Finansielle tjenester, gig-økonomien, telefontjenester, helsevesen, sosiale nettverk og andre kunder bruker ansiktsverifisering under online onboarding, step-up autentisering, aldersbasert tilgangsbegrensning og bot-deteksjon. Disse kundene bekrefter brukeridentiteten ved å matche brukerens ansikt i en selfie tatt av et enhetskamera med et offentlig utstedt identitetskortbilde eller forhåndsetablert profilbilde. De anslår også brukerens alder ved hjelp av ansiktsanalyse før de gir tilgang til aldersbegrenset innhold. Imidlertid distribuerer dårlige skuespillere i økende grad falske angrep ved å bruke brukerens ansiktsbilder eller videoer som er lagt ut offentlig, fanget i hemmelighet eller opprettet syntetisk for å få uautorisert tilgang til brukerens konto. For å avskrekke denne svindelen, samt redusere kostnadene forbundet med det, må kundene legge til liveness-deteksjon før ansiktsmatching eller aldersestimat utføres i arbeidsflyten for ansiktsverifisering for å bekrefte at brukeren foran kameraet er en ekte og levende person .
Vi er glade for å introdusere Amazon-anerkjennelse Face Liveness for å hjelpe deg enkelt og nøyaktig å avskrekke svindel under ansiktsverifisering. I dette innlegget starter vi med en oversikt over Face Liveness-funksjonen, dens brukstilfeller og sluttbrukeropplevelsen; gi en oversikt over dets spoof-deteksjonsfunksjoner; og vis hvordan du kan legge til Face Liveness i nett- og mobilapplikasjonene dine.
Oversikt over Face Liveness
I dag oppdager kundene liv ved hjelp av ulike løsninger. Noen kunder bruker åpen kildekode eller kommersielle maskinlæringsmodeller for ansiktslandmerkegjenkjenning (ML) i nett- og mobilapplikasjonene sine for å sjekke om brukerne utfører spesifikke bevegelser riktig som å smile, nikke, riste på hodet, blinke med øynene eller åpne munnen. Disse løsningene er kostbare å bygge og vedlikeholde, klarer ikke å avskrekke avanserte falske angrep utført ved bruk av fysiske 3D-masker eller injiserte videoer, og krever høy brukerinnsats for å fullføre. Noen kunder bruker tredjeparts ansiktslivefunksjoner som bare kan oppdage falske angrep presentert for kameraet (som trykte eller digitale bilder eller videoer på en skjerm), som fungerer godt for brukere i utvalgte geografier, og som ofte er fullstendig kundeadministrert. Til slutt, noen kundeløsninger er avhengige av maskinvarebasert infrarød og andre sensorer i telefon- eller datakameraer for å oppdage ansiktslivlighet, men disse løsningene er kostbare, maskinvarespesifikke og fungerer bare for brukere med utvalgte avanserte enheter.
Med Face Liveness kan du i løpet av sekunder oppdage at ekte brukere, og ikke dårlige skuespillere som bruker forfalskning, får tilgang til tjenestene dine. Face Liveness inkluderer disse nøkkelfunksjonene:
- Analyserer en kort selfie-video fra brukeren i sanntid for å oppdage om brukeren er ekte eller en falsk
- Returnerer en liveness-konfidenspoengsum – en beregning for konfidensnivået fra 0–100 som indikerer sannsynligheten for at en person er ekte og levende
- Returnerer et referansebilde av høy kvalitet – en selfieramme med kvalitetskontroller som kan brukes for nedstrøms Amazon Rekognition ansiktsmatching or aldersberegning analyse
- Returnerer opptil fire revisjonsbilder – rammer fra selfie-videoen som kan brukes til å vedlikeholde revisjonsspor
- Oppdager forfalskninger som presenteres for kameraet, for eksempel et trykt bilde, digitalt bilde, digital video eller 3D-maske, samt forfalskninger som omgår kameraet, for eksempel en forhåndsinnspilt eller dypfalsk video
- Kan enkelt legges til applikasjoner som kjører på de fleste enheter med et frontvendt kamera ved å bruke åpen kildekode forhåndsbygde AWS Amplify UI-komponenter
I tillegg kreves ingen infrastrukturadministrasjon, maskinvarespesifikk implementering eller ML-ekspertise. Funksjonen skaleres automatisk opp eller ned som svar på etterspørsel, og du betaler kun for ansiktslivskontrollene du utfører. Face Liveness bruker ML-modeller trent på forskjellige datasett for å gi høy nøyaktighet på tvers av brukerens hudtoner, forfedre og enheter.
