het systeem worden verwerkt, waarbij de grotere gegevens worden verworpen.

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

De verliesfunctie-architectuur van DeepTeeth.

Resultaten

De onderzoekers gebruikten vijf afzonderlijke prestatieparameters om DeepTeeth te evalueren en vonden dat het systeem optimaal werkt met een bescheiden invoergrootte van 75 pixels in het 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 stem-gebaseerde 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% kan bereiken. Het systeem gebruikte Random Forest voor kenmerkextractie.

De onderzoekers beweren dat DeepTeeth alle eerdere pogingen in dit nichegebied van biometrie overtreft en tandherkenning voorbij het forensische domein brengt als een haalbaar potentieel kanaal voor gezichtsgebaseerde ID-authenticatie.