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 tekniker i en dyr forensisk analysekontekst.

Den nye pre-print, fra forskere ved Birla Institute of Technology and Science Pilani i Rajasthan, bruker en data-bildestørrelse 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. Kilde: https://arxiv.org/pdf/2107.13217.pdf

Tenner som ID-identifikatorer

Selv om tenner kan betraktes som de mest volatile av ansiktstrek, på grunn av hyppigheten av kirurgisk inngripen sammenlignet med andre typer kosmetisk eller ansiktsrekonstruksjonskirurgi, bemerker artikkelen 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 brann eller andre ekstreme former for trauma. I tillegg er tenner det siste komponenten av kroppen som degraderer etter død.

Der datasett for denne type forensisk odontologi er spesialisert og krever spesialskanningutstyr (vanligvis med en røntgenkomponent), krever DeepTeeth bare en serie enkle “tann-selfier” for å etablere en baseline-ID.

Forskerne fant også 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 tilhørende forbedringer i den automatiske DeepTeeth-arbeidsflyten.

Fangst, prosessering og trening

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

For å generere den core-treningdatabasen, samlet forskerne tannbilder fra 51 frivillige. Frivillige brukte en beta av Android-appen for å få bildene selv. Appen identifiserer og lokaliserer tannområdet 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 avkortede rå brukertakne bilder gjennom et forbedringsrammeverk for påfølgende funksjonsutvinning før på-enhet-prosessering gjennom et generisk forhåndstrengt lokalt nettverk.

Selv om de opprinnelig fanget og avkortede tannseksjonene måler 1416 x 510 piksler, en ugrei størrelse selv for serverbasert maskinlærings-trening, er de mindre gråskala-bildene som er avledet fra disse fangstene det som går gjennom systemet, med de større dataene kastet.

Tapsfunksjonen som ble brukt for å trene klassifiseringsnettet er SoftMax, som er lett og motstandsdyktig nok for målområdet.

Tapsfunksjonsarkitekturen 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 tenner som en biometrisk indikator inkluderer 2008-studien Multimodal biometric authentication using teeth image and voice in mobile environment, som i hovedsak la til tenner som en reserve-metode for stemme-basert 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 på tidspunktet for artikkelen suggererte at SmileAuth-systemet kunne oppnå en nøyaktighetsrate på opptil 99,74%. Systemet brukte Random Forest for funksjonsutvinning.

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