Een fraudeur hoeft niet langer naar een kantoor te gaan. Hij heeft zelfs geen echt gezicht nodig.
Ze kunnen een gestolen identiteitsbewijs gebruiken, een selfie die is gehaald van sociale media, een schermopname of een door een AI gegenereerde gezichtsuitdrukking die overtuigend genoeg lijkt om een zwakke verificatie te doorstaan.
Voor banken, fintech-platforms, crypto-beurzen, marktplaatsen en elke andere onderneming die op afstand onboarding uitvoert, is dit een moeilijke vraag. Hoe zorg je ervoor dat echte klanten snel worden toegelaten terwijl nepgebruikers worden geweerd?
Die balans is moeilijker te vinden dan het lijkt. Voeg teveel wrijving toe en goede gebruikers vertrekken. Maak het proces te eenvoudig en fraude vindt een manier om door te komen.
Daarom is het detecteren van levend zijn een zo belangrijk onderdeel geworden van moderne identiteitsverificatie, niet als een kleine technische functie, maar als een van de vertrouwenslagen die bedrijven helpen bepalen wie achter het scherm zit.
Wat is live-detection?
Liveness detection is een biometrische beveiligingsmethode die controleert of een persoon fysiek aanwezig is tijdens een identiteitsverificatie. Simpel gezegd, liveness detection controleert of het gezicht dat tijdens de verificatie wordt vastgelegd, van een echte, levende persoon komt en niet van een foto, video, masker of door AI gegenereerd gezicht.
Dus bij het vergelijken van gezichten wordt één vraag beantwoord: komt de selfie overeen met de identiteitsfoto? De detectie van levendigheid beantwoordt een andere vraag: is dit nu een echt persoon voor de camera?
De detectie van levendheid in biometrie lost dit probleem op door te bevestigen dat een levend mens het biometrische monster levert op het moment van het opnemen van de gegevens. Bedrogplegers vertrouwen steeds meer op foto's, video's, deepfakes en synthetische identiteiten om remote onboarding-processen te omzeilen. Voor OKID is de detectie van levendheid geen afzonderlijke technologie. Het is een onderdeel van een bredere workflow voor identiteitsverificatie die OCR, NFC-verificatie, gezichtsvergelijking, fraudedetectie en KYC-controles kan omvatten.
Hoe werkt Liveness Detection?
De live-detectie werkt door een gezichtsopname te analyseren om te bevestigen dat het een echt persoon betreft die tijdens de verificatie sessie fysiek aanwezig is, en niet een foto, video, een masker, een screenreplay, een deepfake of andere pogingen tot namaak.
In een typische workflow voor identiteitsverificatie bestaat het proces uit verschillende onderling verbonden stappen:
1. De gebruiker start het verificatieproces
De gebruiker begint de verificatie door een identiteitsdocument in te scannen, een selfie te maken, een korte video op te nemen of een combinatie van deze stappen te voltooien. Het exacte proces hangt af van het risiconiveau, de nalevingsvereisten en de beveiligingsinstellingen van het platform.
2. Het systeem controleert of er echt een mens aanwezig is
Het systeem analyseert de gezichtsopname op zoek naar signalen die aangeven dat er een echte persoon aanwezig is. Bij passieve aanwezigheidsdetectie gebeurt dit automatisch achter de schermen, zonder dat de gebruiker een actie hoeft uit te voeren. Bij actieve aanwezigheidsdetectie kan de gebruiker worden gevraagd om te knipperen, zijn hoofd te draaien, te glimlachen of een instructie op het scherm te volgen.
3. Identiteitssignalen worden gevalideerd
De detectie van levendigheid wordt doorgaans gecombineerd met andere verificatieprocedures voor identiteit. Deze kunnen documentauthenticiteitstests, OCR-gegevensextractie, het lezen van NFC-chips voor ondersteunde identiteitsdocumenten, gezichtsvergelijking, device intelligence, sessieanalyse en fraudebestrijdingsindicatoren omvatten.
