Gezichtsherkenning op basis van levendigheid: hoe het werkt en waarom het belangrijk is

Na een onboardingincident met een deepfake blijven fraudeteams dezelfde vraag stellen: hoe kan een gezicht dat er voor het systeem echt uitzag, uiteindelijk van niemand zijn?

Het antwoord komt meestal weer neer op dezelfde zwakke schakel. biometrische controle Er werd bevestigd dat er een gezicht aanwezig was, maar niet dat het gezicht op dat moment levend voor de camera stond. Die kloof is precies wat gezichtsherkenning moet dichten, maar die kloof is snel groter geworden.

De Rapport uit 2024 van het FBI Internet Crime Complaint Center Er werden recordverliezen van 16.6 miljard dollar gemeld, waarbij fraude met behulp van AI als een opkomende vorm van fraude werd aangemerkt. Elk identiteitsbeheersysteem dat geen antwoord geeft op de vraag "is deze persoon echt en aanwezig op dit moment?" is kwetsbaar.

Wat is gezichtsherkenning?

Gezichtsherkenning is de reeks biometrische controles die bevestigen dat een menselijk gezicht voor de camera toebehoort aan een levend, fysiek aanwezig persoon en niet aan een foto, een video-opname, een 3D-masker of een synthetische videostream. Het bevindt zich tussen gezichtsregistratie en gezichtsvergelijking en is de laag die het vaakst wordt overgeslagen wanneer onboardingfraude slaagt. De referentiestandaard hier is ISO / IEC 30107-3: 2023, waarin wordt vastgelegd hoe de detectie van presentatieaanvallen in de hele branche wordt getest en gerapporteerd.

Er bestaan ​​twee praktische modi. Bij actieve levendigheid wordt de gebruiker gevraagd te knipperen, zich om te draaien of te glimlachen, zodat een verandering in de feed kan worden gemeten. In de passieve modus analyseert het systeem een ​​enkele selfie of een kort filmpje op de achtergrond, zonder enige beweging. De meeste moderne implementaties gebruiken beide modi, en het risicobeleid bepaalt hoeveel weerstand de gebruiker ondervindt.

De reden dat deze beveiligingslaag van een handige extra naar een essentiële vereiste is verschoven, is de aard van fraude op afstand. Gezichtsherkenning op zich beantwoordt slechts een beperkte vraag: komt deze selfie overeen met de foto in het document? Het beantwoordt niet de vraag of de selfie is gemaakt door een echt persoon voor de lens, of door een video die via een virtuele camera is gestreamd. Liveness is het element dat die tweede vraag beantwoordt, en zonder dat is een gezichtsherkenning slechts een halve verificatie.

Wat is anti-spoofing bij gezichtsherkenning?

Anti-spoofing is de technische mogelijkheid binnen detectie van levendigheid die frauduleuze gezichtsherkenning, zoals foto's, herhalingen, maskers of ingevoegde videostreams, identificeert en afwijst voordat deze zich kan voordoen als een legitieme live gebruiker.

Hoe onderscheid je een echt gezicht van een imitatie?

Actieve levendigheid, gebruikersactie als signaal

Bij actieve live-animatie voert de gebruiker een kleine actie op het scherm uit. Het systeem zoekt naar bewegingen die overeenkomen met een reactie van een echt persoon in realtime. Microbewegingen in het gezicht, de ogen en de kaak zijn moeilijk te vervalsen met een afgedrukte foto of een gepauzeerde video. Het nadeel is wrijving. Gebruikers met een trage internetverbinding of bij weinig licht kunnen de eerste poging mislukken, en die afwijzing is kostbaar.

Passieve levendigheid, achtergrondsignalen

Passieve liveness verricht meer werk achter de schermen. Textuuranalyse zoekt naar papierstructuur, schermmoiré en printpatronen die niet op een echte huid voorkomen. Frequentiedomein-signalen vormen de sterkste verdediging tegen digitale herhalingen, omdat compressieartefacten van opnieuw gecodeerde video een vingerafdruk achterlaten die een live camerabeeld niet produceert. Dieptereconstructie bevestigt vervolgens dat het gezicht een echte geometrie heeft in plaats van een plat oppervlak dat naar de camera is gericht.

