DeepTeeth：使用牙齿的生物识别系统

印度研究人员提出了一种生物识别系统，使用牙齿作为移动设备上安全系统的身份验证令牌。 被称为 深齿，该系统克服了之前实现这一目标的努力所遇到的障碍，例如训练时间过长或数据训练要求过高或不切实际，以实现报告的 100% 准确率。

它还专门针对节俭的移动环境和临时用户身份验证场景，而不是在昂贵的取证分析环境中更常见地使用此类技术。

新的 预印来自拉贾斯坦邦 Birla 技术与科学研究所 Pilani 的研究人员，利用仅 75×75 像素的数据图像大小，是一个端到端的少镜头框架，与之前的尝试相比，对本地资源的需求最小。基于牙齿的机器学习认证系统。

基于 DeepTeeth 的身份验证的建议用法。 资料来源：https://arxiv.org/pdf/2107.13217.pdf

牙齿作为身份标志

尽管牙齿可能被认为是最不稳定的面部特征，但由于与其他类型的整容或面部重建手术相比，手术干预的频率较高，该论文指出，从长远来看，平均而言，它们仍然是我们面部特征中最一致的。识别特征

也许最著名的是，我们的牙齿结构的弹性体现在它们被频繁地用于死后鉴定，而所有其他组织都已成为火灾或其他极端形式创伤的受害者。 此外，牙齿是身体在死后最后降解的组成部分。

虽然此类法医牙科的数据集是专门的，并且需要定制扫描设备（通常带有 X 射线组件），但 DeepTeeth 只需要一系列简单的“牙科自拍照”即可建立基线 ID。

此外，该论文的研究人员发现，他们的基于牙齿的 ID 框架可以抵御针对指纹和面部 ID 身份验证方法的欺骗攻击。

归一化感兴趣区域 (RoI) 图像及其在自动化 DeepTeeth 工作流程中的相应增强功能。

捕获、处理和训练

DeepTeeth 系统在 Android 应用程序中运行，主题提供多个捕获。 可以从各种角度和各种照明条件下拍摄牙齿照片，并在本地进行处理，以便稍后在认证时进行推断。

为了生成核心训练数据库，研究人员收集了 51 名志愿者的牙齿图像。 志愿者使用 Android 应用程序的测试版自行获取图像。 该应用程序识别并定位它正在寻求获取的牙齿区域。 每个用户在 3-4 天内提交了四张示例牙齿图像。

数据经过测试 连体网络 它也与一种竞争性的、较旧的方法进行对比——Google 的 2015 面对网。 训练在 Adam 优化器上使用了 16 的批量大小。 该模型在使用 Nvidia GTX 15 GPU 的 Dell Inspiron-5577-1050 上进行训练，训练时间略少于 25 分钟即可生成 256 维特征向量。

DeepTeeth 方法将裁剪后的用户拍摄的原始图像通过增强框架进行后续特征提取，然后再通过通用的预训练本地网络进行设备上处理。

尽管最初捕获和裁剪的牙齿部分尺寸为 1416 x 510 像素，即使对于基于服务器的机器学习训练来说，这个尺寸也很笨重，但从这些捕获中得出的较小灰度图像是在系统中运行的，而较大的数据被丢弃。

这个 损失函数 用于训练分类网络的是 软最大，它足够轻量级且具有足够的弹性，适合目标操作环境。

DeepTeeth 的损失函数架构。

结果演示

研究人员使用五个独立的性能参数来评估 DeepTeeth，发现系统在 75 像素平方的微小输入大小下运行效果最佳，实现了 100% 的成功率。

之前使用牙齿作为生物识别指标的尝试包括 2008 年 根据一项研究， 移动环境中使用牙齿图像和语音的多模态生物特征认证，它本质上添加了牙齿作为基于语音的识别的备份方法。

从 2020 年开始，另一个竞争者是 微笑认证 该框架由中国湖南大学的研究人员与密歇根州立大学和马萨诸塞大学合作提出。 论文发表时的实验结果表明，SmileAuth 系统的准确率高达 99.74%。 该系统使用随机森林进行特征提取。

研究人员认为，DeepTeeth 改进了生物识别这一小众领域之前的所有尝试，并将牙齿识别超越了法医领域，成为基于面部的 ID 身份验证的可行潜在途径。