Finansiella tjänster, spelningsekonomin, telekom, hälsovård, sociala nätverk och andra kunder använder ansiktsverifiering under onboarding online, stegvis autentisering, åldersbaserad åtkomstbegränsning och botdetektering. Dessa kunder verifierar användarens identitet genom att matcha användarens ansikte i en selfie som tagits av en enhetskamera med ett myndighetsutfärdat identitetskortsfoto eller ett förutbestämt profilfoto. De uppskattar också användarens ålder med hjälp av ansiktsanalys innan de tillåter åtkomst till åldersbegränsat innehåll. Men dåliga skådespelare använder sig i allt högre grad av falska attacker med hjälp av användarens ansiktsbilder eller videor som publicerats offentligt, fångas i hemlighet eller skapas syntetiskt för att få obehörig åtkomst till användarens konto. För att avskräcka detta bedrägeri, samt minska kostnaderna förknippade med det, måste kunder lägga till livlighetsdetektering innan ansiktsmatchning eller åldersuppskattning utförs i deras ansiktsverifieringsarbetsflöde för att bekräfta att användaren framför kameran är en verklig och levande person .
Vi är glada att presentera Amazon-erkännande Face Liveness för att hjälpa dig att enkelt och exakt motverka bedrägerier under ansiktsverifiering. I det här inlägget börjar vi med en översikt över Face Liveness-funktionen, dess användningsfall och slutanvändarupplevelsen; ge en översikt över dess spoofdetekteringsförmåga; och visa hur du kan lägga till Face Liveness till dina webb- och mobilapplikationer.
Face Liveness översikt
Idag upptäcker kunder livlighet med hjälp av olika lösningar. Vissa kunder använder öppen källkod eller kommersiella modeller för maskininlärning (ML) i sina webb- och mobilapplikationer för att kontrollera om användarna utför specifika gester korrekt som att le, nicka, skaka på huvudet, blinka med ögonen eller öppna munnen. Dessa lösningar är dyra att bygga och underhålla, misslyckas med att avskräcka avancerade falska attacker som utförs med hjälp av fysiska 3D-masker eller injicerade videor och kräver stor användaransträngning att slutföra. Vissa kunder använder tredjepartsfunktioner för ansiktslivning som bara kan upptäcka falska attacker som presenteras för kameran (som tryckta eller digitala foton eller videor på en skärm), som fungerar bra för användare i utvalda geografiska områden och är ofta helt kundhanterade. Slutligen förlitar sig vissa kundlösningar på hårdvarubaserade infraröda och andra sensorer i telefon- eller datorkameror för att upptäcka ansiktets livlighet, men dessa lösningar är dyra, hårdvaruspecifika och fungerar endast för användare med utvalda avancerade enheter.
Med Face Liveness kan du på några sekunder upptäcka att riktiga användare, och inte dåliga skådespelare som använder spoofs, kommer åt dina tjänster. Face Liveness inkluderar dessa nyckelfunktioner:
- Analyserar en kort selfievideo från användaren i realtid för att upptäcka om användaren är äkta eller en falsk
- Returnerar ett konfidensvärde för livlighet – ett mått för konfidensnivån från 0–100 som anger sannolikheten för att en person är verklig och levande
- Returnerar en referensbild av hög kvalitet – en selfie-ram med kvalitetskontroller som kan användas för nedströms Amazon Rekognition ansiktsmatchning or åldersuppskattning analys
- Returnerar upp till fyra granskningsbilder – ramar från selfievideon som kan användas för att underhålla granskningsspår
- Upptäcker förfalskningar som presenteras för kameran, t.ex. ett utskrivet foto, digitalt foto, digital video eller 3D-mask, såväl som förfalskningar som går förbi kameran, till exempel en förinspelad eller deepfake video
- Kan enkelt läggas till applikationer som körs på de flesta enheter med en frontkamera med öppen källkod förbyggda AWS Amplify UI-komponenter
Dessutom krävs ingen infrastrukturhantering, hårdvaruspecifik implementering eller ML-expertis. Funktionen skalas automatiskt upp eller ner som svar på efterfrågan, och du betalar bara för de ansiktslivskontroller du utför. Face Liveness använder ML-modeller som tränats på olika datauppsättningar för att ge hög noggrannhet över användarens hudtoner, anor och enheter.
Användningsfall
Följande diagram illustrerar ett typiskt arbetsflöde med Face Liveness.