Een goed gestructureerd proces combineert beide. Dat is ook wat de evaluatie op federaal niveau suggereert. NIST-evaluatie van gezichtsanalysetechnologie, deel 10 Uit een rapport over passieve, softwarematige PAD-algoritmen bleek dat geen enkel algoritme alle soorten aanvallen kon detecteren. presentatieaanval Uit de geteste instrumenten bleek dat de prestaties sterk varieerden per aanvalscategorie.

De aanvalstypes die Liveness moet verslaan

Deskundigen die een biometrische stack evalueren, beginnen vaak met de verkeerde vraag. Ze vragen zich af "hoe nauwkeurig is het?", terwijl de nuttige vraag is "welke aanvallen detecteert het daadwerkelijk?". De taxonomie valt uiteen in twee categorieën.

Presentatieaanvallen

Presentatieaanvallen zijn fysiek van aard. Typische voorbeelden zijn een afgedrukte foto die voor de lens wordt gehouden, een laptopscherm waarop een vooraf opgenomen video wordt weergegeven en een siliconenmasker dat tijdens het onboardingproces wordt gedragen. ISO/IEC 30107 beschouwt deze als de basis voor de testomgeving. Een eenvoudig 2D RGB-levendigheidsmodel kan meestal een papieren foto en een weergave van lage kwaliteit detecteren, maar heeft moeite met beeldschermen met hoge resolutie, gebogen afdrukken en goed gemaakte 3D-maskers.

Levendigheidsdetectie voor gezichtsherkenning: waarom het geen optie mag zijn.

Levendigheidsdetectie voor gezichtsherkenning dicht de verificatiekloof die biometrische matching alleen niet kan dichten. Een gezichtsherkenningssysteem is ontworpen om één vraag te beantwoorden: behoren deze twee gezichten tot dezelfde persoon? Het bepaalt niet of het gezicht dat voor de camera verscheen echt, levend en fysiek aanwezig was op het moment van opname. Die tweede vraag beantwoordt de levendigheidsdetectie, en deze moet vóór de herkenningsstap plaatsvinden, niet erna. Zonder die volgorde is een gezichtsmatchresultaat gebaseerd op niet-geverifieerde input.

De praktische gevolgen van het overslaan van de levendigheidscontrole voorafgaand aan de biometrische identificatie worden duidelijk in fraudescenario's. Een aanvaller die een hoogwaardige foto, een schermopname of een met deepfake bewerkte stream aan een herkenningssysteem presenteert zonder levendigheidscontrole, zal een biometrische match genereren, omdat de vergelijking plaatsvindt tussen twee afbeeldingen, niet tussen een afbeelding en een levend persoon. Het matchingalgoritme heeft geen mechanisme om te detecteren dat de invoer vervalst is. Levendigheidsdetectie voor gezichtsherkenning is de controle die de gehele biometrische keten betrouwbaar maakt.

Bij gereguleerde identiteitsverificatie is dit niet langer een architectonische voorkeur, maar een wettelijke vereiste. eIDAS 2.0 schrijft voor dat betrouwbare identiteitsverificatie op afstand detectie van presentatieaanvallen moet omvatten. De FATF-richtlijnen voor KYC-onboarding op afstand beschouwen levendigheid als een voorwaarde voor elke biometrische identiteitscontrole om rechtsgeldig te zijn. De resultaten van de DHS Biometric Technology Rally hebben consequent aangetoond dat systemen zonder effectieve levendigheidscontroles falen met een frequentie die commercieel en juridisch onaanvaardbaar is. Levendigheidsdetectie voor gezichtsherkenning is geen verbetering van de stack; het is de laag die de stack valideert.

Hoe voorkomt gezichtsherkenning fotovervalsing?

Textuuranalyse detecteert papiervezels en printpatronen die in de echte huid ontbreken, terwijl dieptereconstructie bevestigt dat er sprake is van een driedimensionaal gezicht in plaats van een plat bedrukt oppervlak.

