Gesichtsabgleich und Liveness-Erkennung im Vergleich

Zwei Prüfungen, zwei unterschiedliche Fragen

Gesichtsabgleich und Liveness-Erkennung werden oft in einem Atemzug genannt, und in vielen Prozessen laufen beide auf demselben Selfie. Sie beantworten jedoch unterschiedliche Fragen, und wer sie verwechselt, lässt Lücken offen.

• Der Gesichtsabgleich fragt: Ist die Person auf dieser Aufnahme dieselbe wie auf dem Dokument?
• Die Liveness-Erkennung fragt: Zeigt diese Aufnahme eine echte Person, die gerade jetzt anwesend ist?

Ein Prozess mit Gesichtsabgleich, aber ohne Liveness lässt sich mit einem guten Foto der Inhaberin oder des Inhabers überlisten. Ein Prozess mit Liveness, aber ohne Gesichtsabgleich bestätigt, dass eine echte Person da ist, aber nicht, dass es die richtige ist. Wer ein Dokument mit dem Menschen verknüpfen will, der es nutzt, braucht beides.

Gesichtsabgleich

Der Gesichtsabgleich vergleicht eine Live-Aufnahme mit dem Foto auf einem Ausweisdokument. Wie genau er bei grossen Volumen ist, hängt von Licht, Gerätequalität und der Einstellung des Schwellenwerts ab.

Technisch wandelt ein Modell für den Gesichtsabgleich jedes Gesichtsbild in eine numerische Darstellung um, auch Template oder Embedding genannt. Zwei Bilder derselben Person sollten Darstellungen ergeben, die nahe beieinanderliegen. Zwei verschiedene Personen sollten Darstellungen ergeben, die weit auseinanderliegen. Das System berechnet einen Ähnlichkeitswert und vergleicht ihn mit einem Schwellenwert.

Das Referenzbild spielt eine grosse Rolle. Ein gedrucktes Porträt auf einer Karte ist klein, oft niedrig aufgelöst, kann Sicherheitsmuster über dem Gesicht tragen und ist womöglich Jahre alt. Hat das Dokument einen Chip, ist das dort gespeicherte Porträt meist die sauberere Quelle, und es ist von der ausstellenden Behörde signiert. Das ist ein Grund, warum das Auslesen des NFC-Chips nicht nur die Dokumentenprüfung, sondern auch den Gesichtsabgleich verbessert.

Häufige Gründe, warum echte Nutzerinnen und Nutzer beim Abgleich scheitern:

• schlechtes oder ungleichmässiges Licht, starkes Gegenlicht oder Spiegelungen auf dem Dokument
• eine Frontkamera von geringer Qualität oder Bewegungsunschärfe
• ein grosser zeitlicher Abstand zwischen dem Foto auf dem Dokument und heute
• Brille, Kopfbedeckung oder Haare, die das Gesicht auf den beiden Bildern unterschiedlich verdecken
• ein Porträt auf dem Dokument, das durch Abnutzung oder Laminierung beschädigt ist

Gute Anleitungen auf dem Bildschirm, etwa Hinweise zum Bildausschnitt und Warnungen bei schlechtem Licht, beheben vieles davon, bevor es überhaupt beim Modell ankommt.

Liveness-Erkennung

Die Liveness-Erkennung prüft, ob die Aufnahme von einer echten, in diesem Moment anwesenden Person stammt und nicht von einem Foto, Video oder einer Maske (so gehen Angreifer vor).

Es gibt zwei grundlegende Ansätze.

Passive Liveness analysiert das Selfie oder eine kurze Aufnahme, ohne dass die Person etwas Besonderes tun muss. Sie sucht nach Signalen, die ein echtes Gesicht vor der Kamera von einer Reproduktion unterscheiden: Textur, Tiefeninformationen, Spiegelungen, Bildschirmartefakte, Kanten von Papier oder Geräten und kleine natürliche Bewegungen.

Aktive Liveness fordert die Person auf, etwas zu tun, etwa den Kopf zu drehen, näher heranzugehen oder einer Anweisung zu folgen. Die Reaktion lässt sich mit einem statischen Bild schwerer fälschen.