Du kan använda Face Liveness i följande arbetsflöden för användarverifiering:
- Användarintroduktion – Du kan minska skapandet av bedrägliga konton på din tjänst genom att validera nya användare med Face Liveness innan nedströms bearbetning. Till exempel kan en kund inom finansiella tjänster använda Face Liveness för att upptäcka en verklig användare och sedan utföra ansiktsmatchning för att kontrollera att detta är rätt användare innan ett onlinekonto öppnas. Detta kan avskräcka en dålig skådespelare från att använda sociala medier bilder på en annan person för att öppna bedrägliga bankkonton.
- Steg upp autentisering – Du kan förstärka verifieringen av värdefulla användaraktiviteter på dina tjänster, såsom enhetsbyte, lösenordsbyte och pengaöverföringar, med Face Liveness innan aktiviteten utförs. Till exempel kan en kund som delar eller levererar mat använda Face Liveness för att upptäcka en verklig och levande användare och sedan utföra ansiktsmatchning med hjälp av en etablerad profilbild för att verifiera en förares eller leveransmedarbetares identitet före en resa eller leverans för att främja säkerheten. Detta kan avskräcka obehöriga leveransmedarbetare och förare från att engagera sig med slutanvändare.
- Verifiering av användarens ålder – Du kan avskräcka minderåriga användare från att komma åt begränsat onlineinnehåll. Till exempel kan tobakshandlare online eller onlinespelkunder använda Face Liveness för att upptäcka en verklig och levande användare och sedan utföra åldersuppskattning med hjälp av ansiktsanalys för att verifiera användarens ålder innan de ger dem tillgång till tjänstens innehåll. Detta kan avskräcka en minderårig användare från att använda sina föräldrars kreditkort eller foto och få tillgång till skadligt eller olämpligt innehåll.
- Botdetektering – Du kan undvika att bots engagerar sig i din tjänst genom att använda Face Liveness i stället för "riktiga mänskliga" captcha-kontroller. Till exempel kan sociala medier-kunder använda Face Liveness för att göra riktiga mänskliga kontroller för att hålla bots på avstånd. Detta ökar avsevärt kostnaden och ansträngningen som krävs av användare som driver botaktivitet eftersom viktiga botåtgärder nu måste klara en ansiktskontroll.
Slutanvändarupplevelse
När slutanvändare behöver gå ombord eller autentisera sig på din applikation, tillhandahåller Face Liveness användargränssnittet och realtidsfeedback så att användaren snabbt kan fånga en kort selfievideo där ansiktet flyttas till en oval som återges på enhetens skärm. När användarens ansikte rör sig in i ovalen visas en serie färgade ljus på enhetens skärm och selfie-videon streamas säkert till molnets API:er, där avancerade ML-modeller analyserar videon i realtid. När analysen är klar får du ett resultat för förutsägelse av livlighet (ett värde mellan 0–100), en referensbild och granskningsbilder. Beroende på om liveness-förtroendepoängen är över eller under de kundinställda tröskelvärdena, kan du utföra nedströms verifieringsuppgifter för användaren. Om liveness-poängen är under tröskeln kan du be användaren att försöka igen eller dirigera dem till en alternativ verifieringsmetod.
Sekvensen av skärmar som slutanvändaren kommer att exponeras för är följande:
- Sekvensen börjar med en startskärm som innehåller en introduktion och ljuskänslig varning. Det uppmanar slutanvändaren att följa instruktionerna för att bevisa att de är en riktig person.
- Efter att slutanvändaren väljer Börja kontrollen, en kameraskärm visas och kontrollen startar en nedräkning från 3.
- I slutet av nedräkningen börjar en videoinspelning och en oval visas på skärmen. Slutanvändaren uppmanas att flytta sitt ansikte till ovalen. När Face Liveness upptäcker att ansiktet är i rätt position uppmanas slutanvändaren att hålla stilla under en sekvens av färger som visas.
- Videon skickas in för liveness-detektering och en laddningsskärm med meddelandet "Verifierar" visas.
- Slutanvändaren får ett meddelande om framgång eller en uppmaning att försöka igen.
Så här ser användarupplevelsen i aktion ut i en exempelimplementering av Face Liveness.
Spoof-detektering
Face Liveness kan avskräcka presentationer och kringgå falska attacker. Låt oss skissera de viktigaste parodityperna och se Face Liveness avskräcka dem.
