Vizuální průvodce AI

Detekce živosti obličeje a proti podvodům

Kontroly živosti obličeje se snaží odlišit prezentaci obličeje v dobré víře na snímacím zařízení od prezentačního útoku, jako je fotografie, přehrané video nebo maska.

Poslechněte si tento návodAI-vyprávěný · ~3 min

Na této stránce4 min čtení
  1. Přehled
  2. Hluboký ponor
  3. Real-World Implementace
  4. Budoucnost detekce živosti obličeje a ochrana proti spoofingu
  5. Uvedení do praxe
  6. Pokračujte v objevování
  7. Často kladené otázky

Přehled

Přesnější termín je detekce útoku na prezentaci, protože kamera nemůže prokázat, že tvrzení o identitě je pravé, pouhým zjištěním živě vypadajícího obličeje. Dobré systémy testují jak zmeškané útoky, tak neprávem odmítnuté legitimní osoby.

Hluboký ponor

Nástroj pro vyhledávání tváří se zeptá, zda zachycená tvář připomíná zaregistrovaný obrázek. Detekce útoku na prezentaci, neboli PAD, si klade jinou otázku: zda něco prezentovaného na snímacím zařízení není spíše útokem než prezentací v dobré víře. Tištěný portrét, další zařízení zobrazující video s obličejem, maska ​​a materiál měnící vzhled mohou vytvářet různé vizuální podněty. ISO/IEC 30107-1 definuje rámec PAD, ale nepředepisuje jeden senzor ani netvrdí, že PAD určuje identitu osoby. Úspěšná kontrola živosti proto nenahrazuje shodu identity ani bezpečné zachycení. Některé systémy analyzují běžný obrázek nebo video pasivně. Mohou zkoumat texturu, odrazy, hloubkové narážky nebo nekonzistentní pohyb. Jiní požadují změnu akce nebo používají další snímání, jako je hloubka nebo infračervené snímání, v závislosti na zařízení. Pevný požadavek na mrknutí může být někdy napodoben přehráním; náhodná výzva zvyšuje práci pro útočníka, ale může zpomalit uživatele nebo způsobit problémy s přístupností. Zabezpečení také závisí na tom, zda aplikace může důvěřovat tomu, že stream z kamery pochází z určeného zařízení. Přesvědčivý vstřikovaný proud může obejít obranu zaměřenou pouze na předměty držené před čočkou. Vyhodnocení pasivního softwaru PAD NIST testovalo několik typů útoků na konvenční snímky a zjistilo podstatné rozdíly mezi algoritmy. Výkon na jednom útočném nástroji nelze zobecnit na všechny neviditelné masky, displeje nebo podmínky zachycení. Testujte reprezentativní útoky a bona fide uživatele pod osvětlením, kvalitou kamery, odstínem pleti a podmínkami očekávanými při nasazení. Hlásit útočné prezentace nesprávně přijaté spolu s originálními prezentacemi nesprávně odmítnutými s odhalenými prahovými hodnotami a testovacími sadami. Pokud je skóre nejisté, může být postupné ověření nebo kontrola člověkem bezpečnější než považovat jeden snímek za průkazný. PAD snižuje jednu cestu k zosobnění; nejedná se o kompletní program na ochranu soukromí nebo identity. Omezte uchovávání obrázků obličejů, poskytněte použitelný záložní zdroj a sledujte nové metody útoku, aniž byste tvrdili, že model může potvrdit, že každý obrázek je autentický.

Real-World Implementace

Banka testuje vzdálenou palubní kameru proti vytištěným fotografiím, záznamům obrazovky a maskám, než důvěřuje výsledku porovnání obličejů.

Tok odemknutí telefonu umožňuje záložní pověření, když osvětlení nebo zakrytí obličeje způsobí, že legitimní uživatel selže při kontrole životnosti.

Laboratoř hlásí oddělené výsledky pro útoky na fotografie a masky, spíše než aby tvrdila, že jeden celkový údaj přesnosti pokrývá každý spoof.

