IDLive ^® Face Plus: Detecção de liveness sem atrito, prevenção de deepfake e proteção contra ataques de injeção

A ideia de liveness em relação à biometria remonta ao início dos anos 2000. Antes da detecção de liveness orientada por IA, as empresas dependiam de humanos para realizar verificações de vida. Por exemplo, durante o onboarding remoto, os clientes seriam obrigados a mostrar sua identidade com foto em uma videochamada para validar a presença física da pessoa na identidade. Claro, esse processo era lento, caro e propenso a erros.

A tecnologia por trás da detecção de liveness é baseada no reconhecimento de informações fisiológicas como um sinal de vida. Historicamente, algoritmos de liveness têm sido treinados para identificar movimentos de cabeça, dilatação das pupilas de um sujeito, mudanças na expressão e outras respostas físicas. A primeira geração de tecnologia de liveness facial é chamada de “ativa”. A detecção de liveness ativa depende dos movimentos do usuário em resposta a desafios como acenar, piscar, sorrir ou posicionar corretamente o rosto em um quadro. Embora a tecnologia possa ser eficaz na detecção de uma falsificação, ela introduz atrito em um processo de verificação que era amplamente desejável por sua capacidade de remover atrito e é menos seguro, pois os fraudadores aprenderam a enganar esses sistemas. A busca por uma solução mais fácil, facilitada pelo maior acesso a dados de treinamento para melhor aprendizado de máquina, levou a uma nova geração de detecção de liveness “sem interação” .

O liveness sem fricção é fundamentalmente diferente da ativa, pois não requer nenhuma ação do usuário. Como tal, a liveness ativa é impraticável para casos de uso com login frequente. O atrito também tem um impacto negativo na aquisição de novos clientes, com empresas relatando taxas de abandono de até 50% ao usar a liveness ativa.

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

Uma variedade de técnicas são usadas para executar uma verificação de liveness sem interação, variando de analisar uma imagem de selfie a capturar um vídeo, a piscar luzes no assunto. Essas abordagens de liveness sem interação têm impactos diferentes na experiência do usuário e no processamento, conforme descrito na tabela a seguir.

Como o liveness facial pode ser determinada com base em uma única imagem? Começa com a capacidade de usar a mesma imagem de selfie que é usada pelo sistema de reconhecimento biométrico e facial. Como tal, nenhum hardware especial ou software adicional é necessário para a coleta de imagens. Se a qualidade da selfie for boa o suficiente para reconhecimento facial, ela pode ser usada para a verificação de vivacidade. O outro fator de habilitação é o uso de Redes Neurais Profundas que processam a imagem da selfie para detectar artefatos que ajudam a distinguir entre uma foto de uma pessoa viva e um ataque de apresentação. A ID RD construiu uma abordagem exclusiva baseada em DNN para detecção de liveness que sustenta a técnica de imagem única. O processo leva menos de um segundo e se parece com isto:

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 jusante 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 as imagens não são da câmera.