Lebenderkennung im Gesicht: Wie sie funktioniert und warum sie wichtig ist

Nach einem Onboarding-Vorfall, der durch Deepfakes verursacht wurde, stellen Betrugsteams immer wieder dieselbe Frage: Wie konnte ein Gesicht, das für das System echt aussah, am Ende niemandem gehören?

Die Antwort liegt meist wieder in der gleichen Schwachstelle. Biometrische Kontrolle Es wurde zwar bestätigt, dass ein Gesicht vorhanden war, aber nicht, dass dieses Gesicht in diesem Moment vor der Kamera lebte. Genau diese Lücke soll die Lebenderkennung von Gesichtern schließen, und sie hat sich rapide vergrößert.

Das Bericht des FBI Internet Crime Complaint Center aus dem Jahr 2024 Es wurden Rekordverluste in Höhe von 16.6 Milliarden US-Dollar gemeldet, wobei KI-gestützter Betrug als zunehmendes Problem gilt. Jede Identitätsprüfungslösung, die die Frage „Ist diese Person real und gerade anwesend?“ nicht beantworten kann, ist angreifbar.

Was ist Gesichtslebenderkennung?

Die Lebenderkennung im Gesicht umfasst biometrische Prüfungen, die bestätigen, dass ein Gesicht vor der Kamera zu einer lebenden, physisch anwesenden Person gehört und nicht zu einem Foto, einer Videoaufzeichnung, einer 3D-Maske oder einem synthetischen Videostream. Sie befindet sich zwischen Gesichtserfassung und Gesichtsabgleich und ist die Ebene, die bei erfolgreichem Onboarding-Betrug am häufigsten umgangen wird. Der Referenzstandard hierfür ist … ISO / IEC 30107-3: 2023, das definiert, wie die Erkennung von Präsentationsangriffen branchenweit getestet und gemeldet wird.

Es gibt zwei praktische Modi. Im aktiven Modus wird der Nutzer aufgefordert, zu blinzeln, sich umzudrehen oder zu lächeln, um eine Veränderung im Feed zu erfassen. Im passiven Modus analysiert das System im Hintergrund ein einzelnes Selfie oder ein kurzes Video ohne jegliche Geste. Die meisten modernen Implementierungen nutzen beide Modi, und die Risikorichtlinie legt fest, wie viele Interaktionen der Nutzer wahrnimmt.

Der Grund, warum diese Sicherheitsebene von einer wünschenswerten Funktion zu einer Grundvoraussetzung geworden ist, liegt in der zunehmenden Verbreitung von Online-Betrug. Die Gesichtserkennung allein beantwortet nur eine begrenzte Frage: Stimmt das Selfie mit dem Dokumentenfoto überein? Sie gibt keine Auskunft darüber, ob das Selfie von einer realen Person vor der Kamera stammt oder ob es per Videostream über eine virtuelle Kamera aufgenommen wurde. Die Lebenderkennung ist der entscheidende Faktor, der diese zweite Frage beantwortet. Ohne sie ist die Gesichtserkennung nur eine halbe Verifizierung.

Was ist Anti-Spoofing bei der Gesichtserkennung?

Anti-Spoofing ist die technische Fähigkeit innerhalb Lebendigkeitserkennung das betrügerische Gesichtseingaben wie Fotos, Wiederholungen, Masken oder eingeschleuste Videostreams erkennt und zurückweist, bevor sie als legitimer Live-Benutzer durchgehen können.

Wie lässt sich ein echtes Gesicht von einer Parodie unterscheiden?

Lebendigkeit, Nutzeraktion als Signal

Bei der Live-Erkennung führt der Nutzer eine kleine Aktion auf dem Bildschirm aus. Das System sucht nach Bewegungen, die einer echten Person in Echtzeit entsprechen. Mikrobewegungen im Gesicht, in den Augen und im Kiefer lassen sich mit einem ausgedruckten Foto oder einem pausierten Video nur schwer simulieren. Der Nachteil ist die höhere Benutzerfreundlichkeit. Nutzer mit langsamen Internetverbindungen oder schlechten Lichtverhältnissen scheitern möglicherweise schon beim ersten Versuch, und diese Ablehnung ist kostspielig.

Passive Lebendigkeit, Hintergrundsignale

Die passive Lebendigkeitserkennung leistet im Hintergrund weitere Arbeit. Die Texturanalyse sucht nach Papierstruktur, Moiré-Effekten und Druckmustern, die auf echter Haut nicht vorkommen. Frequenzbereichsinformationen sind der stärkste Schutz vor digitalen Wiedergaben, da Kompressionsartefakte von neu codierten Videos einen Fingerabdruck hinterlassen, den ein Live-Kamerabild nicht erzeugt. Die Tiefenrekonstruktion bestätigt anschließend, dass das Gesicht eine reale Geometrie aufweist und nicht nur eine flache, auf die Kamera gerichtete Fläche ist.