Presentation av falska attacker
Dessa är falska attacker där en dålig skådespelare presenterar en annan användares ansikte för kameran med hjälp av tryckta eller digitala artefakter. Den dåliga skådespelaren kan använda en utskrift av en användares ansikte, visa användarens ansikte på enhetens skärm med hjälp av ett foto eller en video, eller bära en 3D-ansiktsmask som ser ut som användaren. Face Liveness kan framgångsrikt upptäcka dessa typer av falska presentationsattacker, vilket vi visar i följande exempel.
Följande visar en förfalskningsattack med en digital video på enhetens skärm.
Följande visar ett exempel på en presentationsförfalskningsattack med ett digitalt foto på enhetens skärm.
Följande exempel visar en presentationsattack med en 3D-mask.
Följande exempel visar en presentationsförfalskningsattack med ett utskrivet foto.
Bypass- eller videoinjektionsattacker
Det här är falska attacker där en dålig skådespelare går förbi kameran för att skicka en selfievideo direkt till applikationen med hjälp av en virtuell kamera.
Face Liveness komponenter
Amazon Rekognition Face Liveness använder flera komponenter:
- AWS förstärka webb- och mobil-SDK:er med
FaceLivenessDetector
komponent - AWS SDK: er
- Cloud API:er
Låt oss se över varje komponents roll och hur du enkelt kan använda dessa komponenter tillsammans för att lägga till Face Liveness i dina applikationer på bara några dagar.
Förstärk webb- och mobil-SDK:er med FaceLivenessDetector-komponenten
Förstärkaren FaceLivenessDetector
komponenten integrerar Face Liveness-funktionen i din applikation. Den hanterar användargränssnittet och realtidsfeedback för användare medan de tar sin videoselfie.
När en klientapplikation renderar FaceLivenessDetector
komponent upprättar den en anslutning till streamingtjänsten Amazon Rekognition, renderar en oval på slutanvändarens skärm och visar en sekvens av färgade lampor. Den spelar också in och strömmar video i realtid till Amazon Rekognition-strömningstjänsten och återger på lämpligt sätt meddelandet om framgång eller misslyckande.
AWS SDK:er och moln-API:er
När du konfigurerar din applikation för att integrera med Face Liveness-funktionen använder den följande API-operationer:
- CreateFaceLivenessSession – Startar en Face Liveness-session och låter Face Liveness-detekteringsmodellen användas i din applikation. Returnerar a
SessionId
för den skapade sessionen. - Starta FaceLivenessSession – Kallas av
FaceLivenessDetector
komponent. Startar en händelseström som innehåller information om relevanta händelser och attribut i den aktuella sessionen. - GetFaceLivenessSessionResults – Hämtar resultaten från en specifik Face Liveness-session, inklusive en Face Liveness-konfidenspoäng, referensbild och granskningsbilder.
Du kan testa Amazon Rekognition Face Liveness med vilken AWS SDK som helst som stöds som AWS Python SDK Boto3 eller AWS SDK för Java V2.
Utvecklare erfarenhet
Följande diagram illustrerar lösningsarkitekturen.
Processen för Face Liveness-kontroll omfattar flera steg:
- Slutanvändaren initierar en Face Liveness-kontroll i klientappen.
- Klientappen anropar kundens backend, som i sin tur anropar Amazon Rekognition. Tjänsten skapar en Face Liveness-session och ger en unik
SessionId
. - Klientappen återger
FaceLivenessDetector
komponent med hjälp av den erhållnaSessionId
och lämpliga återuppringningar. - Smakämnen
FaceLivenessDetector
komponent upprättar en anslutning till Amazon Rekognition-strömningstjänsten, renderar en oval på användarens skärm och visar en sekvens av färgade lampor.FaceLivenessDetector
spelar in och strömmar video i realtid till streamingtjänsten Amazon Rekognition. - Amazon Rekognition bearbetar videon i realtid, lagrar resultaten inklusive referensbilden och granskningsbilder som lagras i en Amazon Simple Storage Service (S3)-hink och returnerar en
DisconnectEvent
tillFaceLivenessDetector
komponent när strömningen är klar. - Smakämnen
FaceLivenessDetector
komponent anropar lämpliga återuppringningar för att signalera till klientappen att strömningen är klar och att poängen är redo för hämtning. - Klientappen ringer upp kundens backend för att få en boolesk flagga som indikerar om användaren var live eller inte. Kundens backend gör en begäran till Amazon Rekognition för att få konfidenspoäng, referens och granskningsbilder. Kundens backend använder dessa attribut för att avgöra om användaren är live och returnerar ett lämpligt svar till klientappen.
