Confronto facciale e liveness detection

Due controlli che rispondono a domande diverse

Confronto facciale e liveness detection vengono citati spesso insieme, e molti flussi li eseguono sullo stesso selfie. Rispondono però a domande diverse, e confonderli lascia delle lacune.

• Il confronto facciale chiede: la persona in questa acquisizione è la stessa del documento?
• La liveness detection chiede: questa acquisizione mostra una persona reale, presente in questo momento?

Un flusso con il confronto facciale ma senza liveness si può superare mostrando una buona foto del titolare del documento. Un flusso con la liveness ma senza confronto facciale conferma che c'è una persona reale, ma non che sia quella giusta. Servono entrambi quando l'obiettivo è collegare un documento all'essere umano che lo usa.

Confronto facciale

Il confronto facciale mette a confronto un'acquisizione dal vivo con la foto di un documento d'identità. Su larga scala, la precisione dipende dall'illuminazione, dalla qualità del dispositivo e dalla taratura della soglia.

Tecnicamente, un modello di confronto facciale trasforma ogni immagine del volto in una rappresentazione numerica, chiamata a volte template o embedding. Due immagini della stessa persona dovrebbero produrre rappresentazioni vicine tra loro, due persone diverse rappresentazioni distanti. Il sistema calcola un punteggio di somiglianza e lo confronta con una soglia.

L'immagine di riferimento conta. Il ritratto stampato su una carta è piccolo, spesso a bassa risoluzione, può avere motivi di sicurezza sovrapposti al volto e può risalire a diversi anni prima. Quando il documento ha un chip, il ritratto memorizzato nel chip è di solito una fonte più pulita, ed è firmato dall'emittente. È uno dei motivi per cui la lettura del chip NFC migliora sia il confronto facciale sia il controllo del documento.

I motivi più comuni per cui un utente autentico non supera il confronto sono:

• luce scarsa o irregolare, forte controluce o riflessi sul documento
• una fotocamera frontale di bassa qualità o immagini mosse
• molti anni di differenza tra la foto del documento e oggi
• occhiali, copricapi o capelli che coprono il volto in modo diverso nelle due immagini
• un ritratto del documento rovinato dall'usura o dalla plastificazione

Buone indicazioni sullo schermo durante l'acquisizione, come suggerimenti sull'inquadratura e avvisi sulla luce, risolvono molti di questi problemi prima ancora che arrivino al modello.

Liveness detection

La liveness verifica che l'acquisizione provenga da una persona reale presente in quel momento, e non da una foto, un video o una maschera (come ci provano gli aggressori).

Esistono due approcci principali.

La liveness passiva analizza il selfie o una breve acquisizione senza chiedere all'utente nulla di particolare. Cerca i segnali che distinguono un volto reale davanti a una fotocamera da una riproduzione: texture, indizi di profondità, riflessi, artefatti dello schermo, bordi di carta o di dispositivi e piccoli movimenti naturali.

La liveness attiva chiede all'utente di fare qualcosa, come girare la testa, avvicinarsi o seguire un'istruzione. Una risposta di questo tipo è più difficile da falsificare con un'immagine statica.

I controlli passivi sono più rapidi e causano meno abbandoni. Quelli attivi aggiungono un secondo livello di prova, ma richiedono più tempo e possono risultare più difficili per alcuni utenti, ad esempio persone con mobilità ridotta o con dispositivi datati. Molti flussi usano la liveness passiva come impostazione predefinita e aggiungono un passaggio attivo solo quando il rischio è più alto.

Da sola, la liveness non risolve un attacco di iniezione, in cui l'immagine viene inserita nella sessione senza una vera fotocamera. Un deepfake convincente trasmesso tramite una fotocamera virtuale può rispondere alle istruzioni. I controlli sull'integrità dell'acquisizione, che verificano se il flusso video proviene da una vera fotocamera del dispositivo, sono un livello separato da eseguire accanto alla liveness.

Trovare l'equilibrio tra i tassi

Tasso di accettazione corretta e tasso di falso rifiuto vanno bilanciati l'uno con l'altro. La soglia giusta dipende dal vostro modello di rischio e da quanto vi costa creare attriti agli utenti in buona fede.

Per ogni decisione sono possibili quattro esiti:

La soglia sposta gli errori da una colonna all'altra. Alzandola passano meno impostori e attacchi, ma vengono respinti più utenti autentici. Abbassandola il flusso diventa più scorrevole, ma passa più frode. Nessuna impostazione elimina entrambi i tipi di errore. La domanda è quale errore vi costa di più.

In un onboarding finanziario regolamentato, una falsa accettazione può significare una violazione degli obblighi di compliance e perdite dirette, quindi hanno senso una soglia più severa e una coda di revisione manuale. Per un controllo dell'età a un terminale di un parcheggio o di un negozio, un falso rifiuto significa un cliente frustrato davanti a una macchina, e l'equilibrio accettabile è diverso.

Attenzione ai dati di precisione da titolo di giornale. Un singolo numero raramente dice a quale soglia è stato misurato, su quale popolazione, con quali dispositivi o contro quali attacchi. Chiedete ai fornitori come cambiano i tassi al variare delle soglie e delle condizioni e, dove possibile, fate test sul vostro traffico reale.

Impostare le soglie nella pratica

Un processo che funziona assomiglia a questo:

1. Definite il rischio per ogni flusso. Onboarding, transazione di valore elevato e nuova verifica di un utente esistente possono richiedere ciascuno un'impostazione diversa.
2. Aggiungete una fascia di revisione. Invece di un'unica soglia, usatene due. I casi chiaramente superati e quelli chiaramente falliti vengono gestiti in automatico, quelli intermedi passano a un revisore formato.
3. Osservate i motivi di rifiuto. Se molti utenti autentici falliscono per luce o immagini mosse, la soluzione è guidare meglio l'acquisizione, non abbassare la soglia.
4. Ricontrollate dopo ogni cambiamento. Nuovi dispositivi, nuove versioni dei documenti o un nuovo mercato possono modificare i risultati.
5. Riducete al minimo i dati biometrici. Template e selfie sono dati sensibili. Decidete cosa conservate, per quanto tempo e perché. Il nostro articolo sulla privacy by design approfondisce questo tema.

L'approccio di secuveri

secuveri confronta un'acquisizione dal vivo con il ritratto del documento o con l'immagine del chip, e conferma la presenza della persona con controlli di liveness passivi o attivi. I segnali di frode coprono riproduzioni su schermo, volti sintetici e flussi video iniettati o deepfake. Scegliete voi quali controlli eseguire in ogni flusso, e i dati vengono trattati e conservati in Svizzera.