Détection de la présence du visage : comment ça marche et pourquoi c’est important

Après un incident d'intégration frauduleux lié à un deepfake, les équipes chargées de la lutte contre la fraude se posent sans cesse la même question : comment un visage qui paraissait réel au système a-t-il pu s'avérer n'appartenir à personne ?

La réponse se résume généralement au même point faible. contrôle biométrique La détection de présence faciale a confirmé la présence d'un visage, mais pas que ce visage était vivant, devant la caméra, à ce moment précis. C'est précisément cette lacune que la détection de présence faciale vise à combler, et cette lacune s'est rapidement creusée.

Le Rapport 2024 du Centre de plaintes pour la cybercriminalité du FBI Les pertes déclarées ont atteint un record de 16.6 milliards de dollars, la fraude facilitée par l'IA étant considérée comme un vecteur de plus en plus important. Tout système d'identité qui ne permet pas de répondre à la question « Cette personne est-elle réelle et présente actuellement ? » est vulnérable.

Qu'est-ce que la détection de présence faciale ?

La détection de présence faciale est l'ensemble des contrôles biométriques qui confirment qu'un visage humain devant la caméra appartient à une personne réelle et physiquement présente, et non à une photo, une rediffusion vidéo, un masque 3D ou un flux vidéo synthétique. Elle se situe entre la capture et la reconnaissance faciale, et c'est l'étape la plus souvent contournée lors des fraudes à l'inscription. La norme de référence est : ISO / IEC 30107-3: 2023, qui définit comment la détection des attaques par présentation est testée et signalée dans l'ensemble du secteur.

Deux modes pratiques existent. Le mode actif demande à l'utilisateur de cligner des yeux, de se tourner ou de sourire afin de mesurer les changements dans le flux. En mode passif, le système analyse un simple selfie ou une courte vidéo en arrière-plan, sans intervention de l'utilisateur. La plupart des déploiements modernes utilisent les deux modes, et la politique de risque détermine le niveau d'interaction perçu par l'utilisateur.

La raison pour laquelle cette couche de sécurité est passée d'un simple atout à une fonctionnalité de base réside dans l'ampleur de la fraude à distance. La reconnaissance faciale, à elle seule, répond à une question précise : ce selfie correspond-il à la photo du document ? Elle ne permet pas de déterminer si le selfie provient d'une personne réelle posant devant l'objectif, ou d'une vidéo diffusée par une caméra virtuelle. La présence physique est l'élément qui apporte la réponse à cette seconde question ; sans elle, la reconnaissance faciale ne constitue qu'une vérification partielle.

Qu’est-ce que l’anti-usurpation d’identité dans la détection de la présence du visage ?

L'anti-usurpation d'identité est la capacité technique au sein de détection de vivacité qui identifie et rejette les entrées faciales frauduleuses, telles que les photos, les rediffusions, les masques ou les flux vidéo injectés, avant qu'elles ne puissent passer pour un utilisateur en direct légitime.

Comment distinguer un visage réel d'une parodie ?

L'activité en direct, l'action de l'utilisateur comme signal

En mode « interaction en direct », l'utilisateur effectue une petite action à l'écran. Le système recherche des mouvements compatibles avec une personne réelle réagissant en temps réel. Les micromouvements du visage, des yeux et de la mâchoire sont difficiles à simuler avec une photo imprimée ou une vidéo en pause. Le revers de la médaille ? Des difficultés. Les utilisateurs disposant d'une connexion lente ou travaillant dans des conditions de faible luminosité peuvent échouer à la première tentative, et ces échecs sont coûteux.

Vivité passive, signaux de fond

La présence passive d'un visage effectue un travail considérable en coulisses. L'analyse de texture recherche le grain du papier, le moiré d'écran et les motifs d'impression qui n'existent pas sur la peau réelle. Les indices fréquentiels constituent la meilleure défense contre les relectures numériques, car les artefacts de compression de la vidéo réencodée laissent une empreinte qu'un flux vidéo en direct ne produit pas. La reconstruction de profondeur confirme ensuite que le visage possède une géométrie réelle et non une surface plane face à la caméra.

