DeepTeeth: Dişleri Kimlik Doğrulama için Kullanan Bir Biyometrik Sistem

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

Ayrıca, bu sistem özellikle cimri mobil ortamlar ve günlük kullanıcı kimlik doğrulama senaryolarına yönelik olarak tasarlandı, daha yaygın olarak böyle tekniklerin pahalı adli analiz bağlamında kullanılması yerine.

Yeni ön baskı, Rajasthan’daki Birla Institute of Technology and Science Pilani’den araştırmacılardan, yalnızca 75×75 piksel büyüklüğünde bir veri görüntü boyutu kullanıyor, bir uçtan uca birkaç çekim çerçevesi ve önceki diş tabanlı makine öğrenimi kimlik doğrulama sistemlerinin gerektirdiği yerel kaynak ihtiyaçlarından daha az.

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

Dişler Kimlik Belirteçleri Olarak

Dişler, diğer yüz özelliklerine kıyasla daha sık cerrahi müdahale nedeniyle en değişken yüz özelliklerinden biri olarak düşünülebilir, ancak makaleye göre, uzun vadede ve ortalama olarak, bunlar yüz kimlik belirteçleri olarak en tutarlı olanlar.

Belki de en nổi bật olan, dişlerimizin dayanıklılığı, nasıl sıklıkla ölümden sonra diğer tüm dokuların yangın veya diğer aşırı travma türlerine kurban gitmesi durumunda post-mortem kimlik için kullanıldığını gösteriyor. Ayrıca, dişler vücudun ölümünden sonra son olarak bozulan bileşenidir.

Bu tür adli diş hekimliği için veri setleri uzmanlaşmıştır ve genellikle bir x-ışını bileşeni olan özel tarama ekipmanları gerektirir, DeepTeeth ise yalnızca bir dizi basit “diş selfie”si kullanarak bir temel kimlik oluşturur.

Araştırmacılar ayrıca, parmak izi ve yüz kimlik doğrulama yöntemlerine etkili bir şekilde yöneltilen türden sahte saldırılarına karşı diş tabanlı kimlik çerçevelerinin dayanıklı olduğunu buldu.

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

Yakalama, İşleme ve Eğitim

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

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

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

DeepTeeth yaklaşımı, kullanıcı tarafından çekilen ham 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, bu boyut sunucu tabanlı makine öğrenimi eğitimi için bile hantal olan bir boyuttur, sistemdeki daha küçük gri ölçekli görüntüler bu boyutlardaki görüntülerden türetilir ve daha büyük veri atılır.

Eğitim için kullanılan sınıflandırma ağı kayıp fonksiyonu SoftMax‘tır, bu da hedef çalışma ortamı için yeterli derecede hafif ve dayanıklıdır.

DeepTeeth’in kayıp fonksiyonu mimarisi.

Sonuçlar

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

Dişleri bir biyometrik gösterge olarak kullanma yönelik önceki girişimlerden biri, 2008 çalışması 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.

Diğer bir aday, 2020’den, Çin’in Hunan Üniversitesi’nden araştırmacılar tarafından önerilen SmileAuth çerçevesiydi, bu çalışma Michigan State Üniversitesi ve Massachusetts Üniversitesi ile bir işbirliği idi. O zamanın deneysel sonuçları, SmileAuth sisteminin %99,74’lük bir doğruluk oranına ulaşabileceğini öne sürdü. Sistem, özellik çıkarma için Rastgele Orman kullanıyordu.

Araştırmacılar, DeepTeeth’in bu biyometrik alanının önceki tüm girişimlerini aştığını ve diş tanımlamasını adli alanda ötesinde, yüz tabanlı kimlik doğrulama için geçerli bir potansiyel yol olarak aldığını iddia ediyorlar.