Антиспуфинг для Face ID-терминалов

Бизнес-контекст

Face ID-терминалы применяются для доступа на объект, учёта рабочего времени, отметки начала и окончания смены и подтверждения действий в корпоративной системе.

Одного сравнения лица с эталоном недостаточно: фотография или видео на экране могут быть похожи на зарегистрированного пользователя, хотя самого человека перед терминалом нет. Для доверия к такому процессу требуется отдельная проверка живого присутствия.

Ограничения исходного процесса

• распознавание личности само по себе не определяет, находится ли человек перед камерой
• фотография или видео могут имитировать лицо зарегистрированного пользователя
• ошибка влияет на достоверность доступа и учёта рабочего времени
• терминальный сценарий ограничивает задержку и вычислительные ресурсы
• неуверенные и критичные решения требуют дополнительного контроля

До внедрения

Без отдельной проверки живого присутствия терминал сравнивает лицо с эталоном, но может принять фотографию или видео на экране за допустимый кадр для аутентификации.

1. получить изображение лица с камеры терминала
2. сравнить лицо с эталоном пользователя
3. подтвердить аутентификацию при достаточном сходстве
4. разобрать спорный случай вручную, если возникло подозрение на подмену

После внедрения

Перед подтверждением личности работает проверка живого присутствия: текстурные и статистические признаки кадра поступают в бинарный классификатор на градиентном бустинге, который различает реальное лицо, попытку подмены и случай для дополнительного контроля.

Перед подтверждением личности работает отдельная проверка живого присутствия. Модуль анализирует кадр и разделяет результаты на живое присутствие, попытку подмены и случай, который нельзя принимать автоматически.

Face ID-сценарий работает в два этапа: сначала проверяется реальное присутствие человека, затем выполняется сопоставление личности. Неуверенный результат остаётся основанием для дополнительной проверки, а не для скрытого автоматического допуска.

Как работает решение

Компактный бинарный классификатор работает на текстурных и статистических признаках изображения. Контур обработки извлекает GLCM, GLDS, NGTDM, GLRLM, HOG и вейвлет-признаки и передаёт их модели градиентного бустинга.

Признаки помогают находить особенности, характерные для распечатки или экрана: структуру текстуры, локальные переходы, яркость и контраст. Такой подход рассчитан на встраивание в терминальный контур с ограниченными ресурсами.

Данные

• кадры с камеры терминала
• выделенные изображения лиц
• примеры подмены фотографией
• видео на экране
• текстурные и статистические признаки кадра

Критерии оценки

• отделить живое присутствие от фотографии
• выявить подмену видео на экране
• сохранить приемлемую задержку терминального сценария

Практическая ценность

• дополнительная защита Face ID от фотографии и видео на экране
• более достоверный учёт присутствия и рабочего времени
• отдельное решение по ливнес до подтверждения личности
• компактный ML-модуль для терминального сценария
• ручной или независимый контроль для неуверенных и критичных случаев

Ограничения и человеческий контроль

• Числовые показатели FAR и FRR не публикуются.
• Модуль не имеет независимой сертификации безопасности.

Контроль: При неуверенном результате и в критичных сценариях доступа решение терминала дополняют правила доступа и независимая проверка.

Что переносится в другие компании

• терминалы учета рабочего времени
• контроль доступа на объекты
• корпоративные приложения
• удаленная идентификация
• защита биометрических интерфейсов