点击上方↑↑↑“OpenCV学堂”关注我
来源：公众号 新智元 授权

移动支付可以说是科技时代最伟大的发明之一。

为了保护「钱包安全」，移动支付服务供应商都会给用户提供三种安全措施：

密码、指纹、面容。

但是安全这东西说起来是真的烦。

用密码吧，设置简单了又怕别人知道，设置难了，自己先忘记了。

用指纹识别吧，指纹膜轻松一按就能骗过传感器。

用面容识别，高级一点了吧？人家还有3D面具，高精度3D头模。

别怕，右边的是假的

但真的是「道高一尺，魔高一丈」吗？

那就不一定了。你有张良计，我有过墙梯。

近日有研究人员提出了一种生物识别系统DeepTeeth。

用牙齿作为移动设备安全系统的身份验证令牌。

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

DeepTeeth系统专门应用于普通的移动设备和临时用户身份验证场景。

使用端到端的少镜头框架，75平方像素的输入尺寸就能达到最佳的运行状态。

成功率高达100%！

这个系统与之前的牙齿机器学习认证系统相比，对本地资源的需求最小。

也就是说，或许以后拿起手机时不再怼脸，而是怼牙齿。

为什么用牙齿识别？

牙齿作为一种身份标志，其实是我们最容易变化的面部特征。

不是说抽烟喝酒多了牙齿变黄这类的变化。而是说，相较于其他类型的面部整容或重建手术，对牙齿进行的手术干预频率会更高。

但研究人员则认为，从长远来看，牙齿仍然是我们面部特征中最一致的识别特征。

说到牙齿识别，大家可能会联想到凶案的取证分析环境。的确，假如由于火灾或者其它极端形式，身体的其它部分都遭到破坏。这时只有牙齿是最后的「依靠」。

此外，牙齿还是人体死后最后降解的部分。所以，法医牙科会建立起专门的数据集，使用定制的扫描设备，对死者牙齿进行X射线扫描。

但DeepTeeth只需要一系列简单的「牙科自拍」就能建立基线ID。

研究人员指出，这个基于牙齿的ID框架可以抵御针对指纹和面部ID验证方法的欺骗攻击。

数据处理和训练 

研究人员为DeepTeeth系统开发了一个便于使用的安卓应用。

用户需要从不同角度和不同光线条件下给牙齿拍照。拍好的照片会在本地处理，以便日后的认证推断。

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。其中，志愿者需要通过应用程序上传4张牙齿图像，系统会识别并定位牙齿区域。

数据在Siamese网络中进行测试，同时还与谷歌2015年的FaceNet进行对比。

模型的训练采用批大小为16的Adam优化器，并使用Nvidia GTX 1050 GPU。并且只要25分钟就能生成一个256维的特征向量。

DeepTeeth利用增强框架处理裁剪过的原始图像。提取牙齿特征后，通过预训练的本地网络在设备上进行处理。

输入模型的原始牙齿部分尺寸为1416x510像素。然而，这个尺寸对于基于服务器的机器学习训练来说都很难处理，更何况是手机。

但幸好，模型会从这些原始图像中提取较小灰度图像，丢弃较大的数据。这些经过处理的灰度图像会用于之后的系统处理。

作者采用SoftMax作为训练分类网络的损失函数。对于目标操作环境来说，SoftMax够轻量，相当灵活。

实验结果

研究人员使用五个单独的性能参数来评估DeepTeeth。

发现该系统在尺寸为75×75像素的时候可以获得最佳结果，成功率达到100%。

此时，错误接受率和错误拒绝率均为0，从而得到CRR=100%和EER=0.0%的结果，显然优于其他牙齿识别模型。

其实牙齿ID识别已经不是新鲜事儿了。

在2020年的时候，湖南大学研究团队就已经提出了牙齿身份验证系统「SmileAuth」。

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

和多数面容识别方法一样，SmileAuth用不同的相机角度捕捉牙齿边缘图像，然后再利用人的牙齿边缘进行生物识别。

在这些图像里提取出一系列牙齿边缘的特征，包括牙齿大小、形状、位置和表面磨损程度。

牙齿图像处理过程

该系统同样也是在安卓手机上使用，能够对抵御图像、视频、物理暴力攻击。

哦对，连假牙都骗不了这个系统。

团队招募了300多个志愿者对系统的性能进行综合评估。

实验结果表明，SmileAuth在不同场景下可以达到99.74%的整体准确率、98.69%的F-score、2.31%的FNR和0.25%的FPR，还能够有效区分双胞胎。

要是牙缘生物识别技术普及了，你会用吗？

参考资料：

https://arxiv.org/abs/2107.13217 

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