4. Identiteit en risicodata worden vergeleken
De selfie of het gezichtsopname kan vergeleken worden met de foto op het identiteitsdocument om te bevestigen dat de persoon overeenkomt met de opgegeven identiteit. Tegelijkertijd kunnen apparaat-, gedrag- en sessiesignalen worden geanalyseerd om verdachte patronen te detecteren, zoals replay-aanvallen, virtuele camera's of herhaalde mislukte pogingen.
5. Het verificatieresultaat wordt teruggegeven
Tenslotte geeft het platform een verificatiebeslissing terug. Een Detectie van levendigheid van het gezicht De verificatie bevestigt dat er een echte gebruiker aanwezig is, terwijl gezichtsvergelijking of gezichtsverificatie helpt bevestigen dat de persoon de rechtmatige eigenaar is van de identiteit die wordt gepresenteerd.
Wat is het detecteren van levendigheid bij gezichtsherkenning?
Bij gezichtsherkenning voegt het detecteren van levendigheid een extra beveiligingslaag toe voorafgaand aan of naast het vergelijken van gezichten. Het gezichtsherkenningstype vergelijkt een gezicht met een ander, terwijl het detecteren van levendigheid controleert of het ingezonden gezicht echt aanwezig is en fysiek aanwezig. Samen helpen zij bedrijven om zowel de identiteit als de aanwezigheid van echte gebruikers te verifiëren.
Waarom is het detecteren van levensvatbaarheid essentieel voor de verificatie van identiteit?
Wat is live-detectie en waarom hebben we dat nodig? Bedrijven hebben dat nodig omdat verificatie van identiteit op afstand vatbaar is voor pogingen tot namaak, zoals gedrukte foto's, herhaalde video's, deepfakes en synthetische identiteiten.
Remote onboarding heeft de acquisitie van klanten versneld, maar heeft ook nieuwe kansen voor fraude gecreëerd.
Velen jaren geleden baseerden aanvangers zich vaak op gestolen documenten of gedrukte foto's. Vandaag kunnen ze AI-gegenerateerde gezichten gebruiken, aanvallen herhalen, deepfakes en synthetische identiteiten die op het eerste gezicht legitiem lijken. Deze verschuiving verandert al het fraudele landschap. Het Deloitte Center for Financial Services voorspelt dat generatieve AI de fraudele verliezen in de Verenigde Staten tegen 2027 met $40 miljard kan verhogen, tegen $12,3 miljard in 2023.
Voor bedrijven is de uitdaging niet alleen fraudepreventie. Het gaat er ook om fraudepreventie te realiseren zonder een frustrerende onboardingervaring te creëren. Zonder effectieve liveheiddetectie kunnen organisaties te maken krijgen met:
- Falske accounts in grote hoeveelheden gecreëerd
- Groter risico op overname van een account
- Toename van handmatige controles
- Conformiteitsuitdagingen
- Lagere klantvertrouwen
De impact gaat verder dan alleen de beveiliging. Fraudage verhoogt de operationele kosten, vertraagt de onboarding en kan de conversieratio verminderen. Daarom is het detecteren van authenticiteit een prioriteit geworden voor zowel de beveiliging als het bedrijfsleven.
Welke soorten fraude kan het detectieprincipe van Liveness helpen voorkomen?
Liveness detection helpt bedrijven te detecteren presentatieaanvallen, een techniek waarbij iemand een biometrisch systeem probeert te misleiden door een valse afbeelding te presenteren, zoals een afgedrukt foto, een herhaald video- of geluidsfragment, een masker of een deepfake.
Gedrukt fotofraude
Een van de oudste aanvallen bestaat erin om een afgedrukt beeld van een andere persoon naar de camera te sturen. Hoewel het eenvoudig is, kunnen deze aanvallen nog steeds effectief zijn tegen zwakke verificatiesystemen. In 2023, Welke? Het bedrijf meldde dat zijn laboratoriumtests hadden aangetoond dat 19 van de 48 nieuwe smartphones met een gedrukte 2D-foto van de eigenaar van het toestel kunnen worden ontgrendeld. Dit resultaat verklaart waarom systemen die uitsluitend vertrouwen op basisherkenning van het gezicht moeite hebben om een echte gebruiker te onderscheiden van een platte afbeelding.