Ein gut konfigurierter Ablauf vereint beides. Das legen auch die Evaluierungsarbeiten auf Bundesebene nahe. NIST-Technologiebewertung zur Gesichtsanalyse, Teil 10 Ein Bericht über passive softwarebasierte PAD-Algorithmen ergab, dass kein einzelner Algorithmus alle Angriffsarten im gesamten Spektrum erfasste. Präsentationsangriff Die getesteten Instrumente zeigten, dass die Leistung je nach Angriffskategorie stark variierte.

Die Angriffsarten, die Lebendigkeit besiegen muss

Bei der Evaluierung biometrischer Systeme stellen Anwender oft die falsche Frage. Sie fragen „Wie genau ist es?“, dabei lautet die relevante Frage: „Welche Angriffe erkennt es tatsächlich?“ Die Klassifizierung lässt sich in zwei Kategorien unterteilen.

Präsentationsangriffe

Präsentationsangriffe sind physikalischer Natur. Typische Beispiele sind ein ausgedrucktes Foto vor der Linse, ein Laptop-Bildschirm mit einem vorab aufgezeichneten Video und eine Silikonmaske, die während des Onboardings getragen wird. ISO/IEC 30107 definiert diese als Standardtestoberfläche. Ein einfaches 2D-RGB-Liveness-Modell kann in der Regel ein Foto und eine Wiedergabe in niedriger Qualität erkennen, hat aber Schwierigkeiten mit hochauflösenden Monitoren, gebogenen Ausdrucken und hochwertigen 3D-Masken.

Lebenderkennung für die Gesichtserkennung: Warum sie nicht optional sein kann

Die Lebenderkennung für die Gesichtserkennung schließt die Lücke in der Verifizierung, die biometrische Daten allein nicht schließen können. Ein Gesichtserkennungssystem beantwortet eine Frage: Gehören diese beiden Gesichter derselben Person? Es prüft nicht, ob das Gesicht, das der Kamera präsentiert wurde, real, lebendig und zum Zeitpunkt der Aufnahme physisch anwesend war. Diese zweite Frage beantwortet die Lebenderkennung, und sie muss vor dem eigentlichen Erkennungsschritt erfolgen, nicht danach. Ohne diese Reihenfolge basiert das Ergebnis des Gesichtsabgleichs auf unbestätigten Daten.

Die praktischen Folgen des Auslassens der Lebenderkennung in vorgelagerten Prozessen werden in Betrugsszenarien deutlich. Ein Angreifer, der einem Erkennungssystem ohne Lebenderkennung ein hochauflösendes Foto, eine Bildschirmaufnahme oder einen mit Deepfakes manipulierten Stream präsentiert, erzielt einen biometrischen Treffer, da der Vergleich zwischen zwei Bildern und nicht zwischen einem Bild und einer lebenden Person erfolgt. Der Matching-Algorithmus verfügt über keinen Mechanismus, um zu erkennen, dass die Eingabe manipuliert wurde. Die Lebenderkennung ist die Kontrollinstanz, die die gesamte biometrische Kette vertrauenswürdig macht.

Bei der regulierten Identitätsprüfung ist dies keine Frage der Architekturpräferenz mehr, sondern eine Compliance-Anforderung. eIDAS 2.0 schreibt vor, dass eine hochsichere Remote-Identitätsprüfung die Erkennung von Präsentationsangriffen umfassen muss. Die FATF-Richtlinien zum Remote-KYC-Onboarding betrachten die Lebenderkennung als Voraussetzung dafür, dass jede biometrische Identitätsprüfung rechtliche Gültigkeit besitzt. Die Ergebnisse des DHS Biometric Technology Rally haben wiederholt gezeigt, dass Systeme ohne effektive Lebenderkennungskontrollen in wirtschaftlich und rechtlich inakzeptablen Fällen versagen. Die Lebenderkennung für die Gesichtserkennung ist keine Erweiterung des Systems; sie ist die Grundlage für dessen Gültigkeit.

Wie verhindert die Lebenderkennung im Gesicht Fotofälschungen?

Die Texturanalyse erkennt Papierfasern und Druckmuster, die auf echter Haut nicht vorkommen, während die Tiefenrekonstruktion bestätigt, dass es sich um ein dreidimensionales Gesicht und nicht um eine flache, bedruckte Oberfläche handelt.