- Slutligen skickar klientappen svaret till
FaceLivenessDetector
komponent, som på lämpligt sätt återger meddelandet om framgång eller misslyckande för att slutföra flödet.
Slutsats
I det här inlägget visade vi hur den nya Face Liveness-funktionen i Amazon Rekognition upptäcker om en användare som går igenom en ansiktsverifieringsprocess är fysiskt närvarande framför en kamera och inte en dålig skådespelare som använder en falsk attack. Med Face Liveness kan du avskräcka bedrägerier i dina ansiktsbaserade användarverifieringsarbetsflöden.
Kom igång idag genom att besöka Face Liveness funktionssida för mer information och för att komma åt utvecklarguiden. Amazon Rekognition Face Liveness moln-API:er är tillgängliga i USA:s östra (N. Virginia), USA:s västra (Oregon), Europa (Irland), Asien och Stillahavsområdet (Mumbai) och Asien och Stillahavsområdet (Tokyo).
Om författarna
Zuhayr Raghib är en AI Services Solutions Architect på AWS. Han är specialiserad på tillämpad AI/ML och brinner för att göra det möjligt för kunder att använda molnet för att förnya sig snabbare och transformera sina verksamheter.
Pavan Prasanna Kumar är Senior Product Manager på AWS. Han brinner för att hjälpa kunder att lösa sina affärsutmaningar genom artificiell intelligens. På fritiden tycker han om att spela squash, lyssna på affärspoddar och utforska nya kaféer och restauranger.
Tushar Agrawal leder Product Management för Amazon Rekognition. I den här rollen fokuserar han på att bygga datorseendefunktioner som löser kritiska affärsproblem för AWS-kunder. Han tycker om att umgås med familjen och lyssnar på musik.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/detect-real-and-live-users-and-deter-bad-actors-using-amazon-rekognition-face-liveness/
- :är
- $UPP
- 100
- 3d
- 7
- a
- Om oss
- ovan
- tillgång
- åtkomst
- Konto
- konton
- noggrannhet
- exakt
- tvärs
- Handling
- åtgärder
- aktiviteter
- aktivitet
- aktörer
- lagt till
- Dessutom
- avancerat
- Efter
- AI
- AI-tjänster
- AI / ML
- tillåta
- alternativ
- amason
- Amazon-erkännande
- Amazon Simple Storage Service (S3)
- analys
- analysera
- och
- Annan
- api
- API: er
- app
- Ansökan
- tillämpningar
- tillämpas
- lämpligt
- lämpligt
- arkitektur
- ÄR
- konstgjord
- artificiell intelligens
- AS
- asien
- Asiens pacific
- associerad
- At
- attackera
- Attacker
- attribut
- revision
- autentisera
- Autentisering
- automatiskt
- tillgänglig
- AWS
- backend
- Badrum
- Bank
- bankkonton
- bukt
- BE
- därför att
- innan
- Där vi får lov att vara utan att konstant prestera,
- nedan
- mellan
- Bot
- botar
- SLUTRESULTAT
- Byggnad
- företag
- företag
- by
- kaféer
- kallas
- Samtal
- rum
- kameror
- KAN
- kapacitet
- fånga
- kortet
- Kort
- fall
- utmaningar
- byta
- ta
- Kontroller
- klient
- cloud
- kommersiella
- fullborda
- fullständigt
- komponent
- komponenter
- dator
- Datorsyn
- förtroende
- Bekräfta
- anslutning
- innehåll
- Pris
- Kostar
- skapas
- skapar
- skapande
- kredit
- Kreditkort
- kritisk
- Aktuella
- kund
- Kundlösningar
- Kunder
- datauppsättningar
- Dagar
- leverans
- Efterfrågan
- demonstrera
- beroende
- distribuera
- Detektering
- Bestämma
- Utvecklare
- anordning
- enheter
- digital
- direkt
- Visa
- displayer
- flera
- ner
- chaufförer
- drivande
- under
- varje
- lätt
- öster
- ekonomi
- ansträngning
- möjliggör
- engagerande
- etablerade
- upprättar
- uppskatta
- Europa
