DeepTeeth: Биометрическая система идентификации, использующая зубы

Исследователи из Индии предложили биометрическую систему для использования зубов в качестве токена аутентификации для безопасных систем на мобильных устройствах. Называемая DeepTeeth, система преодолевает препятствия, с которыми столкнулись предыдущие попытки достижения этой цели, такие как чрезмерное время обучения или высокие или нереалистичные требования к обучающим данным, чтобы достичь заявленной точности 100%.

Это также конкретно направлено на бережливые мобильные среды и сценарии неформальной аутентификации пользователей, а не более распространенное использование таких методов в дорогом контексте судебного анализа.

Новая предварительная публикация, от исследователей в Институте технологий и науки Бирлы в Раджастхане, использует размер изображения данных только 75×75 пикселей, является конечным фреймворком с несколькими выстрелами, и имеет минимальные местные требования к ресурсам по сравнению с предыдущими попытками систем аутентификации на основе зубов с использованием машинного обучения.

Предлагаемое использование аутентификации на основе DeepTeeth. Источник: https://arxiv.org/pdf/2107.13217.pdf

Зубы в качестве идентификаторов

Хотя зубы могут быть рассмотрены как наиболее изменчивые черты лица, из-за частоты хирургического вмешательства по сравнению с другими типами косметической или реконструктивной хирургии лица, статья отмечает, что в долгосрочной перспективе и в среднем они остаются наиболее последовательными характеристиками идентификации лица.

Возможно, наиболее известно, что устойчивость наших зубных конфигураций демонстрируется в том, как часто они используются для идентификации после смерти, где все другие ткани подвергаются воздействию огня или других экстремальных форм травмы. Кроме того, зубы являются последней составляющей тела, которая разлагается после смерти.

В то время как наборы данных для этого типа судебной одонтологии специализированы и требуют специального сканирующего оборудования (обычно с компонентом рентгена), DeepTeeth требует только серии простых “зубных селфи”, чтобы установить базовую идентификацию.

Кроме того, исследователи статьи обнаружили, что их зубная идентификационная структура устойчива к тому типу атак-спуфов, которые были эффективно применены к методам аутентификации отпечатков пальцев и лица.

Нормализованные изображения области интереса (RoI) и их соответствующие улучшения в автоматизированном рабочем процессе DeepTeeth.

Захват, обработка и обучение

Система DeepTeeth работает в приложении для Android, где субъект предоставляет несколько захватов. Фотографии зубов можно снимать с различных углов и в различных условиях освещения, и обрабатываются локально для последующего вывода во время аутентификации.

Чтобы сгенерировать основную базу данных для обучения, исследователи собрали изображения зубов от 51 волонтера. Волонтеры использовали бета-версию приложения для Android, чтобы получить изображения сами. Приложение идентифицирует и локализует область зубов, которую оно стремится получить. Каждый пользователь представил четыре образца изображений зубов в течение 3-4 дней.

Данные были протестированы в Сиамской сети, где они также были протестированы против более старого метода – FaceNet от Google 2015 года. Обучение использовало размер пакета 16 на оптимизаторе Adam. Модель была обучена на Dell Inspiron-15-5577 с использованием Nvidia GTX 1050 GPU, и обучение заняло чуть менее 25 минут, чтобы сгенерировать 256-мерный вектор особенностей.

Подход DeepTeeth проходит через обрезанные сырые изображения, сделанные пользователем, через фреймворк улучшения для последующего извлечения особенностей перед обработкой на устройстве через общую предварительно обученную локальную сеть.

Хотя изначально захваченные и обрезанные секции зубов имеют размер 1416 x 510 пикселей, размер, который даже для серверного машинного обучения является неуклюжим, более мелкие изображения в градациях серого, полученные из этих захватов, являются тем, что проходит через систему, а более крупные данные отбрасываются.

Функция потерь, используемая для обучения классификационной сети, является SoftMax, которая является легкой и достаточно устойчивой для целевой операционной среды.

Архитектура функции потерь DeepTeeth.

Результаты

Исследователи использовали пять отдельных параметров производительности, чтобы оценить DeepTeeth, и обнаружили, что система работает оптимально с скудным размером входных данных 75 пикселей квадратных, достигая 100% успеха.

Предыдущие попытки использовать зубы в качестве биометрического индикатора включают исследование 2008 года Мультимодальная биометрическая аутентификация с использованием изображения зубов и голоса в мобильной среде, которое по сути добавило зубы в качестве резервного метода для голосовой идентификации.

Другой претендент, из 2020 года, был SmileAuth фреймворк, предложенный исследователями в Университете Хунана в Китае, в сотрудничестве с Университетом штата Мичиган и Университетом Массачусетса. Экспериментальные результаты на момент публикации статьи предполагали, что система SmileAuth может достичь точности до 99,74%. Система использовала Random Forest для извлечения особенностей.

Исследователи утверждают, что DeepTeeth улучшает все предыдущие попытки в этой нише биометрии и выводит зубную идентификацию за пределы судебной сферы как жизнеспособный потенциальный путь для аутентификации на основе лица.