點擊上方↑↑↑“OpenCV學堂”關注我
來源：公眾號 新智元 授權

移動支付可以說是科技時代最偉大的發明之一。

為了保護「錢包安全」，移動支付服務供應商都會給用戶提供三種安全措施：

密碼、指紋、面容。

但是安全這東西說起來是真的煩。

用密碼吧，設置簡單了又怕別人知道，設置難了，自己先忘記了。

用指紋識別吧，指紋膜輕松一按就能騙過傳感器。

用面容識別，高級一點了吧？人家還有3D面具，高精度3D頭模。

別怕，右邊的是假的

但真的是「道高一尺，魔高一丈」嗎？

那就不一定了。你有張良計，我有過墻梯。

近日有研究人員提出了一種生物識別系統DeepTeeth。

用牙齒作為移動設備安全系統的身份驗證令牌。

論文地址: https://arxiv.org/abs/2107.13217  

DeepTeeth系統專門應用于普通的移動設備和臨時用戶身份驗證場景。

使用端到端的少鏡頭框架，75平方像素的輸入尺寸就能達到最佳的運行狀態。

成功率高達100%！

這個系統與之前的牙齒機器學習認證系統相比，對本地資源的需求最小。

也就是說，或許以后拿起手機時不再懟臉，而是懟牙齒。

為什么用牙齒識別？

牙齒作為一種身份標志，其實是我們最容易變化的面部特征。

不是說抽煙喝酒多了牙齒變黃這類的變化。而是說，相較于其他類型的面部整容或重建手術，對牙齒進行的手術干預頻率會更高。

但研究人員則認為，從長遠來看，牙齒仍然是我們面部特征中最一致的識別特征。

說到牙齒識別，大家可能會聯想到兇案的取證分析環境。的確，假如由于火災或者其它極端形式，身體的其它部分都遭到破壞。這時只有牙齒是最后的「依靠」。

此外，牙齒還是人體死后最后降解的部分。所以，法醫牙科會建立起專門的數據集，使用定制的掃描設備，對死者牙齒進行X射線掃描。

但DeepTeeth只需要一系列簡單的「牙科自拍」就能建立基線ID。

研究人員指出，這個基于牙齒的ID框架可以抵御針對指紋和面部ID驗證方法的欺騙攻擊。

數據處理和訓練 

研究人員為DeepTeeth系統開發了一個便于使用的安卓應用。

用戶需要從不同角度和不同光線條件下給牙齒拍照。拍好的照片會在本地處理，以便日后的認證推斷。

為了生成核心訓練數據庫，研究人員收集了51名志愿者的牙齒圖像。其中，志愿者需要通過應用程序上傳4張牙齒圖像，系統會識別并定位牙齒區域。

數據在Siamese網絡中進行測試，同時還與谷歌2015年的FaceNet進行對比。

模型的訓練采用批大小為16的Adam優化器，并使用Nvidia GTX 1050 GPU。并且只要25分鐘就能生成一個256維的特征向量。

DeepTeeth利用增強框架處理裁剪過的原始圖像。提取牙齒特征后，通過預訓練的本地網絡在設備上進行處理。

輸入模型的原始牙齒部分尺寸為1416x510像素。然而，這個尺寸對于基于服務器的機器學習訓練來說都很難處理，更何況是手機。

但幸好，模型會從這些原始圖像中提取較小灰度圖像，丟棄較大的數據。這些經過處理的灰度圖像會用于之后的系統處理。

作者采用SoftMax作為訓練分類網絡的損失函數。對于目標操作環境來說，SoftMax夠輕量，相當靈活。

實驗結果

研究人員使用五個單獨的性能參數來評估DeepTeeth。

發現該系統在尺寸為75×75像素的時候可以獲得最佳結果，成功率達到100%。

此時，錯誤接受率和錯誤拒絕率均為0，從而得到CRR=100%和EER=0.0%的結果，顯然優于其他牙齒識別模型。

其實牙齒ID識別已經不是新鮮事兒了。

在2020年的時候，湖南大學研究團隊就已經提出了牙齒身份驗證系統「SmileAuth」。

論文地址: https://dl.acm.org/doi/10.1145/3411806

和多數面容識別方法一樣，SmileAuth用不同的相機角度捕捉牙齒邊緣圖像，然后再利用人的牙齒邊緣進行生物識別。

在這些圖像里提取出一系列牙齒邊緣的特征，包括牙齒大小、形狀、位置和表面磨損程度。

牙齒圖像處理過程

該系統同樣也是在安卓手機上使用，能夠對抵御圖像、視頻、物理暴力攻擊。

哦對，連假牙都騙不了這個系統。

團隊招募了300多個志愿者對系統的性能進行綜合評估。

實驗結果表明，SmileAuth在不同場景下可以達到99.74%的整體準確率、98.69%的F-score、2.31%的FNR和0.25%的FPR，還能夠有效區分雙胞胎。

要是牙緣生物識別技術普及了，你會用嗎？

參考資料：

https://arxiv.org/abs/2107.13217 

https://dl.acm.org/doi/10.1145/3411806