DeepTeeth: Et biometrisk ID-system som bruker tenner

Forskere fra India har foreslått et biometrisk system for å bruke tenner som en autentiseringstoken for sikre systemer på mobile enheter. Kalt DeepTeeth, overvinner systemet hindringer som tidligere forsøk mot dette målet har møtt, som for eksempel for lang treningstid eller høye eller urealistiske datakrav, for å oppnå en rapportert nøyaktighetsrate på 100%.

Det er også spesifikt rettet mot enkle mobile miljøer og kasuelle brukerautentiseringsscenarioer, snarere enn den mer vanlige bruken av slike teknikker i en dyr forensisk analysekontekst.

Den nye pre-print, fra forskere ved Birla Institute of Technology and Science Pilani i Rajasthan, bruker en bildestorrelse på bare 75×75 piksler, er et end-to-end few-shot-rammeverk og har minimalt lokale ressursbehov sammenlignet med tidligere forsøk på tannbaserte maskinlæringsautentiseringssystemer.

Den foreslåtte bruken for DeepTeeth-basert autentisering. Source: https://arxiv.org/pdf/2107.13217.pdf

Tennene som ID-identifikatorer

Selv om tennene kan betraktes som de mest volatile av ansiktsfunksjoner, på grunn av hyppigheten av kirurgisk inngripen sammenlignet med andre typer kosmetiske eller ansiktsrekonstruksjonskirurgi, bemerker papiret at på lang sikt og i gjennomsnitt, forblir de de mest konsekvente av våre ansiktsidentifikasjonskarakteristika.

Kanskje mest berømt, er motstanden av våre tannkonfigurasjoner eksemplifisert i hvor ofte de brukes til post-mortem-identifikasjon, hvor all annen vev har falt offer for ild eller andre ekstreme former for trauma. I tillegg er tennene den siste komponenten av kroppen som degraderer etter døden.

Hvor datasett for denne typen forensisk odontologi er spesialisert og krever spesialutstyr (vanligvis med en røntgenkomponent), krever DeepTeeth bare en serie enkle ‘tannselfier’ for å etablere en baseline-ID.

Videre fant papirets forskere at deres tannbaserte ID-rammeverk er motstandsdyktig mot den type spoof-angrep som har vært effektivt rettet mot fingeravtrykks- og ansikts-ID-autentiseringmetoder.

Normaliserte Region of Interest (RoI)-bilder, og deres korresponderende forbedringer i den automatiske DeepTeeth-arbeidsflyten.

Fangst, prosessering og trening

DeepTeeth-systemet opererer i en Android-app, med subjektet som gir multiple fangster. Fotos av tennene kan tas fra forskjellige vinkler og i en rekke lysforhold, og prosesseres lokalt for senere inferens ved autentiseringstid.

For å generere den core treningssamlingen, samlet forskerne tannbilder fra 51 frivillige. Frivillige brukte en beta av Android-appen for å få bildene selv. Appen identifiserer og lokaliserer tannområdet som det søker å tilegne seg. Hver bruker sendte fire eksempel-tannbilder innen en periode på 3-4 dager.

Dataene ble testet i en Siamese-nettverk hvor det også ble kjørt mot en konkurrerende, eldre metode – Google’s 2015 FaceNet. Treningen brukte en batch-størrelse på 16 på en Adam-optimizer. Modellen ble trent på en Dell Inspiron-15-5577 med en Nvidia GTX 1050 GPU, med treningen tok litt mindre enn 25 minutter å generere en 256-dimensjonal funksjonsvektor.

DeepTeeth-tilnærmingen passerer klippet råt tannbilder gjennom et forbedringsrammeverk for påfølgende funksjonsuttrekk før på-enhet-prosessering gjennom et generisk forhånds-trent lokalt nettverk.

Selv om de opprinnelig fanget og klippet tannseksjonene måler 1416 x 510 piksler, en ugrei størrelse selv for serverbasert maskinlæringsutdanning, er det mindre gråskala-bildene som er avledet fra disse fangstene som kjører gjennom systemet, med den større dataen forkastet.

Den tap-funksjonen som brukes for å trene klassifiseringsnettet er SoftMax, som er lettvekt og motstandsdyktig nok for mål-operasjonsmiljøet.

Tap-funksjonsarkitekturen til DeepTeeth.

Resultater

Forskerne brukte fem separate ytelsesparametere for å evaluere DeepTeeth, og fant at systemet opererer optimalt med en beskjeden inndatastørrelse på 75 piksler kvadrat, og oppnår en 100% suksessrate.

Tidligere forsøk på å bruke tannene som en biometrisk indikator inkluderer 2008 studien Multimodal biometric authentication using teeth image and voice in mobile environment, som essensielt la til tannene som en reserve-metode for stemmebasert identifikasjon.

En annen konkurrent, fra 2020, var SmileAuth-rammeverket foreslått av forskere ved Hunan University i Kina, et samarbeid med Michigan State University og University of Massachusetts. Eksperimentelle resultater ved tidspunktet for papirets publisering antydet at SmileAuth-systemet kunne oppnå en nøyaktighetsrate på opptil 99,74%. Systemet brukte Random Forest for funksjonsuttrekk.

Forskerne hevder at DeepTeeth forbedrer alle tidligere forsøk i dette nisjeområdet av biometri, og tar tann-gjenkjenning beyond det forensiske sfæren som en mulig potensiell vei for ansiktbasert ID-autentisering.