面部活体检测：工作原理及重要性

在发生深度伪造技术引发的用户注册事件后，反欺诈团队一直在问同一个问题：为什么系统认为一张脸很真实，但实际上却不属于任何人？

答案通常都归结于同一个薄弱环节。 生物特征检查 确认屏幕上出现了一张人脸，但无法确认这张脸在那一刻是否处于活体状态，是否在摄像头前。人脸活体检测技术旨在弥合这一差距，但这一差距却迅速扩大。

此 FBI互联网犯罪投诉中心2024年报告 据报道，损失金额高达16.6亿美元，创历史新高，其中人工智能辅助的欺诈被认为是一个日益严重的因素。任何无法回答“此人是否真实存在且此刻在线”的身份认证体系都面临风险。

什么是人脸活体​​检测？

面部活体检测是一系列生物特征验证，用于确认摄像头前的人脸属于真实存在的活人，而非照片、视频回放、3D模型或合成视频流。它位于人脸采集和人脸匹配之间，也是注册欺诈成功时最常被绕过的环节。此处的参考标准是： ISO / IEC 30107-3：2023它定义了整个行业如何测试和报告演示攻击检测。

目前有两种实用模式。主动式实时检测会要求用户眨眼、转身或微笑，以便检测画面变化。被动式实时检测则无需任何手势，系统会分析后台的一张自拍或短视频。大多数现代部署方案都同时支持这两种模式，风险策略决定用户体验的流畅程度。

之所以将这一层功能从“锦上添花”提升为“基础功能”，是因为远程欺诈的形式发生了变化。人脸识别本身只能回答一个狭隘的问题：这张自拍照是否与证件照片相符。它无法回答自拍照是来自镜头前的真人，还是来自通过虚拟摄像头传输的视频。活体检测才能解答第二个问题，缺少活体检测，人脸识别只能算是验证的一半。

人脸活体检测中的防欺骗技术是什么？

反欺骗是技术能力的一部分。 活力检测 它可以识别并拒绝欺诈性的人脸输入，例如照片、回放、面具或注入的视频流，防止它们冒充合法的真人用户。

如何区分真人照片和恶搞照片？

活跃状态，用户操作作为信号

通过实时互动技术，用户需要在屏幕上执行一个微小的动作。系统会寻找与真人实时反应相符的动作。面部、眼部和下巴的细微动作很难用打印的照片或暂停的视频来伪造。但这种方式也带来了一定的阻力。网络连接速度慢或在光线不足的情况下，用户可能第一次尝试就会失败，而这种失败代价不菲。

被动活性，背景信号

被动式实时性检测在幕后做了更多工作。纹理分析会检测真实皮肤上不存在的纸张颗粒、屏幕摩尔纹和印刷图案。频域线索是抵御数字重放的最有力武器，因为重新编码的视频会产生压缩伪影，而实时摄像机画面不会产生这些伪影。深度重建则进一步确认面部具有真实的几何形状，而不是指向摄像机的平面。

一个设计良好的流程会将两者结合起来。联邦层面的评估工作也表明了这一点。 NIST 面分析技术评估，第 10 部分 一份关于被动式软件PAD算法的报告发现，没有一种算法能够捕获所有类型的攻击。 演讲攻击 测试的仪器性能因攻击类型而异。

Liveness需要击败的攻击类型

从业人员在评估生物识别技术栈时，常常一开始就问错了问题。他们问的是“它的准确率如何”，而真正有用的问题是“它究竟能拦截哪些攻击”。这些攻击可以分为两大类。

演讲攻击

演示攻击属于物理攻击。典型的例子包括将打印照片举到镜头前、笔记本电脑屏幕上播放预先录制的视频，以及在入职培训期间佩戴硅胶面具。ISO/IEC 30107 将这些作为基准测试表面。基本的 2D RGB 活体检测模型通常可以检测到纸质照片和低质量回放，但难以检测高分辨率显示器、曲面打印件和制作精良的 3D 面具。

