Paano gumagana ang active liveness detection

Hindi sapat ang larawan ng mukha at larawan ng ID para malamang totoong tao ang nasa harap ng camera. Maaaring magtaas ang isang tao ng naka-print na larawan, mag-replay ng video sa pangalawang screen, o magsuot ng maskara. Ang liveness detection ang hakbang na sumasagot sa mas makitid at mas mahirap na tanong: may buhay bang tao na naroroon ngayon mismo, hindi isang recording o replika nito? Ipinaliliwanag ng post na ito kung paano gumagana ang active liveness, paano ito naiiba sa passive liveness, at ano talaga ang pinoprotektahan nito laban.

Active vs. passive liveness

Karaniwang may dalawang uri ang liveness detection. Sinusuri ng passive liveness ang isang larawan o maikling clip para sa mga palatandaang hindi ito live capture — texture, reflection, moiré pattern mula sa screen, depth cue — nang hindi nagpapagawa ng anuman sa tao. Mabilis ito at madaling gamitin, ngunit mas kaunting ebidensya ang pinagbabatayan nito: isang frame, o ilan, para makapagpasya.

Ang active liveness ay humihiling sa tao na gumawa ng bagay na hindi kayang kumbinsing pekein sa utos ng isang static na larawan o pre-recorded na video: kumurap, ibaling ang ulo at bumalik sa gitna, tumango, o ngumiti, ayon sa hudyat, habang live ang session. Gumagamit ang ShieldID ng active, challenge-based na liveness detection, na sinusubaybayan sa hindi bababa sa sampung frame gamit ang 478-point 3D facial landmark tracking — hindi isang pagsusuri ng iisang larawan. Binabantayan ng sistema kung paano gumagalaw ang mukha sa buong challenge, hindi lamang kung ano ang hitsura nito sa isang still na larawan.

Bakit challenge sa halip na isang selfie

Kailangan lamang linlangin ng isang selfie ang sistema nang isang beses, sa isang frame. Ang guided challenge ay kailangang linlangin nang tuloy-tuloy, sa isang pagkakasunod-sunod na random na pinili ng sistema, na sinusubaybayan sa daan-daang punto ng mukha habang gumagalaw ito. Hindi kumukurap o lumilingon ang naka-print na larawan. Ang na-replay na video ay nakakabit sa galaw na orihinal na na-record — hindi ito makatutugon sa challenge na ibinigay pagkatapos. Hindi gumagalaw ang static na maskara gaya ng balat at kalamnan sa pagtango o pagngiti. Hindi nito ginagawang imposibleng malusutan ang active liveness — walang iisang check na ganoon — kaya nga tumatakbo ito kasabay ng mga hiwalay na check, hindi bilang kapalit ng mga ito.

Ano ang tumatakbo kasabay ng liveness challenge

Ang liveness ay isa lamang sa ilang signal na tumatakbo sa bawat selfie, sa bawat pagkakataon — hindi kailanman bilang bayad na upgrade o toggle na maaaring patayin ng negosyo para makatipid. Ang anti-spoofing, deepfake detection at 3D-mask detection ay tumatakbo bilang kani-kaniyang hiwalay na iniulat na check, sa halip na isama sa iisang malabong liveness score. Mahalaga ito sa praktika: kung mabigo ang isang verification, makikita ninyo kung ang liveness challenge, spoof signal, pinaghihinalaang deepfake, o mask detection ang nag-flag nito, sa halip na iisang “failed” na walang paliwanag.

• Anti-spoof: mga signal na iniuugnay sa paglalahad ng hindi-live na pinagmulan sa camera — screen, print, maskara — na sinusuri nang hiwalay sa mismong liveness challenge.
• Deepfake detection: mga signal na iniuugnay sa mukhang sintetikong nilikha o minanipula, na tumatakbo bilang sarili nitong check.
• 3D-mask / print detection: mga check na partikular na nakatuon sa pisikal na presentation attack — naka-print na larawan o maskarang itinataas sa camera.
• Face match: isang hiwalay na hakbang na inihahambing ang live capture sa larawan sa dokumento, na iniuulat laban sa takdang decision line sa halip na hilaw na porsyento.

Ano ang hitsura ng presentation attack

Sa wika ng industriya, ang pagtatangkang linlangin ang isang biometric system sa pamamagitan ng pagpapakita ng iba maliban sa isang buhay at nakikipagtulungang tao — isang litrato, isang video replay, isang maskara, isang deepfake — ay tinatawag na presentation attack. Ang active liveness, anti-spoof, deepfake at mask detection ay bawat isang nagtatanggol laban sa iba't ibang uri ng presentation attack: ang isang static na challenge ay tinatalo ang isang still na litrato; ang frame-by-frame tracking ay nagpapahirap sa isang pre-recorded na replay na makapasa dahil hindi ito makakasagot sa isang challenge na pinili nang live; ang mask at deepfake detection naman ay para sa mas sopistikadong pagtatangka na sumusubok gumalaw nang kapani-paniwala.

Pagiging tapat tungkol sa mga limitasyon

Hindi kami naglalathala ng accuracy percentage para sa liveness detection, at hindi kami nag-aangkin ng pormal na certification tulad ng iBeta o ISO/IEC 30107-3 — wala kaming hawak nito sa ngayon, at hindi namin sasabing mayroon kami. Ang masasabi namin nang eksakto ay kung ano ang tumatakbo at paano: isang active, multi-frame na challenge na sinusubaybayan sa daan-daang facial landmark, na sinusuportahan ng hiwalay na anti-spoof, deepfake at mask checks sa bawat verification, at ang resulta ay iniuulat bilang sarili nitong signal sa halip na isinama sa isang score na hindi mo masusuri. Kapag may pormal na testing na, ilalathala namin ang resulta at ang petsa, hindi isang badge na walang ebidensya sa likod nito.