Injectie- en synthetische aanvallen

Injectieaanvallen omzeilen de camera volledig. Oplichters voeren een vooraf gegenereerde videostream, vaak een deepfake, rechtstreeks in de camerabuffer van het apparaat via een virtuele camerastuurprogramma. Het systeem ziet wat lijkt op een normale videostream, maar er is nooit een echt gezicht te zien geweest. Innovatielab van Europol heeft de creatie van deepfakes aangemerkt als een opkomend standaardinstrument van de georganiseerde misdaad. Synthetische identiteit Assemblage, waarbij gestolen gegevens, een gegenereerd gezicht en een vervalst document worden gecombineerd, is de snelst groeiende variant.

Het verdedigingsprobleem hier is dat een goede injectieaanval nooit een fysiek oppervlak raakt. Textuurkenmerken verdwijnen. Dieptegeometrie kan worden gesimuleerd. Artefacten in het frequentiedomein worden het sterkste resterende signaal, samen met telemetriegegevens van het apparaat en de sessie die onthullen of de camerastream overeenkomt met wat de hardware zou moeten produceren. Stacks die uitsluitend op 2D RGB zijn gebaseerd, werden getraind voor een probleem dat inmiddels is opgelost.

3D-gezichtsdetectie: hoe verschilt het van standaard gezichtsdetectie?

3D-gezichtsdetectie is een methode om de aanwezigheid van een persoon in levende lijve te bevestigen door middel van dieptesensoren, gestructureerde lichtprojectoren of time-of-flight-camera's om de fysieke geometrie van een menselijk gezicht te reconstrueren. Omdat het systeem de werkelijke driedimensionale diepte meet, kan het aanvallen met platte presentaties, afgedrukte foto's, schermopnames en papieren maskers betrouwbaarder afwijzen dan 2D-algoritmen die alleen op beeldsignalen vertrouwen. De geometrie van een echt gezicht kan simpelweg niet worden nagebootst door een plat oppervlak dat voor een camera wordt gehouden.

Het verschil tussen 3D-gezichtsherkenning en de 2D-variant wordt het belangrijkst bij toepassingen met hoge betrouwbaarheidseisen. Hardwaregestuurde omgevingen, de uitgifte van overheidsidentificatiebewijzen, grenscontrolesystemen of het openen van waardevolle financiële rekeningen profiteren van de fysieke zekerheid die 3D-dieptekaarten bieden. In deze contexten is de extra hardwarevereiste acceptabel, omdat de gevolgen van een succesvolle vervalsing zeer ernstig zijn.

Voor de meeste commerciële KYC- en remote onboarding-implementaties is passieve 2D AI-gebaseerde levendigheidsdetectie echter de dominante aanpak geworden. Deze methode behaalt gelijkwaardige of betere prestaties tegen moderne injectie- en deepfake-aanvallen zonder dat er specialistische sensoren nodig zijn, en werkt met de standaardcamera's die al in de apparaten van gebruikers aanwezig zijn. De juiste keuze tussen 3D-gezichtsdetectie en passieve 2D-detectie hangt volledig af van het dreigingsmodel. Steeds vaker zijn de meest geavanceerde dreigingen gebaseerd op injectie in plaats van fysieke aanvallen, iets wat 3D-hardware alleen niet kan verhelpen. Of de levendigheidsdetectie van gezichten nu via 2D AI of 3D-hardware verloopt, het doel blijft hetzelfde: elke invoer die geen echte, aanwezige persoon betreft, afwijzen.

Wat zijn de nieuwste aanvalsvectoren tegen gezichtsherkenning?

De snelst bewegende bedreigingen zijn deepfake-injectieaanvallen via virtuele camerastuurprogramma's en synthetische identiteitsfraude waarbij door AI gegenereerde gezichten worden gecombineerd met vervalste documenten. Beide vormen van fraude omzeilen fysieke presentatie volledig en vereisen verdedigingsmechanismen op frequentiedomein- en sessieniveau.

Een betrouwbare liveness-stack wordt getest aan de hand van al deze factoren, niet alleen de goedkope.

Hoe beoordeel je gezichtsherkenning bij onboarding op afstand?

Gereglementeerde Identiteitsverificatie op afstand Daar moet de levendigheid standhouden, en daar komen de meeste tekortkomingen aan het licht. De onderstaande patronen onderscheiden betrouwbare implementaties van implementaties die slechts een vinkje zetten.

Onafhankelijke benchmarks zijn belangrijk.