Bruksmåter
Følgende diagram illustrerer en typisk arbeidsflyt som bruker Face Liveness.
Du kan bruke Face Liveness i følgende arbeidsflyter for brukerverifisering:
- Innbygging av brukere – Du kan redusere uredelig kontooppretting på tjenesten din ved å validere nye brukere med Face Liveness før nedstrømsbehandling. For eksempel kan en kunde med finansielle tjenester bruke Face Liveness til å oppdage en ekte og levende bruker og deretter utføre ansiktsmatching for å sjekke at dette er riktig bruker før du åpner en nettkonto. Dette kan avskrekke en dårlig skuespiller ved å bruke sosiale medier-bilder av en annen person for å åpne uredelige bankkontoer.
- Trinnvis autentisering – Du kan styrke verifiseringen av verdifulle brukeraktiviteter på tjenestene dine, for eksempel enhetsendring, passordendring og pengeoverføringer, med Face Liveness før aktiviteten utføres. For eksempel kan en kunde som deler tur eller matlevering bruke Face Liveness til å oppdage en ekte bruker og deretter utføre ansiktsmatching ved å bruke et etablert profilbilde for å bekrefte identiteten til en sjåfør eller leveringsmedarbeider før en tur eller levering for å fremme sikkerheten. Dette kan avskrekke uautoriserte leveringsmedarbeidere og sjåfører fra å engasjere seg med sluttbrukere.
- Bekreftelse av brukerens alder – Du kan avskrekke mindreårige brukere fra å få tilgang til begrenset nettinnhold. For eksempel kan nettbaserte tobakksforhandlere eller online gamblingkunder bruke Face Liveness til å oppdage en ekte og levende bruker og deretter utføre aldersestimat ved hjelp av ansiktsanalyse for å bekrefte brukerens alder før de gir dem tilgang til tjenesteinnholdet. Dette kan avskrekke en mindreårig bruker fra å bruke foreldrenes kredittkort eller bilde og få tilgang til skadelig eller upassende innhold.
- Bot deteksjon – Du kan unngå at roboter engasjerer seg i tjenesten din ved å bruke Face Liveness i stedet for "ekte menneskelige" captcha-sjekker. For eksempel kan sosiale medier-kunder bruke Face Liveness for å stille ekte menneskelige sjekker for å holde roboter i sjakk. Dette øker kostnadene og innsatsen som kreves av brukere som driver botaktivitet betraktelig, fordi nøkkelrobothandlinger nå må bestå en sjekk av liveness.
Sluttbrukeropplevelse
Når sluttbrukere trenger å ombord eller autentisere seg på applikasjonen din, gir Face Liveness brukergrensesnittet og sanntidstilbakemeldinger slik at brukeren raskt kan ta en kort selfie-video av å flytte ansiktet til en oval gjengitt på enhetens skjerm. Når brukerens ansikt beveger seg inn i det ovale, vises en rekke fargede lys på enhetens skjerm, og selfie-videoen streames sikkert til sky-API-ene, der avanserte ML-modeller analyserer videoen i sanntid. Etter at analysen er fullført, mottar du en liveness-prediksjonspoeng (en verdi mellom 0–100), et referansebilde og revisjonsbilder. Avhengig av om poengsummen for liveness-sikkerhet er over eller under de kundedefinerte tersklene, kan du utføre nedstrøms verifiseringsoppgaver for brukeren. Hvis liveness-poengsummen er under terskelen, kan du be brukeren om å prøve på nytt eller rute dem til en alternativ bekreftelsesmetode.
Sekvensen av skjermer som sluttbrukeren vil bli eksponert for er som følger:
- Sekvensen begynner med en startskjerm som inkluderer en introduksjon og lysfølsom advarsel. Det ber sluttbrukeren om å følge instruksjonene for å bevise at de er en ekte person.
- Etter at sluttbrukeren velger Begynn sjekk, en kameraskjerm vises og sjekken starter en nedtelling fra 3.
- På slutten av nedtellingen begynner et videoopptak, og en oval vises på skjermen. Sluttbrukeren blir bedt om å flytte ansiktet inn i ovalen. Når Face Liveness oppdager at ansiktet er i riktig posisjon, blir sluttbrukeren bedt om å holde stille for en sekvens av farger som vises.
- Videoen sendes inn for liveness-deteksjon og en lasteskjerm med meldingen "Verifying" vises.
- Sluttbrukeren mottar et varsel om suksess eller en melding om å prøve på nytt.
Her er hvordan brukeropplevelsen i aksjon ser ut i en prøveimplementering av Face Liveness.