Injektions- und synthetische Angriffe

Bei sogenannten Injection-Angriffen wird die Kamera komplett umgangen. Betrüger speisen einen vorab generierten Videostream, oft ein Deepfake, über einen virtuellen Kameratreiber direkt in den Kamerapuffer des Geräts ein. Das System empfängt ein scheinbar normales Videosignal, obwohl kein echtes Gesicht zu sehen ist. Innovationslabor von Europol hat die Erstellung von Deepfakes als ein aufkommendes Standardwerkzeug der organisierten Kriminalität bezeichnet. Synthetische Identität Die am schnellsten wachsende Variante ist die sogenannte „Assembly“-Methode, bei der gestohlene Daten, ein generiertes Gesicht und ein gefälschtes Dokument kombiniert werden.

Das defensive Problem besteht darin, dass ein erfolgreicher Injektionsangriff niemals eine physische Oberfläche berührt. Texturinformationen verschwinden. Tiefengeometrie lässt sich simulieren. Frequenzbereichsartefakte werden zum stärksten verbleibenden Signal, zusammen mit Geräte- und Sitzungstelemetriedaten, die Aufschluss darüber geben, ob der Kamerastream dem entspricht, was die Hardware erzeugen sollte. Auf 2D-RGB basierende Stacks wurden für ein Problem trainiert, das sich bereits weiterentwickelt hat.

3D-Gesichtslebenderkennung: Wie sie sich von herkömmlichen Lebendprüfungen unterscheidet

Die 3D-Gesichtserkennung ist eine Methode zur Bestätigung der Anwesenheit einer Person. Sie nutzt Tiefensensoren, Strukturlichtprojektoren oder Time-of-Flight-Kameras, um die physische Geometrie eines menschlichen Gesichts zu rekonstruieren. Da das System die tatsächliche dreidimensionale Tiefe misst, kann es flache Präsentationsangriffe, gedruckte Fotos, Bildschirmaufnahmen und Papiermasken zuverlässiger erkennen als 2D-Algorithmen, die ausschließlich auf Bildsignalen basieren. Die Geometrie eines echten Gesichts lässt sich durch eine flache Oberfläche, die vor eine Kamera gehalten wird, nicht nachbilden.

Der Unterschied zwischen 3D-Gesichtserkennung und ihrem 2D-Pendant wird besonders deutlich bei der Bewertung von Anwendungsfällen mit hohen Sicherheitsanforderungen. Hardwaregesteuerte Umgebungen, die Ausstellung von amtlichen Ausweisen, Grenzkontrollsysteme oder die Eröffnung von Konten mit hohem Wert profitieren von der physikalischen Sicherheit, die die 3D-Tiefenmessung bietet. In diesen Kontexten ist der zusätzliche Hardwareaufwand akzeptabel, da die Folgen eines erfolgreichen Spoofings gravierend sind.

Für die meisten kommerziellen KYC- und Remote-Onboarding-Systeme hat sich die passive Lebenderkennung mittels 2D-KI als dominierender Ansatz etabliert. Sie erzielt eine gleichwertige oder sogar bessere Leistung gegen moderne Deepfake-Angriffe und Injection-Angriffe, ohne dass spezielle Sensoren erforderlich sind, und nutzt die in den Endgeräten der Nutzer bereits vorhandenen Standardkameras. Die richtige Wahl zwischen 3D-Gesichtserkennung und passiver 2D-Erkennung hängt vollständig vom Bedrohungsmodell ab. Immer häufiger basieren die komplexesten Bedrohungen auf Injection-Angriffen und nicht mehr auf physischen Angriffen, gegen die 3D-Hardware allein nicht gewappnet ist. Unabhängig davon, ob die Lebenderkennung mittels 2D-KI oder 3D-Hardware erfolgt, bleibt das Ziel dasselbe: alle Eingaben, die nicht von einer realen, anwesenden Person stammen, zu verwerfen.

Was sind die neuesten Angriffsmethoden gegen die Lebenderkennung von Gesichtern?

Die sich am schnellsten entwickelnden Bedrohungen sind Deepfake-Injektionsangriffe mittels virtueller Kameratreiber und synthetischem Identitätsbetrug, bei dem KI-generierte Gesichter mit gefälschten Dokumenten kombiniert werden, wodurch die physische Präsentation vollständig umgangen wird und Abwehrmechanismen auf Frequenz- und Sitzungsebene erforderlich sind.

Ein glaubwürdiger Liveness-Stack wird anhand all dieser Kriterien getestet, nicht nur anhand der billigen.

Wie lässt sich die Lebenderkennung von Gesichtern beim Remote-Onboarding bewerten?

Regulierte Branchen Remote-Identitätsprüfung Hier muss sich die Lebendigkeit bewähren, und hier werden die meisten Abkürzungen sichtbar. Die folgenden Muster unterscheiden zuverlässige Bereitstellungen von solchen, die lediglich eine Checkliste erfüllen.

