DeepTeeth: Hệ Thống ID Sinh Trắc Học Sử Dụng Răng

Các nhà nghiên cứu từ Ấn Độ đã đề xuất một hệ thống sinh trắc học để sử dụng răng như một token xác thực cho các hệ thống bảo mật trên thiết bị di động. Được gọi là DeepTeeth, hệ thống này vượt qua các chướng ngại vật mà các nỗ lực trước đây hướng tới mục tiêu này đã gặp phải, chẳng hạn như thời gian đào tạo quá mức hoặc yêu cầu đào tạo dữ liệu cao hoặc không thực tế, để đạt được tỷ lệ chính xác được báo cáo là 100%.

Nó cũng được nhắm tới đặc biệt cho các môi trường di động tiết kiệm và các kịch bản xác thực người dùng thông thường, chứ không phải là việc sử dụng các kỹ thuật này trong bối cảnh phân tích pháp y đắt tiền hơn.

Bài viết bản in trước mới, từ các nhà nghiên cứu tại Viện Công nghệ và Khoa học Birla Pilani tại Rajasthan, sử dụng kích thước hình ảnh dữ liệu chỉ 75×75 pixel, là một khuôn khổ vài shot từ đầu đến cuối, và có nhu cầu tài nguyên cục bộ tối thiểu so với các nỗ lực trước đây cho các hệ thống xác thực máy học dựa trên răng.

Sử dụng đề xuất cho xác thực dựa trên DeepTeeth. Nguồn: https://arxiv.org/pdf/2107.13217.pdf

Răng as ID Signifiers

Mặc dù răng có thể được coi là tính năng khuôn mặt dễ thay đổi nhất, do tần suất can thiệp phẫu thuật so với các loại phẫu thuật thẩm mỹ hoặc tái tạo khuôn mặt khác, bài viết lưu ý rằng trong dài hạn và trung bình, chúng vẫn là các đặc điểm nhận dạng khuôn mặt nhất quán nhất

Có lẽ nổi tiếng nhất, sự kiên cường của cấu hình răng chúng ta được thể hiện trong cách thường xuyên chúng được sử dụng để xác định sau khi chết, nơi tất cả các mô khác đã bị thiêu cháy hoặc các hình thức chấn thương cực đoan khác. Ngoài ra, răng là thành phần cuối cùng của cơ thể bị suy giảm sau khi chết.

Trong khi các tập dữ liệu cho loại nha khoa pháp y này là chuyên dụng và yêu cầu thiết bị quét tùy chỉnh (thường có thành phần x-quang), DeepTeeth chỉ yêu cầu một loạt các ‘tự chụp răng’ dễ dàng để thiết lập một ID cơ bản.

Hơn nữa, các nhà nghiên cứu của bài viết đã tìm thấy rằng khuôn khổ ID dựa trên răng của họ có khả năng chống lại các cuộc tấn công giả mạo mà đã được áp dụng hiệu quả cho các phương pháp xác thực vân tay và khuôn mặt.

Hình ảnh Vùng Quan Tâm (RoI) được chuẩn hóa và các cải tiến tương ứng trong công việc tự động của DeepTeeth.

Capture, Processing and Training

Hệ thống DeepTeeth hoạt động trong một ứng dụng Android, với chủ thể cung cấp nhiều bản chụp. Các bức ảnh của răng có thể được chụp từ các góc độ và điều kiện ánh sáng khác nhau, và được xử lý cục bộ để suy luận sau này tại thời điểm xác thực.

Để tạo cơ sở dữ liệu đào tạo cốt lõi, các nhà nghiên cứu đã thu thập hình ảnh răng từ 51 tình nguyện viên. Các tình nguyện viên sử dụng một phiên bản beta của ứng dụng Android để tự chụp ảnh. Ứng dụng xác định và định vị khu vực răng mà nó đang cố gắng thu được. Mỗi người dùng đã gửi bốn hình ảnh răng mẫu trong khoảng thời gian 3-4 ngày.

Dữ liệu đã được thử nghiệm trong một mạng Siamese nơi nó cũng được chạy chống lại một phương pháp cũ hơn – FaceNet của Google năm 2015. Đào tạo sử dụng kích thước batch là 16 trên một bộ tối ưu hóa Adam. Mô hình đã được đào tạo trên một Dell Inspiron-15-5577 sử dụng một GPU Nvidia GTX 1050, với thời gian đào tạo chỉ dưới 25 phút để tạo một vector tính năng 256 chiều.

Cách tiếp cận DeepTeeth truyền các hình ảnh thô đã cắt của người dùng qua một khuôn khổ cải tiến để trích xuất tính năng sau đó xử lý trên thiết bị thông qua một mạng cục bộ được đào tạo trước.

Mặc dù phần răng được chụp và cắt ban đầu có kích thước 1416 x 510 pixel, một kích thước cồng kềnh thậm chí cho đào tạo máy học dựa trên máy chủ, các hình ảnh thang độ xám nhỏ hơn được dẫn xuất từ các bản chụp này là những gì chạy qua hệ thống, với dữ liệu lớn hơn bị loại bỏ.

Hàm mất mát được sử dụng để đào tạo mạng phân loại là SoftMax, là một hàm mất mát nhẹ và đủ mạnh cho môi trường hoạt động mục tiêu.

Kiến trúc hàm mất mát của DeepTeeth.

Kết Quả

Các nhà nghiên cứu đã sử dụng năm tham số hiệu suất riêng biệt để đánh giá DeepTeeth, và phát hiện ra rằng hệ thống hoạt động tối ưu với kích thước đầu vào khiêm tốn là 75 pixel vuông, đạt được tỷ lệ thành công 100%.

Các nỗ lực trước đây để sử dụng răng như một chỉ số sinh trắc học bao gồm nghiên cứu năm 2008 Xác thực sinh trắc học đa phương thức sử dụng hình ảnh răng và giọng nói trong môi trường di động, về cơ bản thêm răng như một phương pháp dự phòng cho xác thực dựa trên giọng nói.

Một đối thủ khác, từ năm 2020, là khung SmileAuth được đề xuất bởi các nhà nghiên cứu tại Đại học Hunan ở Trung Quốc, một sự hợp tác với Đại học bang Michigan và Đại học Massachusetts. Kết quả thử nghiệm tại thời điểm xuất bản bài báo cho thấy rằng hệ thống SmileAuth có thể đạt được tỷ lệ chính xác lên đến 99,74%. Hệ thống sử dụng Random Forest để trích xuất tính năng.

Các nhà nghiên cứu cho rằng DeepTeeth cải thiện tất cả các nỗ lực trước đây trong lĩnh vực sinh trắc học này và đưa nhận dạng răng vượt ra ngoài phạm vi pháp y như một con đường xác thực ID dựa trên khuôn mặt tiềm năng.