Så fungerar aktiv liveness-detektering

Ett foto av ett ansikte och ett foto av ett ID räcker inte för att veta att en verklig person sitter framför kameran. Någon kan hålla upp ett utskrivet foto, spela upp en video på en andra skärm eller bära en mask. Liveness-detektering är steget som besvarar en snävare och svårare fråga: finns det en levande människa på plats just nu, inte en inspelning eller en kopia av en? Det här inlägget förklarar hur aktiv liveness fungerar, hur den skiljer sig från passiv liveness och vad den faktiskt skyddar mot.

Aktiv respektive passiv liveness

Liveness-detektering finns i allmänhet i två varianter. Passiv liveness analyserar en enskild bild eller ett kort klipp efter tecken på att det inte är en live-inspelning – textur, reflexer, moirémönster från en skärm, djupsignaler – utan att be personen göra något. Den är snabb och smidig, men har också mindre underlag: en bildruta, eller några få, att fatta beslutet utifrån.

Aktiv liveness ber personen göra något som en stillbild eller en förinspelad video inte på ett övertygande sätt kan förfalska på begäran: blinka, vrida på huvudet och återgå till mitten, nicka eller le, på given signal, under en live-session. ShieldID använder aktiv, utmaningsbaserad liveness-detektion, spårad över minst tio bildrutor med 3D-spårning av 478 ansiktslandmärken – inte en kontroll av ett enda foto. Systemet följer hur ansiktet rör sig genom utmaningen, inte bara hur det ser ut på en enskild stillbild.

Varför en utmaning i stället för en enda selfie

En enda selfie behöver bara lura systemet en gång, i en bildruta. En guidad utmaning måste luras kontinuerligt, genom en sekvens som systemet valt slumpmässigt och som följs på hundratals punkter i ansiktet medan det rör sig. Ett utskrivet foto blinkar eller vrider sig inte. En återspelad video är låst till den rörelse som ursprungligen spelades in – den kan inte svara på en utmaning som ställs i efterhand. En orörlig mask rör sig inte som hud och muskler gör när man nickar eller ler. Inget av detta gör aktiv liveness omöjlig att besegra – ingen enskild kontroll är det – och det är precis därför den körs vid sidan av separata kontroller, inte i stället för dem.

Vad som körs vid sidan av liveness-utmaningen

Liveness är en signal bland flera som körs på varje selfie, varje gång – aldrig som en betald uppgradering eller en inställning som ett företag kan stänga av för att spara pengar. Anti-spoofing, deepfake-detektering och detektering av 3D-masker körs var och en som en egen, separat rapporterad kontroll, i stället för att vävas ihop till ett enda ogenomskinligt liveness-värde. Det spelar roll i praktiken: om en verifiering misslyckas kan du se om det var liveness-utmaningen, en spoof-signal, en misstänkt deepfake eller en maskdetektering som slog larm, i stället för ett enda ”misslyckades” utan förklaring.

• Anti-spoof: signaler som hör ihop med att en icke-levande källa visas för kameran – en skärm, en utskrift, en mask – kontrollerade oberoende av själva liveness-utmaningen.
• Deepfake-detektering: signaler som hör ihop med ett syntetiskt genererat eller manipulerat ansikte, körs som en egen kontroll.
• Detektering av 3D-mask/utskrift: kontroller som särskilt riktar sig mot fysiska presentationsattacker – ett utskrivet foto eller en mask som hålls upp mot kameran.
• Ansiktsmatchning: ett separat steg som jämför den levande bilden med porträttet i dokumentet, rapporterat mot en fast beslutsgräns i stället för en rå procentsats.

Så ser en presentationsattack ut

I fackspråk kallas ett försök att lura ett biometriskt system genom att visa något annat än en levande, samarbetsvillig person – ett foto, en uppspelad video, en mask eller en deepfake – för en presentationsattack. Aktiv liveness, anti-spoof, deepfake-detektering och maskdetektering skyddar var och en mot olika slags presentationsattacker: en statisk utmaning slår ut ett stillbildsfoto; bildruta-för-bildruta-spårning gör det svårare för en förinspelad uppspelning att klara testet, eftersom den inte kan reagera på en utmaning som väljs live; mask- och deepfake-detektering riktar sig mot de mer avancerade försöken som försöker röra sig övertygande.

Ärlighet om begränsningarna

Vi publicerar ingen träffsäkerhetsprocent för liveness-detektering, och vi påstår inte att vi har en formell certifiering som iBeta eller ISO/IEC 30107-3 – vi har ingen i dag och kommer inte att säga att vi har det. Vad vi kan säga exakt är vad som körs och hur: en aktiv utmaning över flera bildrutor, spårad på hundratals ansiktspunkter, understödd av separata kontroller för anti-spoof, deepfake och mask vid varje enskild verifiering, där resultatet redovisas som en egen signal i stället för att slås ihop till ett enda poängvärde som du inte kan granska. Om och när formell testning finns publicerar vi resultatet och datumet, inte en bricka utan bevis bakom sig.