人脸识别中的活体检测：为何它不可或缺

活体检测技术弥补了生物特征匹配无法单独解决的验证漏洞，从而提升了人脸识别的准确性。人脸识别系统旨在回答一个问题：这两张脸是否属于同一个人？它无法判断摄像头捕捉到的脸是否真实、鲜活，以及在拍摄时是否实际存在。第二个问题正是活体检测所要解答的，而且活体检测必须在人脸识别之前进行，而不是之后。如果没有这种顺序，人脸匹配结果将基于未经验证的输入数据。

在欺诈场景中，跳过上游活体检测的实际后果显而易见。攻击者向未经活体检测的人脸识别系统提交高质量照片、屏幕回放或注入深度伪造技术的视频流，系统仍会生成生物特征匹配结果，因为比对的是两幅图像，而不是图像与真人。匹配算法没有机制来检测输入是否被伪造。活体检测是人脸识别中确保整个生物特征识别链可信度的关键控制环节。

在受监管的身份验证领域，这不再是架构上的选择，而是合规性要求。eIDAS 2.0 明确规定，高可靠性的远程身份验证必须包含呈现攻击检测。FATF 关于远程 KYC 入职的指南将活体检测视为任何基于生物特征的身份验证具有法律效力的先决条件。美国国土安全部生物识别技术大会的结果始终表明，缺乏有效活体检测控制的系统，其故障率在商业和法律上都是不可接受的。人脸识别的活体检测并非对技术栈的增强，而是确保技术栈有效性的关键层。

面部活体检测如何防止照片欺骗？

纹理分析可以检测出真实皮肤上不存在的纸张纹理和印刷图案，而深度重建则证实了存在三维面部，而不是平面印刷表面。

注入攻击和合成攻击

注入攻击完全绕过了摄像头。诈骗分子通过虚拟摄像头驱动程序，将预先生成的视频流（通常是深度伪造视频）直接输入到设备的摄像头缓冲区。系统看到的画面看似正常，但实际上根本没有出现过真实的人脸。 欧洲刑警组织创新实验室 已将深度伪造技术列为有组织犯罪的新兴主要工具。 合成身份 将窃取的数据、生成的脸部图像和伪造的文件结合起来的合成犯罪是增长最快的变种。

这里面临的防御难题在于，有效的注入攻击根本不会触及物理表面。纹理线索消失殆尽，深度几何结构可以被模拟。频域伪影成为仅存的最强信号，同时还有设备和会话遥测数据，用于揭示摄像头流是否与硬件应输出的内容相符。仅基于二维RGB构建的协议栈，其训练目标是解决一个早已过时的问题。

3D人脸活体检测：与标准活体检测有何不同

3D人脸活体检测是一种利用深度传感器、结构光投影仪或飞行时间相机重建人脸物理几何结构，从而确认人脸是否在场的方法。由于该系统测量的是真实的三维深度，因此与仅依赖图像级信号的2D算法相比，它能更可靠地抵御平面呈现攻击、打印照片、屏幕回放和纸质面具等手段。真实人脸的几何结构无法通过相机拍摄的平面图像来复制。

在评估高可靠性应用场景时，3D人脸活体检测与其2D版本之间的区别就显得尤为重要。硬件控制环境、政府身份证件发放、边境系统或高价值金融账户开立等场景都能从3D深度映射提供的物理确定性中获益。在这些场景中，额外的硬件需求是可以接受的，因为成功欺骗的后果极其严重。

然而，对于大多数商业KYC和远程注册部署而言，基于2D AI的被动活体检测已成为主流方法。它无需专用传感器，即可在抵御现代注入攻击和深度伪造攻击方面达到甚至超越传统方法的性能，并且可在用户设备中已有的标准摄像头上运行。3D人脸活体检测和被动2D检测之间的选择完全取决于威胁模型，而且，日益复杂的威胁往往基于注入而非物理攻击，而仅靠3D硬件无法应对此类威胁。无论采用2D AI还是3D硬件进行活体人脸检测，其目标都是相同的：拒绝任何非真实在场人员的输入。