Unabhängige Vergleichswerte zählen

Interne Testergebnisse reichen nicht aus. Die beiden externen Programme, die Beachtung verdienen, sind die NIST FATE PAD-Evaluierungen, die Algorithmen nach einem kontrollierten Protokoll bewerten, und die US-amerikanischen Biometrische Technologie-Kundgebung des Ministeriums für Innere SicherheitDiese Tests prüfen ganze Identitätsverifizierungssysteme anhand realistischer Angriffsszenarien. Veröffentlichte Ergebnisse zeigen, dass ein erheblicher Anteil der getesteten Systeme mindestens ein Ziel verfehlt. Wenn ein Anbieter keine unabhängigen Evaluierungsdaten vorlegt, ist dieses Schweigen ein eindeutiges Ergebnis.

Wo machen die Teams Fehler?

Drei Fehler tauchen immer wieder in Nachbesprechungen von Vorfällen auf. Erstens wird die Lebendigkeit als einfacher Schalter anstatt als Richtlinie behandelt, ohne dass es eine Ausweichmöglichkeit für unklare Fälle gibt. Teams neigen außerdem dazu, sich auf einen einzigen Signaltyp zu verlassen, üblicherweise 2D RGB, der Frequenzbereichsinformationen nicht berücksichtigt.

 Der letzte Fehler besteht darin, die Lebendigkeitsprüfung nur bei der Kontoeröffnung durchzuführen, sodass wichtige Aktionen wie hohe Abhebungen oder Änderungen des Begünstigten nie erneut geprüft werden. Ausgereifte Programme führen die Lebendigkeitsprüfung beim Onboarding durch und verwenden die biometrische Vorlage für zusätzliche Prüfungen in risikoreichen Momenten wieder.

Ein weiterer Aspekt ist hier entscheidend: Barrierefreiheit und demografische Leistungsfähigkeit bestimmen, ob ein Live-Erkennungsprogramm flächendeckend einsetzbar ist. Ein System, das bei Menschen mit dunklerer Hautfarbe, älteren Nutzern oder Brillenträgern häufiger versagt, zwingt diese Nutzer entweder zu einem manuellen Verfahren oder verliert sie ganz. Unabhängige Evaluierungen, nicht interne Laborergebnisse, sind der richtige Weg, dies zu überprüfen. Demografische Fairness und die Rate falsch zurückgewiesener Nutzer gehören neben die Leistungsfähigkeit der Spoofing-Erkennung in die Bewertung.

Praktische nächste Schritte für Ihre Bewertung

Wenn das letzte Gesicht Der Verifizierungsbericht wurde vor über 18 Monaten verfasst, das Bedrohungsmodell hat sich geändert. Eine kurze, praxisnahe Übung hilft, den aktuellen Sicherheitsstandard zu validieren. Beginnen Sie mit einem Red-Team-Beispiel, das dem Sicherheitsstandard ein ausgedrucktes Foto, eine Bildschirmaufnahme, einen einfachen Deepfake-Clip und, falls Testkapazität vorhanden ist, einen Einschleusungsversuch über eine virtuelle Kamera zuführt.

CVergleichen Sie die Erfolgsquoten anhand der Angriffskategorien nach ISO/IEC 30107-3 anstatt sich auf die Marketingaussagen der Anbieter zu verlassen. Auch die Quote falsch abgelehnter Tests bei legitimen Nutzern ist relevant, insbesondere bei Brillenträgern, Bartträgern und Nutzern mit schlechten Lichtverhältnissen, da Ablehnungen Umsatzeinbußen verursachen und Nutzer dazu veranlassen, legitime Registrierungen abzubrechen.

Ordnen Sie die Belege als Nächstes der Dokumentation des Anbieters zu. Ein seriöser Anbieter veröffentlicht PAD-Testniveaus Ausgerichtet an ISO/IEC 30107-3, reicht es Algorithmen bei NIST FATE oder einem DHS-Review ein und bietet eine lokale Implementierung für regulierte Umgebungen, die keine biometrischen Daten an Dritte weitergeben dürfen. Klare, nachvollziehbare Antworten sind hier weitaus wichtiger als jede einzelne Genauigkeitszahl.

Machen Sie den nächsten Schritt in Ihrer Lebendbeurteilung

Remote-Onboarding kann den aktuellen Präsentations- und Injection-Angriffen nicht standhalten, wenn ein einzelnes, älteres Liveness-Signal die ganze Arbeit erledigt. Shuftis Gesichtsverifizierung kombiniert aktive und passive Lebenderkennung, Artefakterkennung im Frequenzbereich und Screening auf Injektionsangriffe über mehr als 56 Anti-Spoofing-Vektoren hinweg, unabhängig validiert auf iBeta Level 1 und Level 2 sowie DHS RIVR 2025. Demo anfordern Testen Sie Ihren aktuellen Stack anhand eines realen Angriffsbeispiels, um die Schwachstellen aufzudecken.