Spoof-deteksjon
Face Liveness kan avskrekke presentasjon og omgå falske angrep. La oss skissere de viktigste spooftypene og se at Face Liveness avskrekker dem.
Presentasjon av falske angrep
Dette er falske angrep der en dårlig skuespiller presenterer ansiktet til en annen bruker for kamera ved hjelp av trykte eller digitale artefakter. Den dårlige skuespilleren kan bruke en utskrift av en brukers ansikt, vise brukerens ansikt på enhetens skjerm ved hjelp av et bilde eller en video, eller bruke en 3D-ansiktsmaske som ser ut som brukeren. Face Liveness kan med suksess oppdage disse typene forfalskede presentasjonsangrep, som vi viser i følgende eksempel.
Følgende viser et falskt angrep ved bruk av en digital video på enhetens skjerm.
Følgende viser et eksempel på et falskt angrep ved bruk av et digitalt bilde på enhetens skjerm.
Følgende eksempel viser et presentasjonsforfalskningsangrep ved bruk av en 3D-maske.
Følgende eksempel viser et falskt angrep ved bruk av et trykt bilde.
Bypass- eller videoinjeksjonsangrep
Dette er falske angrep der en dårlig skuespiller går utenom kameraet for å sende en selfievideo direkte til applikasjonen ved hjelp av et virtuelt kamera.
Face Liveness-komponenter
Amazon Rekognition Face Liveness bruker flere komponenter:
- AWS forsterke nett- og mobil-SDK-er med
FaceLivenessDetector
komponent - AWS SDK-er
- Cloud APIer
La oss se på rollen til hver komponent og hvordan du enkelt kan bruke disse komponentene sammen for å legge til Face Liveness i applikasjonene dine på bare noen få dager.
Forsterk nett- og mobil-SDK-er med FaceLivenessDetector-komponenten
Forsterkeren FaceLivenessDetector
komponenten integrerer Face Liveness-funksjonen i applikasjonen din. Den håndterer brukergrensesnittet og tilbakemeldinger i sanntid for brukere mens de tar videoselfien.
Når en klientapplikasjon gjengir FaceLivenessDetector
komponent, etablerer den en forbindelse til Amazon Rekognition-strømmetjenesten, gjengir en oval på sluttbrukerens skjerm og viser en sekvens av fargede lys. Den tar også opp og strømmer video i sanntid til Amazon Rekognition-strømmetjenesten, og gjengir suksess- eller fiaskomeldingen på riktig måte.
AWS SDK-er og sky-API-er
Når du konfigurerer applikasjonen til å integreres med Face Liveness-funksjonen, bruker den følgende API-operasjoner:
- CreateFaceLivenessSession – Starter en Face Liveness-økt, og lar Face Liveness-deteksjonsmodellen brukes i applikasjonen din. Returnerer en
SessionId
for den opprettede økten. - StartFaceLivenessSession – Kalles av
FaceLivenessDetector
komponent. Starter en hendelsesstrøm som inneholder informasjon om relevante hendelser og attributter i gjeldende økt. - GetFaceLivenessSessionResults – Henter resultatene av en spesifikk Face Liveness-økt, inkludert en Face Liveness-konfidenspoengsum, referansebilde og revisjonsbilder.
Du kan teste Amazon Rekognition Face Liveness med hvilken som helst støttet AWS SDK som AWS Python SDK Boto3 eller AWS SDK for Java V2.
Utvikleropplevelse
Følgende diagram illustrerer løsningsarkitekturen.
Sjekkprosessen for ansiktslivlighet omfatter flere trinn:
- Sluttbrukeren starter en Face Liveness-sjekk i klientappen.
- Klientappen kaller kundens backend, som igjen kaller Amazon Rekognition. Tjenesten oppretter en Face Liveness-sesjon og returnerer en unik
SessionId
. - Klientappen gjengir
FaceLivenessDetector
komponent ved hjelp av den oppnåddeSessionId
og passende tilbakeringinger. - De
FaceLivenessDetector
komponenten etablerer en forbindelse til Amazon Rekognition-strømmetjenesten, gjengir en oval på brukerens skjerm og viser en sekvens av fargede lys.FaceLivenessDetector
tar opp og strømmer video i sanntid til Amazon Rekognition-strømmetjenesten. - Amazon Rekognition behandler videoen i sanntid, lagrer resultatene inkludert referansebildet og revisjonsbildene som er lagret i en Amazon Simple Storage Service-bøtte (S3), og returnerer en
DisconnectEvent
tilFaceLivenessDetector
komponent når streamingen er fullført. - De
FaceLivenessDetector
komponent kaller de riktige tilbakeringingene for å signalisere til klientappen at streamingen er fullført og at poengsummene er klare for henting. - Klientappen ringer kundens backend for å få et boolsk flagg som indikerer om brukeren var live eller ikke. Kundens backend sender forespørselen til Amazon Rekognition for å få konfidenspoengsum, referanse og revisjonsbilder. Kundens backend bruker disse attributtene for å finne ut om brukeren er aktiv og returnerer et passende svar til klientappen.