Un flux bien configuré combine les deux. C'est également ce que suggèrent les travaux d'évaluation menés au niveau fédéral. Évaluation des technologies d'analyse faciale du NIST, partie 10 Un rapport sur les algorithmes PAD logiciels passifs a révélé qu'aucun algorithme ne permettait de détecter tous les types d'attaques sur l'ensemble du spectre. attaque de présentation Les instruments testés ont montré que leurs performances variaient fortement selon la catégorie d'attaque.

Les types d'attaques que Liveness doit vaincre

Les professionnels qui évaluent un système biométrique commencent souvent par la mauvaise question. Ils demandent « à quel point est-il précis ? », alors que la question pertinente serait « quelles attaques détecte-t-il réellement ? ». La classification se divise en deux catégories.

Attaques de présentation

Les attaques par présentation sont physiques. Parmi les exemples typiques, citons une photo imprimée placée devant l'objectif, un écran d'ordinateur portable affichant une vidéo préenregistrée et un masque en silicone porté lors de l'intégration. La norme ISO/IEC 30107 considère ces éléments comme la surface de test de référence. Un modèle de vivacité RVB 2D basique peut généralement détecter une photo papier et une lecture de faible qualité, mais il peine à gérer les écrans haute résolution, les impressions incurvées et les masques 3D de haute qualité.

Détection de présence pour la reconnaissance faciale : pourquoi elle ne peut être optionnelle

La détection de présence pour la reconnaissance faciale comble le manque de vérification que la simple correspondance biométrique ne peut résoudre. Un système de reconnaissance faciale est conçu pour répondre à une question : ces deux visages appartiennent-ils à la même personne ? Il ne détermine pas si le visage présenté à la caméra était réel, vivant et physiquement présent au moment de la capture. C’est à cette seconde question que répond la détection de présence, et elle doit être effectuée avant l’étape de reconnaissance, et non après. Sans cette séquence, le résultat de la correspondance faciale repose sur des données non vérifiées.

Les conséquences pratiques de l'absence de contrôle de présence en amont deviennent évidentes dans les scénarios de fraude. Un attaquant qui soumet une photo de haute qualité, une capture d'écran ou un flux vidéo contenant un deepfake à un système de reconnaissance sans contrôle de présence obtiendra une correspondance biométrique, car la comparaison se fait entre deux images, et non entre une image et une personne réelle. L'algorithme de correspondance est incapable de détecter la falsification des données. La détection de présence pour la reconnaissance faciale est le mécanisme de contrôle qui garantit la fiabilité de l'ensemble de la chaîne biométrique.

Dans le cadre de la vérification d'identité réglementée, il ne s'agit plus d'une préférence architecturale, mais d'une obligation de conformité. eIDAS 2.0 spécifie que la vérification d'identité à distance à haute assurance doit inclure la détection des attaques par présentation. Les recommandations du GAFI relatives à l'intégration KYC à distance considèrent la présence physique comme une condition préalable à la validité juridique de tout contrôle d'identité biométrique. Les résultats du DHS Biometric Technology Rally ont systématiquement démontré que les systèmes dépourvus de contrôles efficaces de présence physique présentent des taux d'échec inacceptables sur les plans commercial et juridique. La détection de présence physique pour la reconnaissance faciale n'est pas une simple amélioration de l'architecture ; elle en est la couche fondamentale qui garantit sa validité.

Comment la détection de la présence du visage empêche-t-elle la falsification de photos ?

L'analyse de texture détecte le grain du papier et les motifs d'impression absents de la peau réelle, tandis que la reconstruction de profondeur confirme la présence d'un visage tridimensionnel plutôt que d'une surface imprimée plane.

