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, systemet övervinner de hinder som tidigare försök mot detta mål har mött, såsom överdriven tränings tid eller höga eller orealistiska data träningskrav, för att uppnå en rapporterad noggrannhetsgrad på 100%.

Det är också specifikt inriktat på frugala mobila miljöer och informella användarautentiseringsscenarier, snarare än den mer vanliga 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 data bild storlek 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-identifierare

Även om tänder kan anses vara de mest volatila ansiktsdragen, på grund av frekvensen av kirurgisk 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 ansiktsidentifieringskarakteristika

Kanske mest berömt, exemplifieras tandernas motståndskraft av hur ofta de används för post-mortem-identifiering, där all annan vävnad har fallit offer för eld eller andra extrema former av trauma. Dessutom är tänder den sista komponenten i kroppen som bryts ned 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 resistenta 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 tränings

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 frivilliga. Frivilliga använde en beta av Android-appen för att hämta bilderna själva. Appen identifierar och lokaliserar tandområdet som den söker efter. Varje användare skickade in fyra exempel på tandbilder inom ett utrymme på 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 batch-storlek 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 funktionsvektor.

DeepTeeth-ansatsen skickar beskurna råa användar-tagna bilder genom ett förbättringsramverk för efterföljande funktionsutvinning innan på-enhet-bearbetning genom ett generiskt förtränat lokalt nätverk.

Även om de initialt infångade och beskurna tandsektionerna mäter 1416 x 510 pixlar, en omotiverad storlek även för serverbaserad maskinlärningsträning, är det mindre gråskalebilder som härrör från dessa infångningar som körs genom systemet, med den större data som kasseras.

Den förlustfunktion som används för att träna klassificeringsnätverket är SoftMax, som är lätthanterlig och tillräckligt robust för det mål-operativa miljön.

Förlustfunktionens arkitektur för DeepTeeth.

Resultat

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

Tidigare försök att använda tänder som en biometrisk indikator inkluderar 2008 studien 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 kontender, 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 publicering föreslog att SmileAuth-systemet kunde uppnå en noggrannhetsgrad på upp till 99,74%. Systemet använde Random Forest för funktionsutvinning.

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.