DeepTeeth: System Biometryczny, który Wykorzystuje Zęby

Naukowcy z Indii zaproponowali system biometryczny do wykorzystania zębów jako tokenu uwierzytelniania dla bezpiecznych systemów na urządzeniach mobilnych. System nazwany DeepTeeth pokonuje przeszkody, na które natrafiły poprzednie próby w tym celu, takie jak nadmierne czasy szkolenia lub wysokie lub nierzeczywiste wymagania dotyczące danych szkoleniowych, aby osiągnąć zgłoszony wskaźnik dokładności wynoszący 100%.

Jest to również ukierunkowane na oszczędne środowiska mobilne i scenariusze uwierzytelniania użytkowników, a nie na bardziej powszechne wykorzystanie takich technik w kontekście drogiej analizy sądowej.

Nowy pre-print, z Instytutu Technologicznego i Naukowego Birla w Radżastanie, wykorzystuje rozmiar obrazu danych o wymiarach tylko 75×75 pikseli, jest to ramka końcowo-wczesna z niewielkimi potrzebami lokalnymi w porównaniu z poprzednimi próbami systemów uwierzytelniania opartych na zębach.

Proponowane użycie uwierzytelniania opartego na DeepTeeth. Źródło: https://arxiv.org/pdf/2107.13217.pdf

Zęby jako identyfikatory

Chociaż zęby mogą być uważane za najbardziej zmienne cechy twarzy, ze względu na częstotliwość interwencji chirurgicznej w porównaniu z innymi rodzajami chirurgii kosmetycznej lub rekonstrukcyjnej, artykuł zauważa, że w długiej perspektywie i średnio pozostają one najbardziej spójnymi cechami identyfikacji twarzy.

Może najbardziej znany przykład wytrzymałości naszych konfiguracji dentystycznych jest pokazany w tym, jak często są one używane do identyfikacji pośmiertnej, gdzie wszystkie inne tkanki uległy uszkodzeniu przez ogień lub inne ekstremalne formy urazu. Dodatkowo, zęby są ostatnim składnikiem ciała, który ulega degradacji po śmierci.

Ponieważ zestawy danych dla tego rodzaju dentystyki sądowej są specjalistyczne i wymagają specjalistycznego sprzętu skanującego (zwykle z komponentem rentgenowskim), DeepTeeth wymaga tylko serii łatwych “dentalnych selfie”, aby ustalić podstawową identyfikację.

Ponadto, badacze stwierdzili, że ich ramka identyfikacji opartej na zębach jest odporna na rodzaj ataków spoofingowych, które były skutecznie wymierzone w metody uwierzytelniania oparte na odciskach palców i twarzy.

Znormalizowane obrazy Region of Interest (RoI) i ich odpowiednie wzmocnienia w zautomatyzowanym przepływie pracy DeepTeeth.

Pozyskiwanie, przetwarzanie i szkolenie

System DeepTeeth działa w aplikacji Android, z której użytkownik dostarcza wiele ujęć. Zdjęcia zębów mogą być robione z różnych kątów i w różnych warunkach oświetleniowych, a następnie przetwarzane lokalnie w celu późniejszej inferencji w czasie uwierzytelniania.

Aby wygenerować podstawową bazę danych szkoleniowych, badacze zebrali obrazy zębów od 51 wolontariuszy. Wolontariusze używali wersji beta aplikacji Android, aby uzyskać obrazy. Aplikacja identyfikuje i lokalizuje obszar zębów, który chce uzyskać. Każdy użytkownik przesłał cztery przykładowe obrazy zębów w ciągu 3-4 dni.

Dane zostały przetestowane w sieci Siamese, gdzie również zostały porównane z konkurującą, starszą metodą – FaceNet z 2015 roku. Szkolenie używało rozmiaru partii 16 na optymalizatorze Adam. Model został przeszkolony na Dell Inspiron-15-5577 z kartą graficzną Nvidia GTX 1050, a szkolenie zajęło nieco mniej niż 25 minut, aby wygenerować 256-wymiarowy wektor cech.

Podejście DeepTeeth przechodzi przez obrazy surowe, pobrane przez użytkownika, przez ramę wzmocnienia, a następnie przez przetwarzanie na urządzeniu za pomocą ogólnej, wstępnie przeszkolonej sieci lokalnej.

Chociaż początkowo przechwycone i obcięte sekcje zębów mają rozmiar 1416 x 510 pikseli, co jest nieporęcznym rozmiarem nawet dla serwerowych systemów szkoleniowych, mniejsze obrazy w skali szarości pochodzące z tych ujęć są tymi, które przechodzą przez system, a większe dane są odrzucane.

Funkcja straty użyta do szkolenia sieci klasyfikacji to SoftMax, która jest lekka i wystarczająco wytrzymała dla docelowego środowiska operacyjnego.

Architektura funkcji straty DeepTeeth.

Wyniki

Badacze użyli pięciu oddzielnych parametrów wydajności, aby ocenić DeepTeeth, i stwierdzili, że system działa optymalnie z niewielkim rozmiarem wejściowym 75 pikseli kwadratowych, osiągając wskaźnik sukcesu wynoszący 100%.

Poprzednie próby wykorzystania zębów jako wskaźnika biometrycznego obejmują badanie Multimodal biometric authentication using teeth image and voice in mobile environment z 2008 roku, które podstawowo dodało zęby jako metodę zapasową dla identyfikacji opartej na głosie.

Inny kandydat, z 2020 roku, był ramą SmileAuth zaproponowaną przez badaczy z Uniwersytetu Hunan w Chinach, we współpracy z Uniwersytetem Stanu Michigan i Uniwersytetem Massachusetts. Wyniki eksperymentalne w momencie publikacji sugerowały, że system SmileAuth mógł osiągnąć wskaźnik dokładności do 99,74%. System wykorzystywał las losowy do ekstrakcji cech.

Badacze twierdzą, że DeepTeeth poprawia wszystkie poprzednie próby w tej specjalistycznej dziedzinie biometrii i przenosi rozpoznawanie zębów poza sferę sądową jako potencjalną drogę do uwierzytelniania opartego na twarzy.