Attaques par injection et attaques synthétiques

Les attaques par injection contournent complètement la caméra. Les fraudeurs injectent un flux vidéo pré-généré, souvent un deepfake, directement dans la mémoire tampon de la caméra de l'appareil via un pilote de caméra virtuel. Le système perçoit un flux vidéo d'apparence normale, mais aucun visage réel n'a jamais été affiché. Le laboratoire d'innovation d'Europol a signalé la création de deepfakes comme un outil de base émergent du crime organisé. Identité synthétique L'assemblage, qui combine des données volées, un visage généré et un document falsifié, est la variante qui connaît la croissance la plus rapide.

Le problème en matière de défense réside dans le fait qu'une attaque par injection bien menée n'atteint jamais une surface physique. Les indices de texture disparaissent. La géométrie de profondeur peut être simulée. Les artefacts du domaine fréquentiel deviennent le signal résiduel le plus puissant, aux côtés des données de télémétrie du périphérique et de la session qui indiquent si le flux vidéo de la caméra correspond à ce que le matériel devrait produire. Les algorithmes construits uniquement sur du RGB 2D ont été entraînés pour un problème qui a évolué depuis.

Détection de la présence du visage en 3D : en quoi diffère-t-elle des contrôles de présence standard ?

La détection de présence faciale en 3D est une méthode permettant de confirmer la présence d'une personne en utilisant des capteurs de profondeur, des projecteurs de lumière structurée ou des caméras à temps de vol pour reconstruire la géométrie physique d'un visage humain. Ce système, mesurant la profondeur tridimensionnelle réelle, peut rejeter les attaques par présentation plane, les photos imprimées, les relectures d'écran et les masques en papier avec une plus grande fiabilité que les algorithmes 2D qui se basent uniquement sur les signaux de l'image. La géométrie d'un visage réel ne peut être reproduite par une surface plane présentée à une caméra.

La distinction entre la détection de présence faciale en 3D et son équivalent en 2D prend toute son importance lors de l'évaluation de cas d'utilisation critiques. Les environnements à contrôle matériel, la délivrance de pièces d'identité officielles, les systèmes de contrôle aux frontières ou l'ouverture de comptes financiers importants bénéficient de la certitude physique offerte par la cartographie de profondeur 3D. Dans ces contextes, le surcoût matériel est justifié par les graves conséquences d'une usurpation d'identité réussie.

Pour la plupart des déploiements KYC et d'intégration à distance à des fins commerciales, la détection passive de présence basée sur l'IA 2D est devenue l'approche dominante. Elle offre des performances équivalentes, voire supérieures, face aux attaques par injection et aux deepfakes modernes, sans nécessiter de capteurs spécialisés, et fonctionne avec les caméras standard déjà présentes sur les appareils des utilisateurs. Le choix entre la détection de présence faciale 3D et la détection passive 2D dépend entièrement du modèle de menace. Or, les menaces les plus sophistiquées sont de plus en plus souvent basées sur l'injection plutôt que sur des attaques physiques, auxquelles le matériel 3D seul ne peut répondre. Que la détection de présence faciale utilise l'IA 2D ou le matériel 3D, l'objectif reste le même : rejeter toute entrée ne provenant pas d'une personne réelle et présente.

Quelles sont les dernières méthodes d'attaque contre la détection de la présence du visage ?

Les menaces qui évoluent le plus rapidement sont attaques par injection de deepfake via des pilotes de caméra virtuels et une fraude à l'identité synthétique combinant des visages générés par l'IA avec des documents falsifiés, les deux contournant entièrement la présentation physique et nécessitant des défenses au niveau du domaine fréquentiel et de la session.

Un système de test de vivacité crédible est comparé à tous ces systèmes, et pas seulement aux moins chers.

Comment évaluer la détection de la présence du visage lors de l'intégration à distance ?

Réglementé vérification d'identité à distance C’est là que la fiabilité doit être garantie, et c’est là que la plupart des raccourcis deviennent visibles. Les modèles ci-dessous permettent de distinguer les déploiements fiables des déploiements simplifiés.

Les indicateurs de référence indépendants sont importants.