Replay Attacks
Replay-aanvallen gebruiken vooraf opgenomen video's in plaats van live interacties. Een aanvaller kan een eerder opgenomen selfie-video tonen en proberen de verificatie te voltooien zonder fysiek aanwezig te zijn.
Deepfake-imitatie
Deepfakes zijn een van de snelst groeiende bedreigingen voor digitale identiteit. Geschenen door kunstmatige intelligentie kunnen gezichten natuurlijke uitdrukkingen en bewegingen imiteren, waardoor standaard verificatiemethoden minder betrouwbaar worden. Volgens de Wereld Economisch Forum, Frauduleuze gebruikers gebruikten in het begin van 2024 AI-gecreëerde deepfakes in een videogesprek om senior managers van Arup na te bootsen. De werknemer geloofde dat het gesprek echt was en overmaakte $25 miljoen aan de criminelen.
Synthetische identiteitsfraude
Synthetische identiteiten combineren echte en gefabriceerde informatie om volledig nieuwe personages te creëren. Bedrogplegers kunnen echte gegevenspunten combineren met AI-gecreëerde gezichten om identiteiten te creëren die er legitiem uitzien.
Accountovernamefraude
De detectie van actuele aanwezigheid is ook nuttig na het aanmelden. Tijdens herinitialisatie van wachtwoorden, accountherstel of gevoelige transacties kunnen bedrijven gebruikmaken van deze verificatie om te controleren of de rechtmatige accounthouder aanwezig is.
Hoe wordt levendigheidsdetectie gebruikt in verschillende industrieën?
Elke organisatie die gebruikers op afstand verifieert, kan baat hebben bij het detecteren van levendheid, maar de toepassingsgebieden verschillen per branche:
- In bankieren en fintech:, Facial authenticatie dienst ondersteunt het openen van een account, naleving van KYC-vereisten en verificatie van transacties.
- In de crypto-wereld helpt het bij het verminderen van nepaccounts, identiteitsfraude en fraude bij het opnemen van stortingen.
- E-commerceplatforms en marktplaatsen gebruiken liveheiddetectie voor verificatie van verkopers, herstel van accounts en aankopen die onder een leeftijdsgrens vallen.
- In de reis- en horecasector ondersteunt het remote check-in, het onboarding van gasten en het beschermen van accounts.
Wat zijn de verschillende soorten levensechte detectie?
De meeste oplossingen vallen in drie categorieën: actief, passief en hybride.
Actieve levendigheidsdetectie
Actieve aanwezigheid vereist dat gebruikers handelen als verificatie. Een paar voorbeelden hiervan zijn:
- Blinking
- Lachend
- Het hoofd draaien
- Volg de instructies op het scherm
Omdat de gebruiker actief reageert, kan deze methode een sterke zekerheid bieden. Echter, het kan ook wrijving veroorzaken en het aantal mislukkingen bij echte gebruikers verhogen.
Passieve levenstijddetectie
Passieve levenstijd werkt achter de schermen zonder specifieke acties te vereisen. In plaats daarvan analyseert het systeem beeldkwaliteit, dieptepunten, gezichtskenmerken, lichtpatronen en andere indicatoren om te bepalen of de opname authentiek is. Omdat de ervaring moeiteloos aanvoelt, wordt passieve levenstijd vaak gekozen voor een snelle onboarding van grote aantallen gebruikers.
Hybrid Liveness Detection
Hybrid-levenscyclus combineert passieve analyse met actieve controles wanneer extra zekerheid nodig is. Het systeem kan bijvoorbeeld een gebruiker met een laag risico in de achtergrond verifiëren, terwijl een gebruiker met een hoger risico wordt gevraagd om een extra stap te voltooien.