- Til slutt sender klientappen svaret til
FaceLivenessDetector
komponent, som på riktig måte gjengir suksess- eller fiaskomeldingen for å fullføre flyten.
konklusjonen
I dette innlegget viste vi hvordan den nye Face Liveness-funksjonen i Amazon Rekognition oppdager om en bruker som går gjennom en ansiktsverifiseringsprosess er fysisk til stede foran et kamera og ikke en dårlig skuespiller som bruker et falskt angrep. Ved å bruke Face Liveness kan du avskrekke svindel i de ansiktsbaserte arbeidsflytene for brukerverifisering.
Kom i gang i dag ved å besøke Face Liveness funksjonsside for mer informasjon og for å få tilgang til utviklerveiledningen. Amazon Rekognition Face Liveness cloud APIer er tilgjengelige i USA øst (N. Virginia), USA vest (Oregon), Europa (Irland), Asia Pacific (Mumbai) og Asia Pacific (Tokyo).
Om forfatterne
Zuhayr Raghib er AI Services Solutions Architect hos AWS. Han spesialiserer seg på anvendt AI/ML, og brenner for å gjøre det mulig for kunder å bruke skyen til å innovere raskere og transformere virksomhetene sine.
Pavan Prasanna Kumar er senior produktsjef i AWS. Han brenner for å hjelpe kunder med å løse sine forretningsutfordringer gjennom kunstig intelligens. På fritiden liker han å spille squash, høre på forretningspodcaster og utforske nye kafeer og restauranter.
Tushar Agrawal leder Product Management for Amazon Rekognition. I denne rollen fokuserer han på å bygge datasynsfunksjoner som løser kritiske forretningsproblemer for AWS-kunder. Han liker å tilbringe tid med familien og høre på musikk.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/detect-real-and-live-users-and-deter-bad-actors-using-amazon-rekognition-face-liveness/
- :er
- $OPP
- 100
- 3d
- 7
- a
- Om oss
- ovenfor
- adgang
- Tilgang
- Logg inn
- kontoer
- nøyaktighet
- nøyaktig
- tvers
- Handling
- handlinger
- Aktiviteter
- aktivitet
- aktører
- la til
- tillegg
- avansert
- Etter
- AI
- AI-tjenester
- AI / ML
- tillate
- alternativ
- Amazon
- Amazon-anerkjennelse
- Amazon Simple Storage Service (S3)
- analyse
- analysere
- og
- En annen
- api
- APIer
- app
- Søknad
- søknader
- anvendt
- hensiktsmessig
- hensiktsmessig
- arkitektur
- ER
- kunstig
- kunstig intelligens
- AS
- asia
- asia-stillehavet
- assosiert
- At
- angripe
- Angrep
- attributter
- revisjon
- godkjenne
- Autentisering
- automatisk
- tilgjengelig
- AWS
- Backend
- dårlig
- Bank
- bankkontoer
- bukt
- BE
- fordi
- før du
- være
- under
- mellom
- Bot
- roboter
- bygge
- Bygning
- virksomhet
- bedrifter
- by
- kafeer
- som heter
- Samtaler
- rom
- kameraer
- CAN
- evner
- fangst
- kort
- Kort
- saker
- utfordringer
- endring
- sjekk
- Sjekker
- kunde
- Cloud
- kommersiell
- fullføre
- helt
- komponent
- komponenter
- datamaskin
- Datamaskin syn
- selvtillit
- Bekrefte
- tilkobling
- innhold
- Kostnad
- Kostnader
- opprettet
- skaper
- skaperverket
- kreditt
- Kredittkort
- kritisk
- Gjeldende
- kunde
- Kundeløsninger
- Kunder
- datasett
- Dager
- levering
- Etterspørsel
- demonstrere
- avhengig
- utplassere
- Gjenkjenning
- Bestem
- Utvikler
- enhet
- Enheter
- digitalt
- direkte
- Vise
- skjermer
- diverse
- ned
- drivere
- kjøring
- under
- hver enkelt
- lett
- øst
- økonomi
- innsats
- muliggjør
- engasjerende
- etablert
- etablerer
- anslag
- Europa
