DeepTeeth: Dişleri Kullanarak Biyometrik Kimlik Tanıma Sistemi

Hindistan’dan araştırmacılar, mobil cihazlardaki güvenli sistemler için bir kimlik doğrulama tokeni olarak dişleri kullanmak için bir biyometrik sistem önerdiler. DeepTeeth olarak adlandırılan sistem, önceki çabaların karşılaştığı engelleri, such as aşırı eğitim süresi veya yüksek veya gerçekçi veri eğitim gereksinimleri, aşarak %100’lük bir doğruluk oranına ulaştı.

Ayrıca, daha çok kullanılan daha pahalı bir adli analiz bağlamında değil, daha çok frugal mobil ortamları ve günlük kullanıcı kimlik doğrulama senaryolarını hedeflemektedir.

Yeni pre-print, Rajasthan’daki Birla Institute of Technology and Science Pilani’den araştırmacılardan, yalnızca 75×75 piksel boyutunda bir veri görüntüsü boyutu kullanıyor, bir sondan sona birkaç atış çerçevesi ve önceki diş tabanlı makine öğrenimi kimlik doğrulama sistemlerine kıyasla minimal yerel kaynak ihtiyaçlarına sahiptir.

DeepTeeth tabanlı kimlik doğrulama için önerilen kullanım. Kaynak: https://arxiv.org/pdf/2107.13217.pdf

Dişler olarak Kimlik Göstergeleri

Dişler, diğer yüz veya kozmetik cerrahi ameliyatlarına kıyasla cerrahi müdahale sıklığı nedeniyle en volatil yüz özelliklerinden biri olarak düşünülse de, makale, dişlerin uzun vadede ve ortalama olarak en tutarlı yüz kimlik özellikleri olduğunu belirtiyor.

Belki de en nổigin olarak, dişlerimizin dayanıklılığı, diğer tüm dokunun yangın veya diğer aşırı travmalara kurban gittiği post-mortem tanımlamada nasıl sıkça kullanıldığını gösteriyor. Ayrıca, dişler ölüm后的 son parçalanmayan vücut bileşenidir.

Bu tür adli diş hekimliği için veri setleri özelleştirilmiş ve genellikle bir x-ışını bileşeni olan özel tarama ekipmanları gerektirirken, DeepTeeth yalnızca bir dizi basit ‘diş selfies’ ile bir temel kimlik oluşturmak için yeterli.

Ayrıca, makalenin araştırmacıları, diş tabanlı kimlik çerçevelerinin, parmak izi ve yüz kimlik doğrulama yöntemlerine karşı etkili bir şekilde yönlendirilen sahte saldırılarına karşı dayanıklı olduğunu buldular.

Normalleştirilmiş İlgi Bölgesi (RoI) görüntüleri ve otomatik DeepTeeth iş akışındaki karşılık gelen geliştirmeleri.

Yakalama, İşleme ve Eğitim

DeepTeeth sistemi, bir Android uygulamasında çalışır ve konu birden fazla yakalama sağlar. Dişlerin fotoğrafları çeşitli açılardan ve ışık koşullarında çekilebilir ve daha sonra kimlik doğrulama zamanında yerel olarak işlenir.

Çekirdek eğitim veritabanını oluşturmak için araştırmacılar, 51 gönüllüden diş görüntüleri topladı. Gönüllüler, görüntüleri kendileri elde etmek için Android uygulamasının bir beta sürümünü kullandılar. Uygulama, elde etmek istediği diş alanını tanımlar ve lokalize eder. Her kullanıcı, 3-4 gün içinde dört örnek diş görüntüsü sundu.

Veriler, bir Siamese network içinde test edildi ve aynı zamanda daha eski bir yöntem olan Google’ın 2015 FaceNet ile karşılaştırıldı. Eğitim, 16’lık bir toplu boyutunda bir Adam optimizatörü kullanılarak gerçekleştirildi. Model, bir Dell Inspiron-15-5577 kullanarak bir Nvidia GTX 1050 GPU ile eğitildi ve eğitim, 256 boyutlu bir özellik vektörü oluşturmak için yaklaşık 25 dakika sürdü.

DeepTeeth yaklaşımı, kırpılmış ham kullanıcı tarafından alınan görüntüleri, sonraki özellik çıkarma için bir geliştirme çerçevesinden geçirir ve daha sonra bir genel ön eğitimli yerel ağ üzerinden cihazda işler.

İlk olarak yakalanan ve kırpılan diş bölümü 1416 x 510 piksel ölçülerinde olsa da, sistem aracılığıyla çalışan daha küçük gri ölçekli görüntüler, bu yakalamalardan türetilir ve daha büyük veriler atılır.

Eğitim için kullanılan kayıp fonksiyonu, SoftMax ‘dır, bu da hedef çalışma ortamı için yeterli hafiflikte ve dayanıklıdır.

DeepTeeth’in kaybı fonksiyonu mimarisi.

Sonuçlar

Araştırmacılar, DeepTeeth’i değerlendirmek için beş ayrı performans parametresi kullandı ve sistemin, yalnızca 75 piksel karelik bir girdi boyutunda optimal olarak çalıştığını ve %100’lük bir başarı oranına ulaştığını buldular.

Dişleri bir biyometrik gösterge olarak kullanma yönelik önceki girişimlerden biri, 2008 çalışma Mobil ortamda diş görüntüsü ve ses kullanarak çok modlu biyometrik kimlik doğrulama, esas olarak ses tabanlı kimlik doğrulama için bir yedek yöntem olarak dişleri ekledi.

Bir başka aday, 2020’den, Çin’deki Hunan Üniversitesi’nden araştırmacılar, Michigan Eyalet Üniversitesi ve Massachusetts Üniversitesi ile işbirliği içinde önerilen SmileAuth çerçevesiydi. Deneysel sonuçlar, makalenin yayınlandığı sırada SmileAuth sisteminin %99,74’lük bir doğruluk oranına ulaşabileceğini gösteriyordu. Sistem, özellik çıkarma için Rastgele Orman kullanıyordu.

Araştırmacılar, DeepTeeth’in bu biyometrik alanındaki tüm önceki girişimlerin üzerine çıktığını ve diş tanımlamasını, yüz tabanlı kimlik doğrulama için potansiyel bir yol olarak adli alanda ötesine taşıdığını iddia ediyorlar.