So funktioniert die aktive Liveness-Erkennung

Ein Foto eines Gesichts und ein Foto eines Ausweises reichen nicht aus, um zu wissen, dass tatsächlich eine echte Person vor der Kamera sitzt. Jemand könnte ein ausgedrucktes Foto hochhalten, ein Video auf einem zweiten Bildschirm abspielen oder eine Maske tragen. Die Liveness-Erkennung ist der Schritt, der eine engere, schwierigere Frage beantwortet: Ist gerade jetzt ein lebender Mensch anwesend – und keine Aufzeichnung oder Nachbildung eines Menschen? Dieser Beitrag erklärt, wie aktive Liveness funktioniert, wie sie sich von passiver Liveness unterscheidet und wogegen sie sich tatsächlich schützt.

Aktive vs. passive Liveness

Die Liveness-Erkennung gibt es im Allgemeinen in zwei Varianten. Die passive Liveness analysiert ein einzelnes Bild oder einen kurzen Clip auf Anzeichen dafür, dass es sich nicht um eine Live-Aufnahme handelt – Textur, Reflexionen, Moiré-Muster von einem Bildschirm, Tiefenhinweise – und verlangt von der Person dafür nichts. Sie ist schnell und reibungsarm, stützt sich aber auch auf weniger Beweismaterial: ein einziges Bild oder wenige Bilder für die Entscheidung.

Aktive Liveness-Erkennung verlangt von der Person etwas, das ein statisches Bild oder ein aufgezeichnetes Video auf Abruf nicht überzeugend vortäuschen kann: blinzeln, den Kopf drehen und zur Mitte zurückkehren, nicken oder lächeln – auf Aufforderung, während einer Live-Sitzung. ShieldID verwendet eine aktive, aufgabenbasierte Liveness-Erkennung, die über mindestens zehn Frames hinweg mit einem 3D-Gesichts-Tracking von 478 Landmarken verfolgt wird – keine Prüfung anhand eines einzelnen Fotos. Das System beobachtet, wie sich das Gesicht während der Aufgabe bewegt, und nicht nur, wie es in einem einzelnen Standbild aussieht.

Warum eine Challenge statt eines einzelnen Selfies

Ein einzelnes Selfie muss das System nur ein einziges Mal täuschen, in einem Bild. Eine geführte Challenge muss dagegen fortlaufend getäuscht werden, über eine vom System zufällig gewählte Abfolge hinweg, wobei Hunderte von Punkten im Gesicht in Bewegung verfolgt werden. Ein ausgedrucktes Foto blinzelt nicht und dreht sich nicht. Ein abgespieltes Video ist an die ursprünglich aufgezeichnete Bewegung gebunden – es kann nicht auf eine Challenge reagieren, die erst im Nachhinein gestellt wird. Eine starre Maske bewegt sich nicht so wie Haut und Muskeln bei einem Nicken oder Lächeln. Das macht die aktive Liveness nicht unüberwindbar – keine einzelne Prüfung ist das –, und genau deshalb läuft sie neben separaten Prüfungen und nicht anstelle von ihnen.

Was neben der Liveness-Challenge läuft

Liveness ist ein Signal unter mehreren, die bei jedem Selfie jedes Mal ausgeführt werden – nie als kostenpflichtiges Upgrade und nie als Schalter, den ein Unternehmen zum Sparen abschalten kann. Anti-Spoofing, Deepfake-Erkennung und 3D-Masken-Erkennung laufen jeweils als eigene, separat ausgewiesene Prüfung, statt in einem einzigen undurchsichtigen Liveness-Wert aufzugehen. Das ist in der Praxis wichtig: Schlägt eine Verifizierung fehl, sehen Sie, ob die Liveness-Challenge, ein Spoofing-Signal, ein vermuteter Deepfake oder eine Maskenerkennung angeschlagen hat – statt eines einzigen „fehlgeschlagen“ ohne Erklärung.

• Anti-Spoofing: Signale, die darauf hindeuten, dass der Kamera eine nicht lebendige Quelle präsentiert wird – ein Bildschirm, ein Ausdruck, eine Maske –, unabhängig von der Liveness-Challenge selbst geprüft.
• Deepfake-Erkennung: Signale, die auf ein synthetisch erzeugtes oder manipuliertes Gesicht hindeuten, als eigene Prüfung ausgeführt.
• 3D-Masken-/Ausdruckserkennung: Prüfungen, die gezielt auf physische Präsentationsangriffe abzielen – ein ausgedrucktes Foto oder eine Maske, die vor die Kamera gehalten wird.
• Gesichtsabgleich: ein separater Schritt, der die Live-Aufnahme mit dem Porträt im Dokument vergleicht und gegen eine feste Entscheidungsschwelle statt als rohen Prozentwert ausgewiesen wird.

Wie ein Präsentationsangriff aussieht

In der Fachsprache bezeichnet man den Versuch, ein biometrisches System zu täuschen, indem etwas anderes als eine lebende, kooperierende Person präsentiert wird – ein Foto, eine Videowiedergabe, eine Maske, ein Deepfake –, als Präsentationsangriff. Aktive Liveness-Prüfung, Anti-Spoofing sowie Deepfake- und Maskenerkennung schützen jeweils vor einer anderen Variante des Präsentationsangriffs: Eine statische Aufgabe überwindet ein Standbild nicht; das Tracking Bild für Bild erschwert es einer aufgezeichneten Wiedergabe, die Prüfung zu bestehen, weil sie nicht auf eine live gewählte Aufgabe reagieren kann; Masken- und Deepfake-Erkennung zielen auf die raffinierteren Versuche, die sich überzeugend zu bewegen versuchen.

Ehrlich über die Grenzen

Wir veröffentlichen keinen Prozentwert zur Genauigkeit der Liveness-Erkennung, und wir behaupten auch keine formale Zertifizierung wie iBeta oder ISO/IEC 30107-3 – wir besitzen derzeit keine und werden nicht behaupten, eine zu haben. Was wir genau sagen können, ist, was abläuft und wie: eine aktive Mehrbild-Aufgabe, die anhand von Hunderten von Gesichtsmerkmalen verfolgt wird, abgesichert durch separate Anti-Spoofing-, Deepfake- und Maskenprüfungen bei jeder einzelnen Verifizierung, wobei das Ergebnis als eigenes Signal ausgewiesen wird, statt in einem Gesamtwert aufzugehen, den Sie nicht nachvollziehen können. Sobald es formale Tests gibt, veröffentlichen wir Ergebnis und Datum – nicht ein Siegel ohne Nachweis dahinter.