تشخیص جعلی بودن تصویر چهره با استفاده از فناوری‌هایی مانند Liveness Detection و الگوریتمهای هوش مصنوعی انجام میشود.این فناوری‌ها بررسی میکنند که تصویر ارسال‌شده مربوط به یک فرد واقعی است یا فردی برای فریب سیستم تشخیص چهره از تصویر، ویدئو، ماسک یا محتوای دیجیتال جعلی استفاده می‌کند.
احراز هویت بیومتریک با استفاده از ویژگی‌های منحصربه‌فرد هر فرد مانند چهره، اثر انگشت، عنبیه و صدا انجام میشود. با این حال، برای جلوگیری از سوءاستفاده و جعل هویت، سیستمهای بیومتریک باید علاوه بر تشخیص هویت، توانایی تشخیص واقعی بودن نمونه ارائه‌شده را نیز داشته باشند.
با افزایش استفاده از تصاویر دیجیتال، ویدئوها و فناوری‌های تولید محتوای مصنوعی، روشهای جعل هویت نیز پیشرفته‌تر شده‌اند. به همین دلیل، سیستمهای تشخیص چهره برای جلوگیری از تقلب باید علاوه بر تطبیق چهره، از فناوری‌های ضدجعل (Anti-Spoofing) و تشخیص زنده بودن تصویر (Liveness Detection) استفاده کنند تا بتوانند تفاوت بین یک چهره واقعی و نمونه‌های جعلی مانند عکس، ویدئو، ماسک سه‌بعدی یا تصاویر تولیدشده با هوش مصنوعی را تشخیص دهند.
Liveness Detection چیست و چگونه از جعل هویت در تشخیص چهره جلوگیری می‌کند؟
تشخیص زنده بودن تصویر (Liveness Detection) فناوری‌ای است که مشخص می‌کند نمونه بیومتریک ارائه‌شده توسط کاربر واقعی است یا یک نمونه جعلی. در سیستمهای تشخیص چهره، این فناوری بررسی می‌کند که آیا یک فرد واقعی مقابل دوربین حضور دارد یا فردی برای فریب سیستم از عکس، ویدئو، ماسک سه‌بعدی یا تصاویر ساخته‌شده توسط هوش مصنوعی استفاده می‌کند.
روشهای Liveness Detection معمولاً به دو دسته اصلی تقسیم می‌شوند: روشهای تعاملی و روشهای غیرتعاملی. در روشهای تعاملی، کاربر یک فعالیت مشخص را انجام می‌دهد. در روشهای غیرتعاملی، سیستم با تحلیل ویژگی‌های تصویر، واقعی یا جعلی بودن چهره را تشخیص می‌دهد.
- روش تعاملی (Active Liveness Detection) در روش تعاملی، سیستم از کاربر درخواست انجام یک فعالیت مشخص می‌کند تا بتواند زنده بودن چهره را بررسی کند. این فعالیت‌ها میتوانند شامل حرکت دادن سر، پلک زدن، تغییر حالت چهره، لبخند زدن یا تکرار یک عبارت مشخص باشند. سیستم با تحلیل واکنش کاربر بررسی می‌کند که آیا یک فرد واقعی مقابل دوربین حضور دارد یا یک تصویر یا ویدئو برای فریب آن استفاده شده است.
- روش غیرتعاملی (Passive Liveness Detection) در روش غیرتعاملی، کاربر نیازی به انجام دستور خاصی ندارد و سیستم به صورت خودکار ویژگی‌های تصویر و ویدئو را تحلیل می‌کند. الگوریتمهای هوش مصنوعی، عمق تصویر، بافت پوست، نورپردازی، حرکات طبیعی صورت و الگوهای تصویری را بررسی میکنند تا نمونه‌های جعلی مانند عکس، ویدئو یا ماسک سه‌بعدی را شناسایی کنند.
انتخاب روش مناسب تشخیص زنده بودن تصویر به نوع کاربرد و سطح امنیت مورد نیاز بستگی دارد. در برخی سیستمها می‌توان از ترکیب روشهای تعاملی و غیرتعاملی برای افزایش دقت و کاهش احتمال تقلب استفاده کرد.
نمونه ای از تشخیص چهره و زنده بودن تصویر
تشخیص چهره یکی از پرکاربردترین روشهای احراز هویت بیومتریک است که امروزه در تلفن‌های همراه، بانکداری دیجیتال، سامانه‌های سازمانی و خدمات آنلاین استفاده میشود. با این حال، تطبیق ساده چهره به تنهایی برای جلوگیری از جعل هویت کافی نیست. مهاجمان میتوانند از عکس، ویدئو، تصاویر تولیدشده با هوش مصنوعی یا تکنیک‌های Face Swap برای فریب سیستم استفاده کنند.
به همین دلیل، سیستمهای مدرن تشخیص چهره از فناوری Liveness Detection در کنار الگوریتم تشخیص چهره استفاده میکنند. این ترکیب بررسی می‌کند که چهره مقابل دوربین متعلق به یک فرد واقعی است یا یک نمونه جعلی.
برای جلوگیری از جعل هویت، سیستمهای تشخیص چهره باید بتوانند بین یک چهره واقعی و نمونه‌های جعلی تمایز ایجاد کنند. فناوری تشخیص زنده بودن تصویر (Liveness Detection) ویژگی‌های تصویری و رفتاری را تحلیل می‌کند. این فناوری بررسی می‌کند که آیا کاربر واقعی مقابل دوربین حضور دارد یا فرد از نمونه‌های تقلبی مانند عکس، ویدئو، ماسک سه‌بعدی و محتوای هوش مصنوعی استفاده می‌کند. در واقع Liveness Detection یکی از مهم‌ترین فناوری‌های مقابله با حملات Presentation Attack در سیستمهای بیومتریک محسوب میشود.