针对人脸活体检测的最新攻击手段有哪些？

移动速度最快的威胁是 深度伪造注入攻击 通过虚拟摄像头驱动程序和合成身份欺诈，将人工智能生成的面孔与伪造的文件相结合，这两种方法都完全绕过了物理展示，需要频域和会话级别的防御。

一个可靠的活体检测技术栈会针对所有这些技术进行测试，而不仅仅是那些廉价的技术。

如何评估远程入职流程中的面部活体检测效果？

调节 远程身份验证 这正是实时性必须经受考验的地方，也是大多数捷径暴露无遗的地方。以下模式正是可靠部署与敷衍了事的部署之间的区别所在。

独立基准至关重要

内部测试分数不足以作为参考。值得关注的两个外部项目分别是 NIST FATE PAD 评估（该评估在受控协议下对算法进行评分）和美国 国土安全部生物识别技术集会这会针对实际攻击组合对整个身份验证协议栈进行压力测试。已公布的测试结果表明，相当一部分受测系统至少未能通过一项测试。如果供应商拒绝引用独立评估数据，那么他们的沉默本身就是结论。

球队错在哪里？

事后审查中反复出现三个错误。第一个错误是将“存活”状态视为单一开关而非策略，且没有针对模糊情况的备选方案。团队也往往依赖单一信号类型，通常是二维RGB信号，而这种信号类型无法捕捉频域信息。

 最后一个错误是仅在开户时进行活体检测，这样一来，像大额取款或受益人变更这类高价值操作就无法进行新的验证。成熟的系统会在用户注册时进行活体检测，并在风险较高的时刻重复使用生物识别模板进行更严格的验证。

这里还有一点至关重要。可访问性和用户群体表现决定了活体检测程序能否大规模应用。如果系统在肤色较深的用户、老年用户或戴眼镜的用户身上更容易出现故障，那么这些用户要么会被引导至手动检测渠道，要么会直接流失。独立评估，而非内部实验室数据，才是检验这一点的正确方法。用户群体公平性和误拒率应该与欺骗检测性能放在同一考量范围内。

评估的后续实际步骤

如果最后一张脸 验证审查报告撰写于 18 个月前，威胁模型已发生变化。一个简短的实践练习有助于验证当前的技术栈。首先，准备一个红队测试样本，向技术栈输入打印照片、屏幕回放、简单的深度伪造视频片段，如果测试条件允许，还可以通过虚拟摄像头进行注入尝试。

C应该将通过率与 ISO/IEC 30107-3 攻击类别进行比较，而不是与供应商的宣传进行比较。对合法用户的误拒率也很重要，尤其是在用户佩戴眼镜、留着胡须或在光线昏暗的环境下，因为拒拒会造成收入损失，并导致用户放弃合法注册。

接下来，将证据与提供者的文件进行比对。信誉良好的提供者会公布…… PAD 检测水平 符合 ISO/IEC 30107-3 标准，向 NIST FATE 或 DHS 提交算法，并为无法将生物识别数据发送给第三方的受监管环境提供本地部署方案。在此，清晰、可验证的答案远比任何单一的准确率数字重要得多。

迈出活体检测的下一步

当一个较旧的活体检测信号就能完成所有工作时，远程注册就无法抵御当前一代的呈现和注入攻击。 舒夫蒂的面部验证 结合了主动和被动活体检测、频域伪影检测以及对 56+ 个反欺骗向量的注入攻击筛查，并在 iBeta 1 级和 2 级以及 DHS RIVR 2025 中进行了独立验证。 预约演示 将你当前的技术栈与真实的攻击样本进行对比，看看存在哪些漏洞。