Comparaison faciale ou détection du vivant

Deux contrôles qui répondent à des questions différentes

La comparaison faciale et la détection du vivant sont souvent citées ensemble, et de nombreux parcours les exécutent à partir du même selfie. Elles répondent pourtant à des questions différentes, et les confondre crée des failles.

• La comparaison faciale pose la question : la personne sur cette capture est-elle la même que celle du document ?
• La détection du vivant pose la question : cette capture montre-t-elle une personne réelle, présente en ce moment ?

Un parcours avec comparaison faciale mais sans détection du vivant peut être déjoué en présentant une bonne photo du titulaire du document. Un parcours avec détection du vivant mais sans comparaison faciale confirme qu'une personne réelle est là, mais pas qu'il s'agit de la bonne. Les deux sont nécessaires lorsque l'objectif est de rattacher un document à la personne qui l'utilise.

Comparaison faciale

La comparaison faciale confronte une capture en direct à la photo d'une pièce d'identité. À grande échelle, sa précision dépend de l'éclairage, de la qualité de l'appareil et du réglage du seuil.

Concrètement, un modèle de comparaison faciale transforme chaque image de visage en une représentation numérique, parfois appelée gabarit ou embedding. Deux images de la même personne doivent produire des représentations proches. Deux personnes différentes doivent produire des représentations éloignées. Le système calcule un score de similarité et le compare à un seuil.

L'image de référence compte. Un portrait imprimé sur une carte est petit, souvent de faible résolution, parfois traversé de motifs de sécurité et parfois vieux de plusieurs années. Lorsque le document comporte une puce, le portrait qu'elle contient est en général une source plus nette, et il est signé par l'émetteur. C'est l'une des raisons pour lesquelles la lecture de la puce NFC améliore la comparaison faciale autant que le contrôle des documents.

Un utilisateur légitime échoue souvent à la comparaison pour l'une de ces raisons :

• un éclairage faible ou inégal, un fort contre-jour ou des reflets sur le document
• une caméra frontale de mauvaise qualité ou un flou de bougé
• un grand écart d'âge entre la photo du document et aujourd'hui
• des lunettes, un couvre-chef ou des cheveux qui masquent le visage différemment sur chaque image
• un portrait de document abîmé par l'usure ou le plastifiage

Un bon guidage à l'écran, comme des repères de cadrage et des alertes sur l'éclairage, corrige une grande partie de ces problèmes avant qu'ils n'atteignent le modèle.

Détection du vivant

La détection du vivant contrôle que la capture provient d'une personne réelle, présente à ce moment-là, et non d'une photo, d'une vidéo ou d'un masque (les méthodes des attaquants).

Il existe deux grandes approches.

La détection passive analyse le selfie ou une courte capture sans rien demander de particulier à l'utilisateur. Elle cherche les signaux qui distinguent un vrai visage devant une caméra d'une reproduction : texture, indices de profondeur, reflets, artefacts d'écran, bords de papier ou d'appareil, et petits mouvements naturels.

La détection active demande à l'utilisateur de faire quelque chose, comme tourner la tête, se rapprocher ou suivre une consigne. Cette réponse est plus difficile à simuler avec une image statique.

Les contrôles passifs sont plus rapides et entraînent moins d'abandons. Les contrôles actifs ajoutent une seconde couche de preuve, mais prennent plus de temps et peuvent être plus difficiles pour certains utilisateurs, notamment les personnes à mobilité réduite ou celles qui utilisent des appareils anciens. De nombreux parcours utilisent la détection passive par défaut et n'ajoutent une étape active que lorsque le risque est plus élevé.

La détection du vivant ne règle pas à elle seule le problème des attaques par injection, dans lesquelles l'image est introduite dans la session sans passer par une vraie caméra. Un deepfake convaincant diffusé par une caméra virtuelle peut répondre aux consignes. Les contrôles d'intégrité de la capture, qui vérifient que le flux provient bien de la caméra physique de l'appareil, forment une couche distincte qui doit fonctionner en parallèle de la détection du vivant.

Trouver le bon équilibre

Les taux d'acceptation correcte et de faux rejet relèvent d'un arbitrage. Le bon seuil dépend de votre modèle de risque et du coût de la friction pour les utilisateurs légitimes.

Toute décision peut aboutir à quatre issues :

Le seuil déplace les erreurs d'une colonne à l'autre. Relevez-le, et moins d'imposteurs ou d'attaques passent, mais davantage d'utilisateurs légitimes sont rejetés. Abaissez-le, et le parcours paraît plus fluide, mais davantage de fraudes passent. Aucun réglage ne supprime les deux types d'erreur. La vraie question est de savoir laquelle vous coûte le plus.

Pour un onboarding financier réglementé, une fausse acceptation peut signifier une violation des règles de conformité et des pertes directes : un seuil plus strict et une file d'examen manuel se justifient. Pour un contrôle de l'âge sur une borne de parking ou en magasin, un faux rejet laisse un client frustré devant une machine, et l'équilibre acceptable est différent.

Méfiez-vous des chiffres de précision mis en avant. Un chiffre isolé indique rarement à quel seuil il a été mesuré, sur quelle population, avec quels appareils ou face à quelles attaques. Demandez aux fournisseurs comment les taux évoluent selon les seuils et les conditions, et testez sur votre propre trafic lorsque c'est possible.

Fixer les seuils en pratique

Une démarche réaliste ressemble à ceci :

1. Définissez le risque de chaque parcours. L'onboarding, une transaction de montant élevé et un utilisateur existant qui se vérifie à nouveau peuvent chacun exiger un réglage différent.
2. Ajoutez une zone d'examen. Au lieu d'un seul seuil, utilisez-en deux. Les réussites nettes et les échecs nets sont traités automatiquement, et la zone intermédiaire est confiée à un analyste formé.
3. Suivez les motifs de rejet. Si de nombreux utilisateurs légitimes échouent à cause de l'éclairage ou du flou, la solution est d'améliorer le guidage de la capture, pas d'abaisser le seuil.
4. Contrôlez à nouveau après chaque changement. De nouveaux appareils, de nouvelles versions de documents ou un nouveau marché peuvent modifier les résultats.
5. Réduisez au minimum les données biométriques. Les gabarits et les selfies sont des données sensibles. Décidez ce que vous conservez, pendant combien de temps et pourquoi. Notre article sur la protection des données dès la conception aborde ce point plus en détail.

L'approche de secuveri

secuveri compare une capture en direct au portrait du document ou à l'image de la puce, et confirme la présence de la personne par une détection du vivant passive ou active. Les signaux de fraude couvrent les rediffusions d'écran, les visages synthétiques et les flux injectés ou deepfakes. Vous choisissez les contrôles exécutés dans chaque parcours, et les données sont traitées et stockées en Suisse.