Aktive Lebendigkeitserkennung gegen Deepfake

Aktive Lebendigkeitserkennung: Schutz vor Deepfakes bei der Videoverifizierung

Moderne generative Modelle erzeugen hochrealistische gefälschte Selfies und Dokumente, die standardmäßige Gesichtsvergleiche leicht umgehen. Hochwertige synthetische Bilder können einfache Lebendigkeitstests täuschen und zu erfolgreichen Angriffen auf Verifizierungssysteme führen. Um dem entgegenzuwirken, wird aktive Lebendigkeitserkennung eingesetzt, die auf videobasierten dynamischen Aufforderungen basiert.

Die Methode erfordert, dass Benutzer einer zufälligen Sequenz von Kopfbewegungen folgen: oben, unten, links und rechts. Wenn der Kopf zur Mitte zurückkehrt, wird eine Blinzel-Aufforderung hinzugefügt. Jede Aktion wird innerhalb eines strengen Zeitrahmens erfasst, was bestätigt, dass sich eine lebende Person vor der Kamera befindet.

Während des Prozesses erfasst das System einen klaren Frame mit offenen Augen des Benutzers und korrekt ausgerichtetem Kopf. Dieser einzelne Frame wird dann für den Gesichtsabgleich mit dem Ausweisdokument verwendet, was einen hochpräzisen Vergleich ohne mehrere Wiederholungen gewährleistet.

Implementierung auf Smartphones

Der Workflow ist nahtlos in mobile Apps integriert: Benutzer scannen einfach einen QR-Code, um die Kamera zu aktivieren. Das System erfasst das Ausweisdokument und führt die Videoverifizierung in einer einzigen, kontinuierlichen Sitzung durch.

Die zufällige Aufforderungssequenz blockiert effektiv Angriffe mit vorab aufgezeichneten Videos. Das System analysiert Bewegungsmuster, Gesichtstiefe und Hauttextur, um Live-Aufnahmen von Deepfakes zu unterscheiden.

Um strenge Anforderungen an den Gesichtsabgleich zu erfüllen, wird ein benutzerdefiniert trainiertes Modell eingesetzt. Es erreicht Basiswerte von AUC ROC ≥ 0,9966 und Genauigkeit ≥ 0,9808. Das Modell wird auf aktuellen Datensätzen mit strenger Qualitätskontrolle trainiert.

Zusätzliche Verifizierungsoptionen

• Abgleich mit Regierungsdatenbanken und offiziellen Registern.
• Anpassbare Stufen für die Verifizierungsstrenge.
• Nahtlose Integration in bestehende KYC/AML-Plattformen.

Diese Funktionen ermöglichen es, den Verifizierungsprozess auf spezifische Anwendungsfälle zuzuschneiden und falsch-positive Ergebnisse erheblich zu reduzieren.

Der Ansatz verkürzt die Verifizierungszeit drastisch: optimale Kopfpositionierung und Beleuchtung sicherstellen den Erfolg beim ersten Versuch. Er eliminiert effektiv statische Spoofing-Versuche, einschließlich KI-generierter Gesichter und gefälschter Dokumente.

Leistungsmetriken & Effizienz

| Metrik | Wert |

|------------|------------|

| AUC ROC | 0,9966 |

| Genauigkeit| 0,9808 |

Diese Ergebnisse wurden über eine breite Palette von Geräten und Lichtverhältnissen validiert. Das System bleibt hochresistent gegen Angriffe, die GANs und Videobearbeitungssoftware nutzen.

Wichtige Erkenntnisse

• Aktive Lebendigkeitserkennung basiert auf zufälligen Bewegungsaufforderungen, um Spoofing mit vorab aufgezeichneten Videos zu verhindern.
• Das Erfassen eines Frames im optimalen Winkel vereinfacht den Gesichtsabgleich und steigert die Genauigkeit.
• Das benutzerdefinierte Modell liefert einen AUC ROC von 0,9966 und eine Genauigkeitsrate von 0,9808.
• Die Smartphone-Integration via QR-Code erfordert keine zusätzliche Software.
• Optionen zum Abgleich mit Datenbanken bieten eine zusätzliche Sicherheitsebene.

Die Lösung wurde von Kunden mit strengen Anforderungen zur Betrugsprävention genehmigt. Sie integriert sich reibungslos in Produktionsumgebungen mit minimalen API-Anpassungen.

— Editorial Team