Распознавание лиц стало ключевым столпом современных систем безопасности в аутентификации смартфонов, банковском деле и наблюдении. Однако с ростом применения распознавания лиц возрастает вероятность атак спуфинга, когда самозванцы используют искусственные биометрические входы для обхода систем распознавания лиц. Технологии антиспуфинга стали наиболее эффективным средством решения этой проблемы, гарантируя, что через защищенную систему может пройти только живой человек.
Важность защиты от подделки лица
Подмена лиц относится к методам обнаружения и блокировки попыток обмануть системы визуального распознавания, заставив их принимать фотографии, видео или маски в качестве доказательств личности с помощью приложений Android/Windows или в играх. С быстро растущим использованием систем распознавания лиц для проверки личности, авторизации платежей и общественной безопасности это становится все более важным.
Разблокировка смартфонов или вход в банковские приложения.
Безопасная авторизация транзакций.
Контролируйте общественные места.
Однако с распространением распознавания лиц преступники сосредоточились на этих системах. Это становится серьезным риском, поскольку злоумышленники могут представить ложные биометрические образцы, известные как атаки с использованием представления, во время попытки обмануть систему. Могут последовать возможности кражи личных данных, финансовых мошенничеств или поставить под угрозу такие чувствительные сферы, как здравоохранение или пограничный контроль.
Обнаружение живости стало ключевым решением этих проблем. Проверяя, что ввод исходит от живого человека, а не от статического или предварительно записанного представления, обнаружение живости добавляет существенный уровень безопасности к системам распознавания лиц.
Понимание атак на презентацию
Атаки на презентацию включают попытки обмануть биометрические системы с помощью поддельных входов. Эти атаки используют уязвимости в традиционных системах распознавания лиц, которые сосредоточены исключительно на сопоставлении признаков без проверки жизнеспособности.
Типы атак на презентацию
Вот некоторые из наиболее распространенных типов атак на презентацию:
Они включают использование фотографий человека с высоким разрешением для обмана системы. Часто эти отпечатки ламинируются или текстурируются, чтобы имитировать свойства кожи.
При этом методе на экранах отображаются предварительно записанные видео или цифровые изображения, имитирующие кого-то.
В этих атаках используются 3D-маски, изготовленные из таких материалов, как силикон или латекс, для имитации контуров лица.
Некоторые реальные примеры демонстрируют проблемы, которые создают эти атаки:
- В 2023 году мошенники использовали напечатанные фотографии, чтобы обойти порталы социального обеспечения, где не было датчиков глубины для определения присутствия человека.
- В банковских системах атаки с повторным воспроизведением использовали предварительно записанное видео во время процессов удаленной проверки личности.
- Атаки с использованием масок становятся все более изощренными: Европол сообщил об увеличении случаев нарушения границы с использованием гиперреалистичных масок.
Что такое определение живости лица?
Определение живости — это технология, которая проверяет, что представленное лицо принадлежит живому человеку, а не поддельному источнику. Она различает реальных пользователей и поддельные входные данные, анализируя динамические характеристики, такие как движение или текстура.
Ключевые различия между традиционными системами распознавания лиц и системами защиты от подделки
- Традиционное распознавание лиц работает с чертами лица и пытается сопоставить их с сохраненными шаблонами.
- Системы защиты от подделок добавляют дополнительный уровень проверки на жизнеспособность с использованием физиологических индикаторов, таких как моргание, и методов анализа свойств материалов, таких как текстура.
Методы определения жизнеспособности
Современные системы защиты от подделки изображений отличаются друг от друга характеристиками, которые они используют для различения живых лиц от поддельных изображений:
Анализ текстуры
В этом методе поверхностные свойства лица обнаруживаются для проверки на несоответствия, указывающие на попытки подделки. Например:
- Напечатанные фотографии часто не передают естественную текстуру человеческой кожи.
- На цифровых экранах может наблюдаться пикселизация или неестественная гладкость.
Анализ движения
Эти методы касаются распознавания непроизвольных движений, таких как моргание или незначительный наклон головы. Такие естественные движения вряд ли можно воспроизвести с точностью статических изображений.
Обнаружение глубины
С технологией глубинного зондирования 3D-структура лица отображается с помощью инфракрасных датчиков или структурированного света. Эта техника может легко различать плоские поверхности (например, фотографии) и реальные лица с глубиной.
Временной анализ
Временной анализ — это анализ последовательных кадров в видео для распознавания несоответствий, которые указывают на атаки воспроизведения в течение некоторого времени. Например, мерцание или зацикливание экранов может указывать на использование цифровых дисплеев во время попыток аутентификации.
Подходы к глубокому обучению
Модели глубокого обучения, которые можно обучать на больших наборах данных, обычно классифицируют входные данные с высокой точностью как подлинные или поддельные. Например: сверточные нейронные сети (CNN) анализируют сложные особенности, такие как текстура кожи или динамика движения.
Проблемы противодействия подделке изображений
Разработка более надежных систем защиты от спуфинга по-прежнему сталкивается с рядом проблем:
Методы подделки варьируются от изображений низкого и высокого качества до сложных дипфейков.
Изменчивость окружающей среды, например, условия освещения и качество устройства, может влиять на производительность системы.
Из-за несбалансированных наборов данных для обучения некоторые ранние системы имели тенденцию к более высокому уровню ошибок для определенных этнических групп.
Из-за этических и логистических ограничений невозможно собрать достаточные объемы разнообразных и высококачественных данных для обучения систем ИИ.
Будущее антиспуфинга лица
Новые тенденции указывают на захватывающие разработки в области технологий противодействия спуфингу.
- Мультимодальные подходы: Это предполагает объединение различных биометрических данных, таких как лицо и голос, для обеспечения дополнительной безопасности.
- Расширенные нейронные сети: Улучшение архитектуры для лучшего обобщения по демографическим показателям.
- Биометрическое слияние: Интеграция различных биометрических модальностей в унифицированные системы для более надежной аутентификации.
Поскольку распознавание лиц внедряется в банковское дело, здравоохранение и интеллектуальные устройства, спрос на надежные механизмы защиты от подделки будет продолжать расти.
Как сбор данных о лице влияет на модели искусственного интеллекта, препятствующие подделке данных
Для разработки эффективных систем защиты от спуфинга необходимы высококачественные данные:
- Данные должны быть применимы ко всему остальному миру, охватывая все многообразие демографических и экологических условий.
- Вот почему аннотации так важны при создании маркированных наборов данных, которые помогают отличать реальные входные данные от поддельных.
Пример Шаипа демонстрирует лучшие практики сбора данных:
Один случай исследование Шаипа раскрывает важность надежных методов защиты от подделки. Компания разработала набор данных из 25,000 XNUMX видео с реальными и поддельными входными данными для обучения моделей ИИ для обнаружения жизни.
- Набор данных был разработан при участии 12,500 XNUMX участников из пяти этнических групп.
- Метаданный тег обеспечил аннотацию условий освещения и типов устройств для каждого видео.
- Поэтапная поставка позволила проводить проверки качества на каждом этапе, а также фиксировать различные сценарии.
Организации, сотрудничающие с нами, могут ускорить разработку моделей ИИ, обеспечив высокую точность и надежность своих систем защиты от спуфинга.
