DeepTeeth: Система біометричної ідентифікації, яка використовує зуби

Дослідники з Індії запропонували біометричну систему для використання зубів як токену автентифікації для безпечних систем на мобільних пристроях. Названа DeepTeeth, система подолала перепони, з якими зіштовхнулися попередні спроби досягнення цієї мети, такі як надмірний час навчання або високі або нереалістичні вимоги до навчання даних, щоб досягти заявленої точності 100%.

Це також конкретно спрямовано на економічні мобільні середовища і неформальні сценарії автентифікації користувачів, а не на більш поширений використанням таких технік в дорогостоячому контексті судової експертизи.

Нова публікація, від дослідників Бірли Інституту технологій і науки Пілані в Раджастхані, використовує розмір зображення даних лише 75×75 пікселів, є кінцевим фреймворком з декількома знімками, і має мінімальні місцеві ресурси порівняно з попередніми спробами систем автентифікації на основі зубів.

Пропоноване використання автентифікації на основі DeepTeeth. Джерело: https://arxiv.org/pdf/2107.13217.pdf

Зуби як ідентифікатори

Хоча зуби можуть бути розглянуті як найбільш волатильні з лицевих особливостей, через частоту хірургічного втручання порівняно з іншими типами косметичної або лицевої реконструктивної хірургії, у статті зазначається, що в довгостроковій перспективі і в середньому вони залишаються найбільш стабільними з наших лицевих ідентифікаторів

Мабуть, найвідоміший приклад стійкості наших зубних конфігурацій полягає в тому, як часто вони використовуються для ідентифікації після смерті, коли всі інші тканини стали жертвами вогню або інших екстремальних форм травми. Крім того, зуби є останньою складовою тіла, яка розкладається після смерті.

Хоча набори даних для цього типу судової стоматології спеціалізовані і вимагають спеціального сканувального обладнання (зазвичай з компонентом рентгенівських променів), DeepTeeth вимагає лише серії простих “зубних селфі”, щоб встановити базовий ідентифікатор.

Крім того, дослідники статті виявили, що їхній зубний ідентифікатор стійкий до типу атак-спуфів, які були ефективно застосовані до методів автентифікації відбитків пальців і лицевої ідентифікації.

Нормалізовані зображення області інтересу (RoI) і їх відповідні покращення в автоматизованому робочому процесі DeepTeeth.

Захоплення, обробка і навчання

Система DeepTeeth працює в застосунку Android, з яким суб’єкт надає кілька знімків. Фотографії зубів можна робити з різних кутів і в різних умовах освітлення, і обробляються локально для пізнішої інференції під час автентифікації.

Для генерації основної навчальної бази даних дослідники зібрали зображення зубів від 51 добровольця. Добровольці використали бета-версію застосунку Android, щоб отримати зображення самостійно. Застосунок ідентифікує і локалізує область зубів, яку він намагається отримати. Кожен користувач надав чотири приклади зображень зубів протягом 3-4 днів.

Дані були протестовані в Сіамській мережі, де вони також були запущені проти старішого методу – FaceNet 2015 року. Навчання використовувало розмір пакету 16 на оптимізаторі Adam. Модель була навчена на Dell Inspiron-15-5577 з графічним процесором Nvidia GTX 1050, а навчання зайняло трохи менше 25 хвилин, щоб згенерувати 256-мірний вектор особливостей.

Підхід DeepTeeth проходить крізь покращений фреймворк для подальшої екстракції особливостей перед обробкою на пристрої через загальний попередньо натренований локальний мережевий фреймворк.

Хоча спочатку захоплені і обрізані ділянки зубів мають розмір 1416 x 510 пікселів, непридатний навіть для серверного машинного навчання, менші зображення у форматі сірого кольору, отримані з цих знімків, проходять через систему, а більші дані відкидаються.

Функція втрат функція втрат, використана для навчання класифікаційної мережі, є SoftMax, яка є легкою і стійкою для цільової операційної системи.

Архітектура функції втрат DeepTeeth.

Результати

Дослідники використали п’ять окремих параметрів продуктивності, щоб оцінити DeepTeeth, і виявили, що система працює оптимально з розміром входу 75 пікселів квадратних, досягнувши 100% успішного результату.

Попередні спроби використовувати зуби як біометричний індикатор включають дослідження 2008 року Мультимодальна біометрична автентифікація, що використовує зображення зубів і голос у мобільному середовищі, яке фактично додало зуби як метод резервної автентифікації для голосової ідентифікації.

Інший претендент, з 2020 року, був фреймворком SmileAuth, запропонованим дослідниками Університету Хунань у Китаї, у співпраці з Університетом штату Мічиган і Університетом Массачусетсу. Експериментальні результати на момент публікації статті свідчили про те, що система SmileAuth може досягти точності до 99,74%. Система використовувала випадковий ліс для екстракції особливостей.

Дослідники стверджують, що DeepTeeth покращує всі попередні спроби в цій ніші біометрії і веде розпізнавання зубів за межі судової сфери як потенційно життєздатний шлях для автентифікації на основі обличчя.