- Event
- hendelser
- eksempel
- opphisset
- erfaring
- ekspertise
- Utforske
- utsatt
- øyne
- Face
- ansiktsmaske
- ansikts
- FAIL
- Failure
- familie
- raskere
- Trekk
- Egenskaper
- tilbakemelding
- Noen få
- finansiell
- finansielle tjenester
- flyten
- fokuserer
- følge
- etter
- følger
- Til
- RAMME
- svindel
- uredelig
- fra
- foran
- Gevinst
- få
- Gambling
- geografier
- få
- konsertøkonomi
- skal
- innvilgelse
- veilede
- Håndterer
- skadelig
- hode
- helsetjenester
- hjelpe
- hjelpe
- Høy
- High-End
- høykvalitets
- hold
- Hvordan
- Men
- HTML
- HTTPS
- menneskelig
- Identitet
- bilde
- bilder
- gjennomføring
- in
- inkluderer
- Inkludert
- øker
- stadig
- indikerer
- informasjon
- Infrastruktur
- Starter
- innovere
- instruksjoner
- integrere
- Integrerer
- Intelligens
- Interface
- introdusere
- Introduksjon
- Irland
- IT
- DET ER
- Java
- jpg
- Hold
- nøkkel
- landemerke
- Fører
- læring
- utleie
- Nivå
- i likhet med
- Lytting
- leve
- Livsstil
- lasting
- UTSEENDE
- maskin
- maskinlæring
- vedlikeholde
- Vedlike
- GJØR AT
- ledelse
- leder
- maske
- masker
- matchende
- Media
- melding
- metode
- metrisk
- ML
- Mobil
- Mobilapplikasjoner
- modell
- modeller
- penger
- Pengeoverføringer
- mer
- mest
- munn
- flytte
- trekk
- flytting
- flere
- Mumbai
- musikk
- Trenger
- nettverk
- Ny
- nye brukere
- varsling
- innhentet
- of
- on
- Ombord
- onboarding
- på nett
- online gambling
- åpen
- åpen kildekode
- åpning
- Drift
- Oregon
- Annen
- omriss
- oversikt
- Pacific
- passere
- passerer
- lidenskapelig
- Passord
- Betale
- Utfør
- person
- telefon
- fysisk
- fysisk
- bilde
- Bilder
- Sted
- plato
- Platon Data Intelligence
- PlatonData
- spiller
- Podcasts
- posisjon
- Post
- postet
- prediksjon
- presentere
- presentasjon
- presentert
- gaver
- Før
- problemer
- prosess
- Prosesser
- prosessering
- Produkt
- produktledelse
- Produktsjef
- Profil
- fremme
- Bevis
- gi
- gir
- offentlig
- Python
- kvalitet
- raskt
- klar
- ekte
- sanntids
- motta
- mottar
- innspilling
- poster
- redusere
- regioner
- relevant
- gjengir
- anmode
- krever
- påkrevd
- svar
- restauranter
- begrenset
- begrensning
- Resultater
- forhandlere
- avkastning
- anmeldelse
- Ride
- Rolle
- Rute
- rennende
- Sikkerhet
- vekter
- Resultat
- Skjerm
- skjermer
- SDK
- sekunder
- sikkert
- selfie
- senior
- sensorer
- Sequence
- Serien
- tjeneste
- Tjenester
- Session
- flere
- Kort
- Vis
- Viser
- Signal
- betydelig
- Enkelt
- Skin
- selskap
- sosiale medier
- Sosialt nettverk
- løsning
- Solutions
- LØSE
- noen
- spesialisert
- spesifikk
- utgifter
- Begynn
- startet
- starter
- Steps
- Still
- lagring
- lagret
- butikker
- stream
- streames
- streaming
- streaming tjeneste
- bekker
- Forsterke
- innsendt
- suksess
- vellykket
- slik
- Støttes
- syntetisk
- oppgaver
- Telco
- test
- Det
- De
- deres
- Dem
- seg
- Disse
- tredjeparts
- terskel
- Gjennom
- tid
- til
- i dag
- sammen
- tokyo
- trent
- overføringer
- Transform
- SVING
- typer
- typisk
- ui
- unik
- us
- bruke
- Bruker
- Brukererfaring
- Brukergrensesnitt
- Brukere
- verdi
- ulike
- Verifisering
- verifisere
- video
- videoer
- Virginia
- virtuelle
- syn
- advarsel
- web
- VI VIL
- Vest
- Hva
- om
- hvilken
- mens
- vil
- med
- Arbeid
- arbeidsflyt
- Du
- Din
- zephyrnet