کلاهبرداران چگونه سیستم تشخیص چهره را با تصاویر جعلی فریب می‌دهند؟
حملات جعل در سیستمهای تشخیص چهره معمولاً با هدف فریب الگوریتم و عبور غیرمجاز از فرآیند احراز هویت انجام می‌شوند. این حملات میتوانند از روشهای ساده مانند استفاده از عکس و ویدئو شروع شوند و تا روشهای پیشرفته مانند ماسک‌های سه‌بعدی، Face Swap و تصاویر تولیدشده با هوش مصنوعی (Deepfake) ادامه پیدا کنند.
- حملات دوبعدی (2D Presentation Attack) در حملات دوبعدی، مهاجم از یک نمونه تصویری تخت برای فریب سیستم استفاده می‌کند. نمونه‌های رایج این حملات شامل عکس چاپی، نمایش تصویر روی صفحه موبایل، ویدئوهای از پیش ضبط‌شده و تصاویر دیجیتال دستکاریشده هستند. این روش‌ها به دلیل سادگی، یکی از رایج‌ترین انواع حملات علیه سیستمهای تشخیص چهره محسوب می‌شوند.
- حملات سه‌بعدی (3D Presentation Attack) در حملات سه‌بعدی، مهاجم از نمونههایی مانند ماسک‌های سه‌بعدی یا مدل‌های مصنوعی چهره برای شبیه‌سازی فرد واقعی استفاده می‌کند. این حملات نسبت به روشهای دوبعدی پیچیده‌تر هستند. سیستمهای امنیتی برای مقابله با آن‌ها از تحلیل عمق تصویر، سنسورهای سه‌بعدی و الگوریتمهای پیشرفته هوش مصنوعی استفاده میکنند.
تکنیک‌های پیشرفته Liveness Detection برای جلوگیری از جعل چهره
روش های مختلفی برای تشخیص تقلب مورد استفاده قرار می‌گیرند. در ادامه به برخی از این روش ها می‌پردازیم.
- تحلیل پلک زدن و حرکات طبیعی صورت
یکی از روشهای اولیه تشخیص زنده بودن تصویر، بررسی حرکات طبیعی صورت مانند پلک زدن، حرکت چشم و تغییرات جزئی چهره است. سیستم با تحلیل فریمهای متوالی بررسی می‌کند که آیا حرکات مشاهده‌شده مربوط به یک فرد واقعی است یا یک تصویر ثابت و نمونه جعلی. - هوش مصنوعی و یادگیری عمیق
الگوریتمهای یادگیری عمیق یکی از مهم‌ترین فناوری‌ها برای تشخیص تصاویر جعلی در سیستمهای تشخیص چهره هستند.در این روش، الگوریتمهای یادگیری عمیق با استفاده از حجم زیادی از تصاویر واقعی و جعلی آموزش می‌بینند تا الگوهایی را شناسایی کنند که برای انسان قابل مشاهده نیست. - روش چالش و پاسخ در روش چالش و پاسخ، سیستم از کاربر درخواست انجام یک فعالیت مشخص می‌کند تا بتواند زنده بودن چهره را بررسی کند. این فعالیت‌ها شامل حرکت دادن سر، دنبال کردن یک نقطه با چشم، پلک زدن یا تکرار یک عبارت مشخص می‌شوند.
- سنجش عمق با دوربین سه‌بعدی دوربین‌های سه‌بعدی با اندازه‌گیری عمق و ساخت نقشه سه‌بعدی از چهره، یکی از روشهای مؤثر برای مقابله با حملات جعل در سیستمهای تشخیص چهره هستند. این فناوری میتواند تفاوت بین یک چهره واقعی و یک تصویر دوبعدی مانند عکس چاپی یا تصویر نمایش داده‌شده روی صفحه را تشخیص دهد.
جمع‌بندی
تشخیص جعلی بودن تصویر چهره یکی از مهم‌ترین مراحل برای افزایش امنیت سیستمهای احراز هویت بیومتریک است. فناوری‌هایی مانند Liveness Detection، هوش مصنوعی، تحلیل عمق تصویر و الگوریتمهای Anti-Spoofing به سیستم کمک میکنند تا فرد واقعی را از نمونه‌های جعلی مانند عکس، ویدئو یا ماسک سه‌بعدی تشخیص دهد.
با افزایش روشهای جعل هویت دیجیتال، نرم افزار تشخیص چهره مجهز به Liveness Detection میتواند تقلب را کاهش دهد و امنیت خدمات آنلاین، بانکی و سازمانی را افزایش دهد.
سوالات متداول
برای شناسایی این نوع جعلها، سیستمهای پیشرفته تشخیص چهره از یادگیری عمیق و الگوریتمهای Anti-Spoofing استفاده میکنند. این سیستمها فریمهای ویدئو، حرکات طبیعی صورت و ناهماهنگیهای تصویری را نیز تحلیل میکنند.
تشخیص چهره وظیفه شناسایی یا تطبیق هویت یک فرد را بر اساس ویژگی‌های چهره بر عهده دارد. اما تشخیص زنده بودن تصویر (Liveness Detection) بررسی می‌کند که نمونه ارائه‌شده متعلق به یک فرد واقعی است یا یک نمونه جعلی مانند عکس، ویدئو یا ماسک.
بله. سیستمهای پیشرفته تشخیص چهره با فناوری Liveness Detection میتوانند چهره واقعی را از نمونههایی مانند عکس، ویدئو و تصاویر دستکاریشده تشخیص دهند.
سیستمهای قدیمی ممکن است در برابر برخی عکسها آسیبپذیر باشند. سیستمهای مدرن با روشهای ضدجعل و تشخیص زنده بودن تصویر، این حملات را شناسایی میکنند.
