信息認證無處不在
無論是在購物支付時，還是在社交軟件注冊時，或是在線上辦理金融手續時，用戶都繞不開身份信息認證。整個過程僅耗時短暫數秒，實際上完成了三大信息的判斷，即當前用戶是否是本人操作，用戶是否是活人操作，用戶是否為真人操作，以確保用戶的信息財產安全。
“活體識別”通過算法技術學習人類臉部的特征，有效核實用戶身份，防止身份冒用、欺詐、虛擬機器人等風險。
“活體識別”一直是信息認證的重點和難點。無法準確識別攝像頭前的人臉圖像，是來自人體，還是來自照片、屏幕翻拍、人工智能換臉、3D面具或三維模型？憑借“深度偽造”“高仿面具”等技術與物理方式，不法分子得以入侵人臉解鎖，攻破金融、安防、門禁等領域的事故接踵而至。
為此，易盾也修煉了許多又智慧又可靠的“活體識別”技能?；铙w識別的主要目的在于確認人臉識別系統所采集的人臉圖像是來自真人，還是偽造的圖像，從而讓用戶更加安全地完成身份驗證。此次，我們精選了“活體識別”的幾大改善點，帶大家全方位探索更安全的身份驗證可能。
效果改善如何體現？
易盾對“活體識別”解決方案進行了“人臉比對”“交互式活體”“靜默活體”三大核心能力的打造，旨在提供高效、高攔截率、高通過率和高安全性的智能化人臉核驗方案，以確保用戶是“本人”“活人”與“真人”。
通過上述三大核心能力，易盾“活體識別”解決方案將活體攻擊攔截率提升至 99% 以上，實人通過率超 99.9%，有效攔截“非本人”、翻拍電腦、手機、紙質人臉以及合成等圖片人臉偽造攻擊手段，安全等級更高。
01 層層遞進全面攔截典型攻擊
市面上活體識別的產品很多，但大部分已有的產品只考慮了“是否為同一個人”、“動作是否合格”以及“是否為真人”三個方面中的一兩個點，并且單模塊的識別效果受光照等環境因素及用戶使用方式影響較大。
易盾的“活體識別”能力從三個方面攔截非法用戶，且每個模塊都進行了全面升級，大大強化了識別安全性，同時整體使用體驗更為流暢。在大數據風控下，易盾“活體識別”充分融合數據淺層多樣性，提升低質量、遮擋、多模態活體、電子設備風險以及環境風險下的身份核驗。
此外，方案結合人臉比對、交互式活體、靜默活體等子功能以增強人臉核驗能力，在環境、姿態風險下的“活體識別”能力以及屏幕翻拍、活化攻擊等場景下的攔截能力具有明顯提升。
02 見多識廣豐富特征訓練
靜默活體是整體方案中攔截“假人”的主要模塊，也是活體識別中研究較為活躍的領域，當前業界主要的靜默活體歸納如下：
可見，業界不同的靜默活體方案能攔截的攻擊類型比較有限，很少有一個方案可以覆蓋層出不窮的攻擊類型，而易盾“活體識別”解決方案的一個亮點是全面升級了靜默活體，使得其攔截覆蓋面更加廣泛。
易盾“活體識別”解決方案的升級靈感來源于生活：人類因為見過成千上萬的真實人臉數據，因此對于真實人臉構成、細節都非常熟悉，同時也了解現實中不可能存在的人臉情況，如臉缺了一角等。因此，當看到一張和過去認知中的真實人臉有差異的人臉圖時，方案可以快速且準確地判斷出來。
基于此，易盾 AI 實驗室采用非平衡真實人臉和攻擊人臉數據進行自監督訓練，模擬人類對真實人臉的特征學習過程。當輸入偽造人臉時，模型可以一眼識別出來。
03 辨別真假錯誤率低于百分之一
真人通過率的差異會影響正常用戶的體驗，易盾新版靜默活體的真人通過率達到 99.995%。假設有 10 萬個真人調用靜默活體，我們會誤攔截 5 人次，而競品 1 會誤攔截 420 人次，競品 2 會誤攔截 2760 人次。
假人攔截率的差異主要影響對黑產數據的識別能力，易盾新版靜默活體的假人攔截率達到 99.25%。假設有 1 萬個假人調用靜默活體，我們會漏過 75 人次，而競品 1 會漏過 522 人次，競品 2 會漏過 433 人次。
04 舉一反三適應新鮮的人臉樣本
泛化能力是智能化的重要衡量標準之一。所謂泛化性，即在遇到新樣本之時，機器模型能快速做出正確判別的能力。為此，易盾 AI 實驗室抓牢訓練，讓機器模型牢牢捕捉數據特征，不遺漏一些關鍵信息。真人臉部判別任務中，模型不能只考慮面部特征，不考慮眨眼、張嘴、轉臉等動作連貫性。