Les résultats des tests internes ne suffisent pas. Les deux programmes externes à suivre sont les évaluations NIST FATE PAD, qui évaluent les algorithmes selon un protocole contrôlé, et le programme américain Rallye sur la technologie biométrique du département de la Sécurité intérieureCette étude met à l'épreuve l'ensemble des systèmes de vérification d'identité face à des combinaisons d'attaques réalistes. Les résultats publiés de ces tests ont montré qu'une part significative des systèmes testés échoue à au moins un objectif. Si un fournisseur refuse de citer des données d'évaluation indépendantes, ce silence en dit long.

Où les équipes se trompent-elles ?

Trois erreurs récurrentes apparaissent lors des analyses post-incident. La première consiste à considérer la présence ou l'absence d'un signal comme une simple option plutôt que comme une règle, sans solution de repli pour les cas ambigus. Les équipes ont également tendance à se fier à un seul type de signal, généralement RGB 2D, qui ne tient pas compte des informations du domaine fréquentiel.

 La dernière erreur consiste à effectuer la vérification de présence uniquement à l'ouverture du compte, ce qui empêche les opérations importantes comme les retraits conséquents ou les changements de bénéficiaire de faire l'objet d'un nouveau contrôle. Les systèmes les plus performants effectuent cette vérification dès l'inscription et réutilisent le modèle biométrique pour des contrôles renforcés lors des situations à risque.

Un autre facteur important entre en jeu : l’accessibilité et les performances démographiques déterminent l’utilisabilité à grande échelle d’un programme de détection de présence. Un système qui échoue plus fréquemment avec les personnes à la peau foncée, les utilisateurs plus âgés ou ceux qui portent des lunettes les orientera vers une solution manuelle ou les perdra tout simplement. Seules des évaluations indépendantes, et non des données de laboratoire internes, permettent de vérifier cela. L’équité démographique et les taux de faux rejets doivent être considérés au même titre que les performances de détection d’usurpation d’identité.

Prochaines étapes pratiques pour votre évaluation

Si le dernier visage Cette revue de vérification date de plus de 18 mois et le modèle de menaces a évolué. Un exercice pratique et rapide permet de valider la pile technologique actuelle. Commencez par un échantillon de test d'intrusion qui soumet la pile à une photo imprimée, une capture d'écran, un clip deepfake simple et, si votre environnement de test le permet, une tentative d'injection via une caméra virtuelle.

CIl est préférable de comparer les taux de réussite aux catégories d'attaques de la norme ISO/IEC 30107-3 plutôt qu'aux arguments marketing des fournisseurs. Les taux de faux rejets chez les utilisateurs légitimes sont également importants, notamment pour ceux qui portent des lunettes, ont une barbe ou sont en faible luminosité, car les rejets entraînent une baisse du chiffre d'affaires et incitent les utilisateurs à abandonner leurs inscriptions légitimes.

Comparez ensuite les preuves à la documentation du fournisseur. Un fournisseur crédible publie… niveaux de test PAD Conforme à la norme ISO/IEC 30107-3, le système soumet ses algorithmes au NIST FATE ou à un rassemblement du DHS et propose un déploiement sur site pour les environnements réglementés ne pouvant transmettre de données biométriques à un tiers. Des réponses claires et vérifiables sont ici bien plus importantes qu'un simple chiffre de précision.

Passez à l'étape suivante de votre évaluation de vivacité

L'intégration à distance ne peut pas résister à la génération actuelle d'attaques par présentation et injection lorsqu'un seul signal de présence, plus ancien, fait tout le travail. Vérification du visage de Shufti combine la détection de présence active et passive, la détection d'artefacts dans le domaine fréquentiel et le filtrage des attaques par injection sur plus de 56 vecteurs anti-usurpation, validés indépendamment aux niveaux 1 et 2 d'iBeta et de DHS RIVR 2025. Démo en visio pour tester votre pile actuelle sur un véritable échantillon d'attaque et identifier les failles.