Deze aanpak combineert veiligheid en gebruikerservaring en is daardoor aantrekkelijk voor gereguleerde sectoren.
OKID gebruikt een hybride benadering voor het detecteren van aanwezigheid die passieve biometrische analyses combineert met optionele actieve aanwezigheidsvragen. Dit stelt bedrijven in staat de verificatieprocedure voor de meeste gebruikers soepel te houden, terwijl ze tegelijkertijd een extra laag zekerheid bieden wanneer het risiconiveau hoger is. Volgens De documentatie van OKID, De Liveness Module ondersteunt zowel actieve als passieve liveness, evenals gezichtsvergelijking, als onderdeel van de verificatieopstelling.
Hoe kiest u de juiste vorm van levensechte detectie?
De juiste type liveheiddetectie is afhankelijk van uw risiconiveau, doelstellingen voor de gebruikerservaring en de vereisten voor compliance. De beste liveheiddetectie-software is niet eenvoudigweg die met de sterkste controle; het is de software die een balans biedt tussen fraudepreventie, conversie, compliance, toegankelijkheid en gebruikerservaring voor uw specifieke risiconiveau.
| Bedrijfsdoel | Het beste passend |
| Snellere onboarding en hogere conversie | Passieve levenstijddetectie |
| Sterkere bescherming tegen spoofing-aanvallen | Actieve levendigheidsdetectie |
| Het evenwicht tussen veiligheid en gebruikerservaring | Hybrid Liveness Detection |
| Reguleerde KYC onboarding | Hybrid of actief levensechte detectie |
| Accountherstel en gevoelige acties | Actieve of hybride detectie van levendigheid |
In het algemeen werkt passieve liveheid het beste wanneer snelheid en conversie het belangrijkst zijn. Actieve liveheid is beter geschikt voor scenario's met een hoger risico, terwijl hybride liveheid een balans biedt tussen veiligheid en bruikbaarheid.
Veel bedrijven kiezen uiteindelijk voor een risicobasisbenadering en passen verificatievereisten aan op basis van signalen over gebruikers, transacties en fraude, in plaats van erop te vertrouwen dat er voor elke situatie één methode geldt.
Waar past live-detection in een workflow voor identiteitsverificatie?
De detectie van levend zijn is een onderdeel van een bredere procedure voor identiteitsverificatie. Een typische workflow bestaat uit:
| Stap | Wat het controleert | Waarom het belangrijk is |
| Documenten vastleggen | Documentkwaliteit en -validatie | Creëert een betrouwbaar startpunt |
| OCR-extractie | Identiteitsgegevens uit het document | Verlaagt de handmatige invoer |
| NFC-verificatie | Documentvalidatie op basis van chips | Verbetering van het vertrouwen in documenten |
| Facemanualisatie | Selfie vergeleken met een identiteitsbewijsfoto | Bevestigt identiteit van eigenaar |
| Levensduurdetectie | Reële aanwezigheid van gebruikers | Verhoogt de beveiliging tegen spoofing-aanvallen |
| Fraudaanalyse | Waarschuwingssignalen gedurende de sessie | Verbetert de besluitvorming |
Het laat zien hoe moderne platforms werken. okid verificatieplatform Deze functies worden gecombineerd om bedrijven te helpen hun beveiliging, compliance en onboarding efficiënter te maken binnen één workflow. Daarom wordt Liveness-detectie veel effectiever wanneer deze wordt gecombineerd met andere technologieën voor identiteitsverificatie.
Welke uitdagingen moeten bedrijven verwachten bij het detecteren van levendheid?
