ДалееСледующее руководство
Алгоритмы обнаружения лиц
Визуальный ИИ
Визуальное руководство по искусственному интеллекту
Проверка подлинности лица пытается отличить подлинное представление лица перед камерой от атаки с предъявлением подделки, такой как фотография, воспроизведенное видео или маска.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Более точный термин — обнаружение атак с предъявлением, поскольку камера не может доказать подлинность заявления об идентичности просто путем обнаружения похожего на живое лица. Хорошие системы проверяют как пропущенные атаки, так и ошибочно отклоненных легитимных людей.
A face matcher asks whether a captured face resembles an enrolled image. Presentation attack detection, or PAD, asks a different question: whether something presented at the capture device is an attack rather than a bona fide presentation. A printed portrait, another device showing a face video, a mask and appearance-altering material can create different visual cues. ISO/IEC 30107-1 defines the PAD framework but does not prescribe one sensor or claim that PAD establishes a person's identity. A successful liveness check therefore does not replace identity matching or secure capture. Some systems analyze an ordinary image or video passively. They may examine texture, reflections, depth cues or inconsistent motion. Others ask for a changing action or use additional sensing such as depth or infrared, depending on the device. A fixed blink request can sometimes be imitated by a replay; a randomized challenge raises the work for an attacker but can slow users or create accessibility problems. Security also depends on whether the application can trust that the camera stream came from the intended device. A convincing injected stream may bypass defenses aimed only at objects held in front of a lens. NIST's passive software PAD evaluation tested multiple attack types on conventional imagery and found substantial variation among algorithms. Performance on one attack instrument cannot be generalized to all unseen masks, displays or capture conditions. Test representative attacks and bona fide users under lighting, camera quality, skin-tone and accessibility conditions expected in deployment. Report attack presentations incorrectly accepted alongside genuine presentations incorrectly rejected, with thresholds and test sets disclosed. If the score is uncertain, step-up verification or a human review can be safer than treating a single frame as conclusive. PAD reduces one route to impersonation; it is not a complete fraud, privacy or identity-proofing program. Limit retention of face images, give a usable fallback and monitor new attack methods without claiming that a model can certify every image is authentic.
Банк тестирует удаленную камеру для регистрации против распечатанных фотографий, воспроизведений с экрана и масок, прежде чем доверять результату сравнения лиц.
Процесс разблокировки телефона разрешает использование запасных учетных данных, когда из-за освещения или маскировки лица легитимный пользователь не проходит проверку на живость.
Лаборатория сообщает результаты отдельно для фотоатак и атак с масками, а не утверждает, что один общий показатель точности охватывает все виды подделок.
Команда по управлению идентичностью проверяет, может ли предварительно записанное видео проникнуть через виртуальную камеру, поскольку тесты атак только по изображениям не охватывают этот путь внедрения.
Более реалистичные маски, дисплеи и синтетическое видео будут продолжать менять характер атак, с которыми должен бороться PAD. Системы могут комбинировать данные датчиков, вариативность задач и целостность захвата, но каждое дополнение следует проверять на предмет удобства использования и доступности. Общественные оценки, вероятно, будут иметь больший вес, чем заявления об универсальном балле живости: результат должен указывать, какие типы атак и условия действительно тестировались. Организациям также потребуется способ обновления средств защиты без хранения данных лиц дольше, чем это необходимо. Доверие пользователей позволит легитимным пользователям восстановить доступ после ложного отклонения и передавать сомнительные случаи на рассмотрение вместо того, чтобы молча принимать решение по важным вопросам идентичности.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Проверка подлинности лица пытается отличить подлинное представление лица перед камерой от атаки с предъявлением подделки, такой как фотография, воспроизведенное видео или маска. Более точный термин — обнаружение атак с предъявлением, поскольку камера не может доказать подлинность заявления об идентичности просто путем обнаружения похожего на живое лица. Хорошие системы проверяют как пропущенные атаки, так и ошибочно отклоненных легитимных людей.
PAD оценивает атаки с предъявлением при захвате; сопоставление — это отдельное сравнение личностей.
PAD и сопоставление лиц отвечают на разные вопросы, и целостность захвата также имеет значение.
NIST сообщает о больших различиях в зависимости от алгоритма и типа атаки; доказательства должны оставаться в рамках тестируемой области.
Поток, внедренный с помощью программного обеспечения, может обойти физический путь захвата.
Связанные кадры и повторяющиеся субъекты могут завысить результаты из-за утечки данных.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Алгоритмы обнаружения лиц
Визуальный ИИ