Hoe actieve liveness-detectie werkt

Een foto van een gezicht en een foto van een identiteitsbewijs volstaan niet om te weten dat er een echt persoon voor de camera zit. Iemand kan een afgedrukte foto omhooghouden, een video afspelen op een tweede scherm of een masker dragen. Liveness-detectie is de stap die een smallere, moeilijkere vraag beantwoordt: is er op dit moment een levend mens aanwezig, en geen opname of replica daarvan? In dit artikel leest u hoe actieve liveness werkt, hoe die verschilt van passieve liveness en waartegen die eigenlijk beschermt.

Actieve versus passieve liveness

Liveness-detectie komt over het algemeen in twee varianten voor. Passieve liveness analyseert één beeld of een korte clip op tekenen dat het geen live opname is — textuur, reflecties, moiré-patronen van een scherm, dieptesignalen — zonder dat de persoon iets hoeft te doen. Het is snel en laagdrempelig, maar het werkt ook met minder bewijs: één beeld, of een paar, om tot een oordeel te komen.

Actieve liveness vraagt de persoon iets te doen wat een stilstaand beeld of een vooraf opgenomen video niet overtuigend op commando kan nabootsen: knipperen, het hoofd draaien en terug naar het midden brengen, knikken of glimlachen, op teken, tijdens een live sessie. ShieldID gebruikt actieve, op uitdagingen gebaseerde livenessdetectie, gevolgd over minimaal tien frames met 3D-gezichtsherkenning op basis van 478 punten — geen controle van één enkele foto. Het systeem kijkt hoe het gezicht door de uitdaging heen beweegt, niet alleen hoe het eruitziet op één stilstaand beeld.

Waarom een uitdaging in plaats van één selfie

Een enkele selfie hoeft het systeem maar één keer te misleiden, in één beeld. Een begeleide uitdaging moet voortdurend worden misleid, over een door het systeem willekeurig gekozen reeks, gevolgd op honderden punten van het gezicht terwijl het beweegt. Een afgedrukte foto knippert niet en draait niet. Een afgespeelde video is gebonden aan de beweging die oorspronkelijk is opgenomen — die kan niet reageren op een uitdaging die achteraf wordt gegeven. Een statisch masker beweegt niet zoals huid en spieren bij een knik of een glimlach. Dit maakt actieve liveness niet onverslaanbaar — geen enkele controle is dat — en juist daarom draait die naast aparte controles, niet in plaats daarvan.

Wat er naast de liveness-uitdaging draait

Liveness is één signaal naast meerdere andere die bij elke selfie, elke keer, worden uitgevoerd — nooit als betaalde upgrade of als schakelaar die een bedrijf kan uitzetten om te besparen. Anti-spoofing, deepfake-detectie en 3D-maskerdetectie draaien elk als een eigen, afzonderlijk gerapporteerde controle, in plaats van te worden samengevoegd tot één ondoorzichtige liveness-score. Dat is in de praktijk belangrijk: als een verificatie mislukt, ziet u of de liveness-uitdaging, een spoofsignaal, een vermoedelijke deepfake of een maskerdetectie de aanleiding was, in plaats van één “mislukt” zonder uitleg.

• Anti-spoof: signalen die samenhangen met het tonen van een niet-live bron aan de camera — een scherm, een afdruk, een masker — onafhankelijk van de liveness-uitdaging zelf gecontroleerd.
• Deepfake-detectie: signalen die samenhangen met een synthetisch gegenereerd of gemanipuleerd gezicht, uitgevoerd als eigen controle.
• 3D-masker-/afdrukdetectie: controles die specifiek gericht zijn op fysieke presentatieaanvallen — een afgedrukte foto of een masker dat voor de camera wordt gehouden.
• Gezichtsvergelijking: een afzonderlijke stap die de live opname vergelijkt met het pasfoto op het document, gerapporteerd ten opzichte van een vaste beslisgrens in plaats van een ruw percentage.

Hoe een presentatieaanval eruitziet

In vakjargon heet een poging om een biometrisch systeem te misleiden door iets anders te tonen dan een levende, meewerkende persoon — een foto, een videoherhaling, een masker, een deepfake — een presentatieaanval. Actieve liveness-detectie, anti-spoofing, deepfake- en maskerdetectie beschermen elk tegen een andere variant van de presentatieaanval: een statische uitdaging verslaat een stilstaande foto; frame-voor-frame-tracking maakt het moeilijker om met een vooraf opgenomen herhaling te slagen, omdat die niet kan reageren op een live gekozen uitdaging; masker- en deepfakedetectie richten zich op de geavanceerdere pogingen die overtuigend proberen te bewegen.

Eerlijk zijn over de beperkingen

Wij publiceren geen nauwkeurigheidspercentage voor liveness-detectie en beweren evenmin een formele certificering zoals iBeta of ISO/IEC 30107-3 te hebben — die hebben we momenteel niet, en we zullen niet beweren van wel. Wat we wel precies kunnen zeggen, is wat er draait en hoe: een actieve uitdaging over meerdere frames, gevolgd op honderden gezichtskenmerken, ondersteund door afzonderlijke anti-spoof-, deepfake- en maskercontroles bij elke afzonderlijke verificatie, waarbij het resultaat als een eigen signaal wordt gerapporteerd in plaats van te worden opgenomen in één score die u niet kunt inzien. Als er ooit formele tests bestaan, publiceren we het resultaat en de datum, geen badge zonder bewijs erachter.