Passive Prüfungen sind schneller und führen zu weniger Abbrüchen. Aktive Prüfungen liefern eine zweite Ebene von Nachweisen, dauern aber länger und können für manche Nutzerinnen und Nutzer schwieriger sein, etwa für Menschen mit eingeschränkter Beweglichkeit oder mit älteren Geräten. Viele Prozesse setzen standardmässig auf passive Liveness und ergänzen einen aktiven Schritt nur bei höherem Risiko.

Liveness allein löst das Problem eines Injection-Angriffs nicht, bei dem das Bild ohne echte Kamera in die Sitzung eingespeist wird. Ein überzeugender Deepfake, der über eine virtuelle Kamera gestreamt wird, kann auf Anweisungen reagieren. Prüfungen der Aufnahmeintegrität, die kontrollieren, ob der Videostream von einer echten Gerätekamera stammt, sind eine eigene Ebene, die parallel zur Liveness laufen sollte.

Die Raten ausbalancieren

True-Accept- und False-Reject-Raten stehen in einem Zielkonflikt. Der richtige Schwellenwert hängt von Ihrem Risikomodell ab und davon, was Reibung bei redlichen Nutzerinnen und Nutzern kostet.

Für jeden Entscheid gibt es vier mögliche Ergebnisse:

Der Schwellenwert verschiebt Fehler von einer Spalte in die andere. Erhöhen Sie ihn, kommen weniger Betrüger oder Angriffe durch, aber mehr echte Nutzerinnen und Nutzer werden abgelehnt. Senken Sie ihn, wirkt der Prozess reibungsloser, aber mehr Betrug geht durch. Keine Einstellung beseitigt beide Fehlerarten. Die Frage ist, welcher Fehler Sie mehr kostet.

Bei einem regulierten Onboarding im Finanzbereich kann ein False Accept einen Compliance-Verstoss und direkte Verluste bedeuten. Ein strengerer Schwellenwert und eine Warteschlange für manuelle Prüfungen sind dort sinnvoll. Bei einer Alterskontrolle an einem Parking- oder Verkaufsterminal bedeutet ein False Reject eine frustrierte Kundin oder einen frustrierten Kunden vor dem Automaten, und das akzeptable Gleichgewicht sieht anders aus.

Seien Sie vorsichtig mit plakativen Genauigkeitswerten. Eine einzelne Zahl verrät selten, bei welchem Schwellenwert, mit welcher Population, mit welchen Geräten oder gegen welche Angriffe sie gemessen wurde. Fragen Sie Anbieter, wie sich die Raten über verschiedene Schwellenwerte und Bedingungen hinweg verändern, und testen Sie wenn möglich mit Ihrem eigenen Traffic.

Schwellenwerte in der Praxis festlegen

Ein praxistauglicher Ablauf sieht etwa so aus:

1. Definieren Sie das Risiko pro Prozess. Onboarding, eine Transaktion mit hohem Betrag und eine erneute Prüfung bei wiederkehrenden Nutzern brauchen womöglich je eine andere Einstellung.
2. Führen Sie einen Prüfbereich ein. Verwenden Sie statt eines Grenzwerts zwei. Klare Freigaben und klare Ablehnungen laufen automatisch, der Bereich dazwischen geht an geschulte Prüferinnen und Prüfer.
3. Beobachten Sie die Ablehnungsgründe. Scheitern viele echte Nutzerinnen und Nutzer an Licht oder Unschärfe, liegt die Lösung in besserer Anleitung bei der Aufnahme, nicht in einem tieferen Schwellenwert.
4. Prüfen Sie nach Änderungen erneut. Neue Geräte, neue Dokumentversionen oder ein neuer Markt können die Ergebnisse verschieben.
5. Halten Sie biometrische Daten auf einem Minimum. Templates und Selfies sind sensibel. Entscheiden Sie, was Sie speichern, wie lange und warum. Unser Beitrag zu Privacy by Design geht genauer darauf ein.

Wie secuveri vorgeht

secuveri vergleicht eine Live-Aufnahme mit dem Porträt auf dem Dokument oder dem Chipbild und bestätigt die Anwesenheit mit passiven oder aktiven Liveness-Prüfungen. Betrugssignale decken Bildschirmwiedergaben, synthetische Gesichter sowie eingeschleuste oder per Deepfake erzeugte Videostreams ab. Sie wählen, welche Prüfungen in jedem Prozess laufen, und die Daten werden in der Schweiz bearbeitet und gespeichert.