- händelse
- händelser
- exempel
- exciterade
- erfarenhet
- expertis
- Utforska
- utsatta
- Ögon
- Ansikte
- ansiktsmask
- ansikts
- MISSLYCKAS
- Misslyckande
- familj
- snabbare
- Leverans
- Funktioner
- återkoppling
- få
- finansiella
- finansiella tjänster
- flöda
- fokuserar
- följer
- efter
- följer
- För
- RAM
- bedrägeri
- bedräglig
- från
- främre
- Få
- få
- Betting
- geografier
- skaffa sig
- spelkonjunktur
- kommer
- beviljande
- styra
- Handtag
- skadliga
- huvud
- hälso-och sjukvård
- hjälpa
- hjälpa
- Hög
- High-End
- hög kvalitet
- hålla
- Hur ser din drömresa ut
- Men
- html
- HTTPS
- humant
- Identitet
- bild
- bilder
- genomförande
- in
- innefattar
- Inklusive
- Ökar
- alltmer
- pekar på
- informationen
- Infrastruktur
- initierar
- förnya
- instruktioner
- integrera
- integrerar
- Intelligens
- Gränssnitt
- införa
- Beskrivning
- irland
- IT
- DESS
- java
- jpg
- Ha kvar
- Nyckel
- landmärke
- Leads
- inlärning
- uthyrning
- Nivå
- tycka om
- Lyssna
- lever
- Livlighet
- läser in
- UTSEENDE
- Maskinen
- maskininlärning
- bibehålla
- upprätthålla
- GÖR
- ledning
- chef
- mask
- Masker
- matchande
- Media
- meddelande
- metod
- metriska
- ML
- Mobil
- Mobila applikationer
- modell
- modeller
- pengar
- Pengaröverföringar
- mer
- mest
- mun
- flytta
- förflyttar
- rörliga
- multipel
- Mumbai
- Musik
- Behöver
- nätverk
- Nya
- nya användare
- anmälan
- erhållna
- of
- on
- Ombord
- Onboarding
- nätet
- onlinespel
- öppet
- öppen källkod
- öppning
- Verksamhet
- Oregon
- Övriga
- översikt
- Översikt
- stilla havet
- passera
- passerar
- brinner
- Lösenord
- Betala
- Utföra
- personen
- telefon
- fysisk
- Fysiskt
- Bild
- Bilder
- Plats
- plato
- Platon Data Intelligence
- PlatonData
- i
- Podcasts
- placera
- Inlägg
- posted
- förutsägelse
- presentera
- presentation
- presenteras
- presenterar
- Innan
- problem
- process
- processer
- bearbetning
- Produkt
- produktledning
- produktchef
- Profil
- främja
- Bevisa
- ge
- ger
- publicly
- Python
- kvalitet
- snabbt
- redo
- verklig
- realtid
- motta
- erhåller
- inspelning
- register
- minska
- regioner
- relevanta
- renderar
- begära
- kräver
- Obligatorisk
- respons
- restauranger
- begränsad
- begränsning
- Resultat
- detaljister
- återgår
- översyn
- Rider
- Roll
- Rutt
- rinnande
- Säkerhet
- skalor
- göra
- screen
- skärmar
- sDK
- sekunder
- säkert
- Selfie
- senior
- sensor
- Sekvens
- Serier
- service
- Tjänster
- session
- flera
- Kort
- show
- Visar
- Signal
- signifikant
- Enkelt
- Hud
- Social hållbarhet
- sociala medier
- Sociala nätverk
- lösning
- Lösningar
- LÖSA
- några
- specialiserat
- specifik
- Spendera
- starta
- igång
- startar
- Steg
- Fortfarande
- förvaring
- lagras
- lagrar
- ström
- strömmas
- streaming
- streaming service
- strömmar
- Stärka
- lämnats
- framgång
- Framgångsrikt
- sådana
- Som stöds
- syntetiskt
- uppgifter
- Telco
- testa
- den där
- Smakämnen
- deras
- Dem
- sig själva
- Dessa
- tredje part
- tröskelvärde
- Genom
- tid
- till
- i dag
- tillsammans
- Tokyo
- tränad
- överföringar
- Förvandla
- SVÄNG
- typer
- typisk
- ui
- unika
- us
- användning
- Användare
- Användarupplevelse
- Användargränssnitt
- användare
- värde
- olika
- Verifiering
- verifiera
- Video
- Video
- Virginia
- Virtuell
- syn
- varning
- webb
- VÄL
- väster
- Vad
- om
- som
- medan
- kommer
- med
- Arbete
- arbetsflöden
- Om er
- Din
- zephyrnet