DeepTeeth: Ett Biometriskt ID-System som Använder Tänder

Forskare från Indien har föreslagit ett biometriskt system för att använda tänder som en autentiseringstoken för säkra system på mobila enheter. Kallat DeepTeeth, övervinner systemet hinder som tidigare försök mot detta mål har mött, såsom överdriven tränningstid eller höga eller orealistiska datautbildningskrav, för att uppnå en rapporterad träffsäkerhetsgrad på 100%.

Det är också specifikt inriktat på sparsamma mobila miljöer och informella användarautentiseringsscenarier, snarare än den vanligare användningen av sådana tekniker i en dyrbar forensisk analyskontext.

Den nya pre-print, från forskare vid Birla Institute of Technology and Science Pilani i Rajasthan, använder en databildstorlek på endast 75×75 pixlar, är ett slut-till-slut-ramverk med få skott, och har minimala lokala resursbehov jämfört med tidigare försök för tandbaserade maskinlärningsautentiseringssystem.

Den föreslagna användningen för DeepTeeth-baserad autentisering. Källa: https://arxiv.org/pdf/2107.13217.pdf

Tänder som ID-Signalerare

Även om tänder kan anses vara de mest volatila ansiktsdragen, på grund av den frekvens av kirurgiska ingrepp jämfört med andra typer av kosmetiska eller ansiktsrekonstruktionskirurgi, noterar artikeln att på lång sikt och i genomsnitt, de förblir de mest konsekventa av våra ansiktsidentifikationskarakteristika

Kanske mest berömt, exemplifieras tanders motståndskraft i hur ofta de används för post-mortem-identifikation, där all annan vävnad har fallit offer för eld eller andra extrema former av trauma. Dessutom är tänder den allra sista komponenten i kroppen som bryts ner efter döden.

Medan dataset för denna typ av forensisk odontologi är specialiserade och kräver anpassad skanningsutrustning (vanligtvis med en röntgenkomponent), kräver DeepTeeth endast en serie enkla “tandselfies” för att etablera en baslinje-ID.

Dessutom fann forskarnas forskare att deras tandbaserade ID-ramverk är motståndskraftigt mot den typ av spoof-attacker som har riktats mot fingeravtrycks- och ansikts-ID-autentiseringssmetoder.

Normaliserade Region of Interest (RoI)-bilder och deras motsvarande förbättringar i den automatiserade DeepTeeth-arbetsflödet.

Infångning, Bearbetning och Träning

DeepTeeth-systemet fungerar i en Android-app, där ämnet tillhandahåller flera infångningar. Foton av tänderna kan tas från olika vinklar och i en mängd olika belysningsförhållanden, och bearbetas lokalt för senare inferens vid autentiseringstid.

För att generera den centrala träningsdatabasen, samlade forskarna in tandbilder från 51 volontärer. Volontärerna använde en beta av Android-appen för att få bilderna själva. Appen identifierar och lokaliserar tandområdet som den söker efter. Varje användare skickade in fyra exempel på tandbilder inom en tid av 3-4 dagar.

Data testades i ett Siamese-nätverk där det också kördes mot en konkurrerande, äldre metod – Google’s 2015 FaceNet. Träningen använde en batchstorlek på 16 på en Adam-optimizer. Modellen tränades på en Dell Inspiron-15-5577 med en Nvidia GTX 1050 GPU, och träningen tog strax under 25 minuter för att generera en 256-dimensionell funktionell vektor.

DeepTeeth-ansatsen passerar beskurna råa användartagna bilder genom ett förbättringsramverk för efterföljande funktionsextrahering innan lokalt bearbetning genom ett generiskt förtränat lokalt nätverk.

Även om de initialt infångade och beskurna tandsektionerna mäter 1416 x 510 pixlar, en besvärlig storlek även för serverbaserad maskinlärningsträning, är de mindre gråskalebilderna som härrör från dessa infångningar det som passerar genom systemet, med den större datan kasserad.

Förlustfunktionen som användes för att träna klassificeringsnätverket är SoftMax, som är lätt och tillräckligt robust för det målade driftsmiljön.

Förlustfunktionens arkitektur för DeepTeeth.

Resultat

Forskarna använde fem separata prestandaparametrar för att utvärdera DeepTeeth, och fann att systemet fungerar optimalt med en blygsam ingångsstorlek på 75 pixlar, och uppnår en 100-procentig framgångsgrad.

Tidigare försök att använda tänder som en biometrisk indikator inkluderar 2008 års studie Multimodal biometric authentication using teeth image and voice in mobile environment, som i princip lade till tänder som en reservmetod för röstbaserad identifiering.

En annan kandidat, från 2020, var SmileAuth-ramverket föreslaget av forskare vid Hunan University i Kina, ett samarbete med Michigan State University och University of Massachusetts. Experimentella resultat vid tidpunkten för artikeln föreslog att SmileAuth-systemet kunde uppnå en träffsäkerhetsgrad på upp till 99,74%. Systemet använde Random Forest för funktionsextrahering.

Forskarna hävdar att DeepTeeth förbättrar alla tidigare försök i detta nischområde av biometri, och tar tandigenkänning bortom den forensiska sfären som en livskraftig potentiell väg för ansiktsbaserad ID-autentisering.