Tým identity zkontroluje, zda může předem nahrané video vstoupit přes virtuální kameru, protože testy útoků pouze s obrazem tuto cestu vstřikování nepokrývají.

Budoucnost detekce živosti obličeje a ochrana proti spoofingu

Realističtější masky, displeje a syntetické video budou neustále měnit útoky, kterým musí PAD čelit. Systémy mohou kombinovat důkazy senzorů, variace na výzvu a integritu zachycení, ale každý doplněk by měl být testován na použitelnost a dostupnost. Veřejné hodnocení bude mít pravděpodobně větší význam než tvrzení o univerzálním skóre živosti: výsledek by měl říci, které typy útoků a podmínky byly skutečně testovány. Organizace budou také potřebovat způsob, jak aktualizovat obranu bez ukládání dat obličejů déle, než je nutné. Důvěryhodný zážitek umožní legitimním uživatelům vzpamatovat se z falešného odmítnutí a bude eskalovat pochybné případy místo toho, aby v tichosti činili vysoce sázkové rozhodnutí o identitě.

Uvedení do praxe

Proč na tom záleží

  • Rychlost a měřítko. Vizuální AI může automatizovat úkoly inspekce, detekce a označování ve velkém měřítku.
  • Volby sestavy. Kreativní týmy mohou prototypovat koncepty rychleji s menším počtem ručních revizí.
  • Tým a pracovní postup. Operace mohou využívat obrazové a video signály, které bylo dříve obtížné zpracovat.

Pozor na

  • Obrazová práva a souhlas se mohou stát právním rizikem, pokud je původ nejasný.
  • Výkon modelu se může lišit podle osvětlení, demografických údajů a prostředí.
  • Falešně pozitivní mohou zůstat bez povšimnutí, pokud nejsou monitorovány prahové hodnoty spolehlivosti.

Další kroky

  1. Definujte kritéria přijatelnosti pro přesnost, stažení a náklady na chyby.
  2. Testujte s daty, která odpovídají reálným výrobním podmínkám.
  3. Přidejte lidskou kontrolu pro předpovědi s nízkou spolehlivostí nebo velkým dopadem.
  4. Sledujte posun modelu a znovu ověřte po změnách kamery nebo datové sady.

Pokračujte v objevování

Newsletter zdarma

Získejte denní přehled o AI

Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.

Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.

Otestujte se

Udělejte si kvíz Detekce živosti obličeje a Anti-Spoofing

Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.

Spustit kvíz

Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte

Často kladené otázky

Co je to Detekce živosti obličeje a Anti-Spoofing?

Kontroly živosti obličeje se snaží odlišit prezentaci obličeje v dobré víře na snímacím zařízení od prezentačního útoku, jako je fotografie, přehrané video nebo maska. Přesnější termín je detekce útoku na prezentaci, protože kamera nemůže prokázat, že tvrzení o identitě je pravé, pouhým zjištěním živě vypadajícího obličeje. Dobré systémy testují jak zmeškané útoky, tak neprávem odmítnuté legitimní osoby.

Nástroj pro vyhledávání obličejů najde blízkou shodu se zaregistrovaným obrázkem. Jakou další otázku PAD řeší?

PAD vyhodnocuje útoky prezentace při zachycení; párování je samostatné srovnání identity.

Proč samotná kontrola živosti nemůže prokázat nárokovanou totožnost?

PAD a párování identit odpovídá na různé otázky a záleží také na integritě zachycení.

Detektor zachytí vytištěné fotografie v laboratoři. Které tvrzení je oprávněné?

NIST uvádí velké rozdíly podle algoritmu a typu útoku; důkazy by měly zůstat v testovaném rozsahu.

Proč by měl tým vzdáleného onboardingu testovat vstřikování virtuální kamery samostatně?

Stream vložený softwarem se může vyhnout fyzické cestě zachycení.

Který test rozdělil nejlepší sondy zobecnění PAD detektoru?

Související snímky a opakované objekty mohou nafouknout výsledky netěsností.