得益于豐富數據與嚴謹的模型訓練，全新解決方案的優勢在于不僅對已知的攻擊類型有很好的攔截能力，且盡可能覆蓋到更多未知攻擊類型，因為算法模型本質上能記住且熟悉真實人臉應該是什么樣，基本解決模型泛化性能的問題。
從用戶角度出發的研發過程
活體識別最終要服務于用戶，故而整個研發的過程更多是從用戶角度出發，發現現有產品中的薄弱環節并對其進行改造升級。舊版活體識別服務整體上對真人通過率和假人攔截率都較低，且每個模塊非常耗時。在本次升級中，交互式活體、靜默活體以及人臉比對模塊依次得到優化。
以交互式活體為例，舊版的實現依賴可靠的正臉圖像，因為人臉的每種動作都是以正臉為基準的一個相對判定，但在實際應用中我們發現舊方案是有明顯缺陷，主要表現為：
解析 方案問題 1
有些用戶在打開 APP 進行活體檢測時，很快就開始做動作，或者在打開 APP 時光照過強或過弱，導致獲取不到一個可靠的正臉圖像，影響后續動作的判斷，最終導致真人通過率偏低；
解析 方案問題 2
動作幅度過大、環境光照不均，容易導致人臉關鍵點識別出錯，而關鍵點又是動作判斷的重要依據，如眨眼、張嘴、轉臉等，從而無法準確判斷出人臉行為；
解析 方案問題 3
基于人臉關鍵點識、歐拉姿態估計、正臉相對估計與 3D 人臉二次識別的方案，其每個環節都存在強依賴性，不僅導致活體識別能力脆弱，而且維護性較差。
上述方案中的缺陷，依然廣泛存在于市面上的很多活體檢測產品中。為此，易盾推出的全新解決方案，摒棄了效果不穩定的“關鍵點識別”和“人臉姿態估計”，簡化了環環相扣的鏈路，在效果上也取得了非常明顯的提升。
AI 實驗室如何讓活體識別更好用？
對于正常用戶而言，提高真人通過率非常重要，否則將嚴重影響正常用戶體驗；而對于黑產用戶而言，提高正確攔截率非常重要，否則將對正常用戶造成損失。
易盾“活體識別”解決方案融合客戶端 SDK 與云端二次檢測實現人臉核驗，保證了在光照、模糊等環境下的真人通過率，同時增強了對屏幕、紙質以及 PS 等攻擊人臉的攔截能力，如圖 1 所示。
客戶端 SDK 使用輕量級交互式活體進行初步攔截并采集圖片， 云端以“人臉比對”“交互式活體”與“靜默活體”相結合的三大核心能力為主，識別各類黑產攻擊數據。
客戶端和云端分別采用不同加速框架部署深度學習模型，結合數值加速和模型剪枝，極大提高了整個活體服務的性能和用戶體驗。
在舊版活體中，易盾 AI 實驗室發現用戶動作幅度過大容易導致識別失敗，這其中除了有關鍵點識別不穩定導致動作識別出錯外，還有一部分原因在于人臉比對。
人臉比對一般應用在非動作照場景，即不做動作的正臉。因此，當人臉比對和交互式活體一起使用時，方案需要解決動作照和非動作照之間匹配得分過低的問題，如張嘴人臉和正常人臉的匹配。
針對這個問題，易盾通過優化人臉特征提取，讓原特征提取網絡適配動作照，有效降低了因動作幅度過大導致的真人不通過率。整體人臉比對的流程如下圖所示：
易盾“活體識別”解決方案
易盾“活體識別”解決方案包含“客戶端”和“云端”兩大部分。用戶打開客戶端活體 APP，并根據提示調整距離，完成對應的動作。客戶端 APP 會初步攔截非法動作，而合法用戶的正臉照與動作照會進入云端進行二次識別。
云端檢測包含“人臉比對”“交互式活體”“靜默活體”三大核心部分，確保用戶核驗達到“本人、活人、真人”的效果，整體使用邏輯圖如下：
活體識別推陳出新
市面上的“活體識別”解決方案對環境和用戶使用方式依賴較強，從而導致識別效果不穩定，用戶體驗較差，同時在面對越來越多樣的黑產攻擊時，往往覆蓋范圍非常有限，從而被黑產輕易攻擊成功。
整體上，易盾“活體識別”解決方案通過端云結合及三大核心能力構建了完善的人臉核驗方案，在保證對黑產用戶高攔截率的同時，保持對正常用戶的高通過率，大大提高了用戶體驗。
其中，易盾交互式活體的優勢在于對環境光照、用戶使用方式等依賴較少，讓識別效果更穩定，活人通過率更高。易盾靜默活體的優勢在于對已知攻擊數據具備很好的攔截能力，并能很好覆蓋未知的攻擊類型。