Liveness detection is zeer effectief, maar bedrijven moeten de beperkingen ervan begrijpen. Deze uitdagingen verminderen de waarde van liveness detection niet. Ze benadrukken het belang van het selecteren van oplossingen die een goede balans bieden tussen veiligheid, bruikbaarheid en compliance. De beste systemen minimaliseren de hinderpalen en behouden tegelijkertijd een sterke fraudepreventie. Belangrijke uitdagingen zijn onder andere:
- Foutieve weigeringen van legitieme gebruikers
- Dålig verlichting
- Kwaliteitsproblemen bij camera's
- Problemen met toegankelijkheid
- Verhoogde wrijving bij actieve stromen
- Snel evoluerende diepefake-technieken
- Vereisten voor privacy en gegevensbescherming
Hoe evolueert het live-detectieprincipe in het tijdperk van AI-gebaseerde fraude?
Identiteitsfraude ontwikkelt zich snel en de detectie van identiteit is daarmee mee aan het evolueren. De toekomst zal minder afhankelijk zijn van afzonderlijke controles en meer op meerdere lagen intelligentie die samenwerken. Een aantal trends vormen al de markt:
- Meer ervaringen met passieve verificatie
- Adaptieve hybride flows gebaseerd op risico
- Sterker Deepfake-detectie
- Verbeterde detectie van injectie- en virtuele cameraaanvallen
- Grotere gebruikmaking van apparaat- en gedragsgegevens
- Strakkere integratie met KYC- en fraudeengines
De toekomst zal waarschijnlijk niet worden bepaald door één enkele technologie. In plaats daarvan zal succes komen door het combineren van verschillende signalen om een verificatieproces te creëren dat eenvoudig is voor legitieme gebruikers en moeilijk voor fraudeurs.
Conclusie
De detectie van aanwezigheid is een essentieel onderdeel geworden van moderne identiteitsverificatie. Terwijl deepfakes, replay-aanvallen, synthetische identiteiten en pogingen tot accountovername steeds geavanceerder worden, hebben bedrijven behoefte aan betere manieren om te bevestigen dat er tijdens onboarding en interacties met een hoog risico een echt persoon aanwezig is.
Voor bedrijven die digitale onboardingprocessen ontwikkelen, is de vraag niet langer of live-ness detection noodzakelijk is. De vraag is hoe het moet worden geïmplementeerd op een manier die de veiligheid verbetert, de naleving ondersteunt en een soepele klantbeleving bewaart.
Veelgestelde vragen
1- Waarom falen legitieme gebruikers soms bij een levenstest?
Een slechte verlichting, camerakwaliteit, internetproblemen of een verkeerd positioneren kunnen tot storingen leiden, zelfs wanneer de gebruiker echt een probleem heeft.
2- Kunnen Deepfakes moderne systemen voor het detecteren van levendigheid doorstaan?
Sommige geavanceerde deepfakes kunnen basiscontroles omzeilen. Daarom combineren organisaties vaak het detecteren van levend zijn met het matchen van gezichten, fraudeanalyse en verificatie van documenten.
3- Is het detecteren van aanwezigheid voldoende om identiteitsfraude te voorkomen?
Nee. Het bevestigt de aanwezigheid, maar het moet worden gecombineerd met verificatie van documenten, gezichtsvergelijking en hulpmiddelen voor fraudepreventie.
4- Wat is het verschil tussen Deepfake-detectie en levendheidsdetectie?
Liveness detection controleert of er mensen aanwezig zijn, terwijl deepfake detection zich richt op het identificeren van AI-gecreëerd of gemanipuleerd materiaal.
5- Kan live-statusdetectie ook gebruikt worden na het onboardingproces van klanten?
Ja. Veel organisaties gebruiken het bij het herstellen van accounts, het resetten van wachtwoorden en bij andere risicovolle acties.
6- Vereist het Liveness Detection dat bedrijven biometrische gegevens opslaan?
Niet altijd. De opslagvereisten zijn afhankelijk van de provider, wettelijke verplichtingen en privacybeleidsregels.
7- Waarom verleggen steeds meer bedrijven de focus naar passieve levensechte detectie?
Passieve authenticatie vermindert de onboarding-druk door verificatie mogelijk te maken met minimale gebruikersinteractie en tegelijkertijd een sterke beveiliging te waarborgen.
