IDLive^® Face Plus
Detecção de ataques de injeção ajuda a prevenir fraudes com deepfake

A ideia da prova de vida remonta ao início dos anos 2000. Antes do liveness automatizado, as empresas dependiam de pessoas para efetuarem verificações da vivacidade. Por exemplo, durante o onboarding remoto, os clientes seriam obrigados a mostrar um documento de identidade com fotografia numa chamada de vídeo para validar a presença física da pessoa. É claro que este processo era lento, caro e propenso a erros.

A tecnologia por trás do liveness é baseada no reconhecimento da informação fisiológica como sinal de vida. Historicamente, os algoritmos de liveness têm sido treinados para identificar movimentos da cabeça, dilatação das pupilas de um sujeito, mudanças na expressão, e outras respostas físicas.

A primeira geração de tecnologia de liveness facial é referida como “ativa”. O liveness ativo depende dos movimentos do usuário em resposta a desafios tais como acenar com a cabeça, piscar, sorrir, ou posicionar corretamente o rosto numa moldura. Embora a tecnologia possa ser eficaz na detecção de fraudes, introduz fricção num processo de verificação no qual é desejável que seja sem fricção, além de ser menos seguro, uma vez que os fraudadores aprenderam a enganar estes sistemas. A procura de uma solução mais fácil, facilitada por um maior acesso a dados de treinamento de redes neurias, levou a uma nova geração de liveness “passivo“.

O liveness facial passivo é fundamentalmente diferente do ativo, na medida em que não requer qualquer ação por parte do usuário. Com isso, o liveness facial ativo é impraticável para casos de uso que requerem verificação frequente. O atrito também tem um impacto negativo na aquisição de novos clientes, com empresas reportando taxas de abandono de até 50% quando utilizam o liveness ativo.

Contudo, há diferenças adicionais a se levar em conta quando se compara as duas abordagens.

São utilizadas várias técnicas para realizar um liveness facial passivo, que vão desde a análise de uma selfie até a captura de um vídeo, passando por luzes piscando sobre o usuário. Estas abordagens de liveness passivo têm diferentes impactos na experiência do usuário e no processamento, tal como demonstrado na tabela seguinte.

Como pode ser feito o liveness facial com base numa única imagem? Começa com a capacidade de usar a mesma selfie que é usada pelo sistema de reconhecimento facial. Com isso, não é necessário nenhum hardware especial ou software adicional para a captura das imagens. Se a qualidade da selfie for suficientemente boa para o reconhecimento facial, pode ser utilizada para o liveness.

O outro fator é a utilização de Redes Neurais Profundas que processam a imagem da selfie para detectar artefatos que ajudam a distinguir entre uma foto de uma pessoa ao vivo e um ataque de apresentação. A ID R&D construiu uma abordagem única baseada em DNN para a detecção do liveness utilizando apenas uma imagem.

O processo demora menos de um segundo e tem este aspecto:

Um ataque de apresentação envolve a “apresentação” de imagens faciais não ao vivo para a câmera durante a captura biométrica, em vez de uma selfie ao vivo. Um ataque de injeção é conduzido pela “injeção” de dados digitais a partir da câmera por meio de hacks de hardware e/ou software. Uma representação digital de uma captura ao vivo pode falsificar a detecção de liveness se não souber que a imagem não é da câmera.