Interne testresultaten zijn niet voldoende. De twee externe programma's die de moeite waard zijn om te volgen, zijn de NIST FATE PAD-evaluaties, die algoritmes beoordelen volgens een gecontroleerd protocol, en de Amerikaanse Biometrische technologie-demonstratie van het ministerie van Binnenlandse VeiligheidDit test de volledige identiteitsverificatiestacks tegen realistische aanvalsscenario's. Uit gepubliceerde testresultaten blijkt dat een aanzienlijk deel van de geteste systemen minstens één test niet haalt. Als een aanbieder geen onafhankelijke evaluatiegegevens wil aanhalen, is dat een duidelijke aanwijzing.

Waar gaan teams de mist in?

Drie fouten duiken steeds weer op in evaluaties na incidenten. De eerste behandelt de live-status als een enkele schakelaar in plaats van een beleid, zonder terugvaloptie voor ambigue gevallen. Teams hebben ook de neiging om te vertrouwen op één signaaltype, meestal 2D RGB, dat geen rekening houdt met frequentiedomeinsignalen.

 De laatste fout is dat de authenticatie alleen bij het openen van een rekening wordt uitgevoerd, waardoor belangrijke acties zoals grote opnames of wijzigingen van begunstigden nooit opnieuw worden gecontroleerd. Volwassen systemen voeren de authenticatie al bij de onboarding uit en hergebruiken het biometrische sjabloon voor extra controles op risicovolle momenten.

Nog een belangrijk patroon speelt hier een rol. Toegankelijkheid en demografische prestaties bepalen of een livestreamingprogramma op grote schaal bruikbaar is. Een systeem dat vaker faalt bij mensen met een donkere huidskleur, oudere gebruikers of gebruikers met een bril, zal deze gebruikers ofwel naar een handmatig kanaal verwijzen, ofwel ze helemaal kwijtraken. Onafhankelijke evaluaties, en niet interne laboratoriumcijfers, zijn de manier om dit te controleren. Demografische eerlijkheid en het percentage valse afwijzingen horen op hetzelfde scorebord thuis als de prestaties van de detectie van vervalste berichten.

Praktische vervolgstappen voor uw evaluatie

Als het laatste gezicht De verificatiebeoordeling is meer dan 18 maanden geleden geschreven en het dreigingsmodel is sindsdien veranderd. Een korte, praktische oefening helpt bij het valideren van de huidige stack. Begin met een red-team-voorbeeld dat de stack voorziet van een afgedrukte foto, een schermopname, een eenvoudige deepfake-clip en, indien testcapaciteit beschikbaar is, een injectiepoging via een virtuele camera.

CVergelijk de slagingspercentages met de aanvalscategorieën van ISO/IEC 30107-3 in plaats van met de marketingclaims van de leverancier. Het percentage onterechte afwijzingen bij legitieme gebruikers is ook belangrijk, vooral bij gebruikers met een bril, baard of bij weinig licht, omdat afwijzingen leiden tot omzetverlies en gebruikers ertoe aanzetten om legitieme aanmeldingen af ​​te breken.

Vergelijk het bewijsmateriaal vervolgens met de documentatie van de zorgverlener. Een geloofwaardige zorgverlener publiceert... PAD-testniveaus Het systeem voldoet aan de ISO/IEC 30107-3-norm, dient algoritmes in bij NIST FATE of een DHS-bijeenkomst, en biedt implementatie op locatie voor gereguleerde omgevingen waar biometrische gegevens niet naar een derde partij mogen worden verzonden. Duidelijke, verifieerbare antwoorden zijn hier veel belangrijker dan welk nauwkeurigheidscijfer dan ook.

Zet de volgende stap in uw levendigheidsbeoordeling.

Remote onboarding is niet bestand tegen de huidige generatie presentatie- en injectieaanvallen wanneer een enkel, ouder liveness-signaal al het werk doet. Gezichtsverificatie van Shufti Het combineert actieve en passieve levendigheidsdetectie, detectie van artefacten in het frequentiedomein en screening op injectieaanvallen met meer dan 56 anti-spoofing-vectoren, onafhankelijk gevalideerd op iBeta Level 1 en Level 2 en DHS RIVR 2025. Demo aanvragen Om je huidige technologie-stack te testen tegen een echt aanvalsvoorbeeld en te zien waar de zwakke punten zitten.