Anti-Spoofing คืออะไร และมีเทคนิคในการตรวจจับความมีชีวิตในระบบจดจำใบหน้าอย่างไร

ตัวอย่างในโลกแห่งความเป็นจริงบางส่วนแสดงให้เห็นถึงปัญหาต่างๆ ของการโจมตีเหล่านี้:

• ในปี 2023 พวกมิจฉาชีพใช้ภาพถ่ายที่พิมพ์ออกมาเพื่อหลบเลี่ยงพอร์ทัลสวัสดิการซึ่งไม่มีการตรวจจับความลึกเพื่อวัดการมีอยู่ของบุคคล
• ในระบบธนาคาร การโจมตีแบบรีเพลย์จะเห็นวิดีโอที่บันทึกไว้ล่วงหน้าในระหว่างกระบวนการตรวจสอบตัวตนระยะไกล 
• การโจมตีด้วยหน้ากากกำลังกลายเป็นเรื่องซับซ้อนมากขึ้น ยูโรโพลรายงานว่ามีการละเมิดพรมแดนเพิ่มมากขึ้นโดยใช้หน้ากากที่สมจริงมาก 

การตรวจจับความมีชีวิตของใบหน้าคืออะไร

การตรวจจับความมีชีวิตเป็นเทคโนโลยีที่ตรวจยืนยันว่าใบหน้าที่แสดงนั้นเป็นของบุคคลที่มีตัวตนจริง ไม่ใช่แหล่งที่มาปลอม เทคโนโลยีนี้จะแยกแยะระหว่างผู้ใช้จริงและข้อมูลปลอมโดยวิเคราะห์ลักษณะไดนามิก เช่น การเคลื่อนไหวหรือพื้นผิว

ความแตกต่างที่สำคัญระหว่างระบบการจดจำใบหน้าแบบดั้งเดิมและระบบป้องกันการปลอมแปลง

• ระบบการจดจำใบหน้าแบบดั้งเดิมทำงานกับคุณลักษณะใบหน้าและพยายามจับคู่กับเทมเพลตที่จัดเก็บไว้
• ระบบป้องกันการปลอมแปลงจะเพิ่มชั้นการยืนยันพิเศษสำหรับความมีชีวิตโดยใช้ตัวบ่งชี้ทางสรีรวิทยา เช่น การกะพริบ และเทคนิคคุณสมบัติของวัสดุ เช่น พื้นผิว

เทคนิคการตรวจจับความมีชีวิต

ระบบป้องกันการปลอมแปลงสมัยใหม่มีความแตกต่างกันในลักษณะเฉพาะที่ใช้ในการแยกแยะใบหน้าจริงจากใบหน้าปลอม:

การวิเคราะห์พื้นผิว

ในวิธีนี้ คุณสมบัติของพื้นผิวใบหน้าจะถูกตรวจสอบเพื่อหาความไม่สอดคล้องกันซึ่งแสดงให้เห็นถึงหลักฐานของความพยายามในการปลอมแปลง ตัวอย่างเช่น:

• ภาพถ่ายที่พิมพ์ออกมาส่วนใหญ่มักจะขาดพื้นผิวธรรมชาติของผิวหนังมนุษย์
• หน้าจอแบบดิจิทัลอาจแสดงภาพแบบพิกเซลหรือมีความเรียบเนียนเกินธรรมชาติ

การวิเคราะห์การเคลื่อนไหว

วิธีการเหล่านี้ใช้เพื่อรับรู้การเคลื่อนไหวที่ไม่ได้ตั้งใจ เช่น การกระพริบตาหรือการเอียงศีรษะเล็กน้อย การเคลื่อนไหวตามธรรมชาติเหล่านี้ไม่สามารถจำลองได้อย่างแม่นยำเหมือนภาพนิ่ง

การตรวจจับความลึก

ด้วยเทคโนโลยีการตรวจจับความลึก โครงสร้าง 3 มิติของใบหน้าจะถูกระบุด้วยเซ็นเซอร์อินฟราเรดหรือแสงที่มีโครงสร้าง เทคนิคนี้สามารถแยกแยะระหว่างพื้นผิวเรียบ (เช่น ภาพถ่าย) และใบหน้าจริงที่มีความลึกได้อย่างง่ายดาย

การวิเคราะห์ชั่วคราว

การวิเคราะห์ตามเวลาคือการวิเคราะห์เฟรมอนุกรมในวิดีโอเพื่อระบุความไม่สอดคล้องกันซึ่งบ่งชี้ถึงการโจมตีแบบรีเพลย์ในช่วงเวลาหนึ่ง ตัวอย่างเช่น การกระพริบหรือลูปของหน้าจออาจบ่งชี้ถึงการใช้จอแสดงผลแบบดิจิทัลระหว่างความพยายามตรวจสอบสิทธิ์

แนวทางการเรียนรู้เชิงลึก

โมเดลการเรียนรู้เชิงลึก ซึ่งสามารถฝึกได้กับชุดข้อมูลขนาดใหญ่ โดยทั่วไปจะจัดประเภทอินพุตด้วยความแม่นยำสูงว่าเป็นของจริงหรือของปลอม ตัวอย่างเช่น เครือข่ายประสาทเทียมแบบ Convolutional (CNN) จะวิเคราะห์คุณสมบัติที่ซับซ้อน เช่น พื้นผิวผิวหนังหรือพลวัตของการเคลื่อนไหว

ความท้าทายของการต่อต้านการปลอมแปลงใบหน้า

การพัฒนาของระบบป้องกันการปลอมแปลงที่แข็งแกร่งยิ่งขึ้นยังคงเผชิญกับความท้าทายหลายประการ: