Обратное распознавание изображений для выявления мошенничества при проверке личности: методы и ограничения

Обнаружение мошенничества с помощью обратного распознавания изображений — это метод, используемый при проверке личности для выявления случаев подделки, манипуляции или повторного использования документов, удостоверяющих личность, или проверок на живость. Он работает путем анализа данных изображения, предоставленных во время проверки, на предмет известных мошеннических схем, включая цифровые изменения, повторные представления предыдущих заявок или использование статических изображений вместо живых снимков.

Растущая проблема мошенничества с цифровой идентификацией

Цифровая трансформация услуг принесла огромное удобство, но также подвергла предприятия сложным попыткам мошенничества. Мошенничество с идентификацией, в частности, является постоянной угрозой. Мошенники постоянно разрабатывают новые методы обхода мер безопасности, от простой манипуляции изображениями до продвинутых дипфейков. Эта эскалация гонки вооружений требует надежных и адаптивных механизмов обнаружения мошенничества, важным компонентом которых является обратное распознавание изображений.

Традиционная проверка личности, часто основанная на ручном просмотре или базовых проверках данных, с трудом справляется с этими развивающимися угрозами. В результате предприятия все чаще внедряют передовые технологические решения для обеспечения безопасности своих процессов регистрации и предотвращения финансовых потерь.

Что такое обнаружение мошенничества с помощью обратного распознавания изображений?

По своей сути, обнаружение мошенничества с помощью обратного распознавания изображений включает анализ отправленного изображения (например, документа, удостоверяющего личность, или селфи для обнаружения живости), чтобы определить, было ли оно изменено, повторно использовано или не является подлинным, живым снимком. Это отличается от простого оптического распознавания символов (OCR) или извлечения данных, поскольку оно фокусируется на целостности и подлинности самого изображения, а не только на информации, которую оно содержит.

Ключевые аспекты обратного распознавания изображений включают:

• Обнаружение дубликатов изображений: Выявление, если одно и то же изображение или очень похожее на него было отправлено несколько раз для разных учетных записей или попыток проверки. Это крайне важно для предотвращения захвата учетных записей или создания синтетических идентификаторов.
• Обнаружение манипуляций с изображениями: Выявление признаков цифровых изменений, таких как несоответствия в освещении, тенях, пиксельных паттернах или метаданных, которые предполагают, что изображение было отредактировано с использованием программного обеспечения, такого как Photoshop.
• Обнаружение повторного воспроизведения экрана: Для проверок на живость определение, если статическое изображение или видео, воспроизводимое на экране, представляется вместо живого человека. Это часто включает анализ тонких движений, отражений или отсутствия глубины.
• Базы данных известных мошеннических изображений: Сравнение отправленных изображений с базами данных известных мошеннических документов или изображений, ранее использованных в мошеннических схемах.

Методы, используемые при обнаружении мошенничества с помощью обратного распознавания изображений

Современное обнаружение мошенничества с помощью обратного распознавания изображений использует комбинацию компьютерного зрения, машинного обучения и методов криминалистического анализа.

1. Перцептивное хеширование и дактилоскопия изображений

Вместо сравнения изображений пиксель за пикселем, что неэффективно и легко обходится незначительными изменениями, перцептивное хеширование создает уникальный «отпечаток» для изображения на основе его визуального содержимого. Даже если изображение немного изменено в размере, обрезано или сжато, его перцептивный хеш останется похожим, что позволяет эффективно обнаруживать дубликаты. Это особенно полезно для идентификации повторно используемых документов, удостоверяющих личность, или изображений профиля.

2. Анализ метаданных

Цифровые изображения часто содержат скрытые метаданные (данные EXIF), которые могут раскрывать детали их происхождения, такие как модель камеры, дата и время съемки и даже используемое программное обеспечение для редактирования. Несогласованные или отсутствующие метаданные могут быть красным флагом, указывающим на потенциальную манипуляцию или на то, что изображение не было снято непосредственно с камеры устройства.

3. Цифровая криминалистика и анализ уровня ошибок (ELA)

ELA — это метод, который выделяет различия в качестве сжатия JPEG по всему изображению. Области, которые были изменены цифровым способом или вставлены в изображение, часто имеют другой уровень сжатия, чем исходный фон, что делает их заметными. Другие криминалистические методы ищут клонированные области, несогласованные шумовые паттерны или артефакты резкости.

4. Машинное обучение и глубокое обучение

Модели ИИ обучаются на обширных наборах данных как подлинных, так и мошеннических изображений. Эти модели могут научиться выявлять тонкие закономерности и аномалии, которые человеческий глаз может пропустить. Например, модели глубокого обучения могут быть обучены обнаруживать несоответствия в чертах лица, освещении или текстуре, которые указывают на дипфейк или подделанный документ. Они также очень эффективны в различении живого человека и статического изображения или воспроизведения видео во время проверок на живость.

5. Интеграция обнаружения живости

Хотя обнаружение живости отличается, оно часто работает в тандеме с обратным распознаванием изображений. Проверки на живость подтверждают, что реальный, живой человек присутствует во время процесса проверки личности. Обратное распознавание изображений затем дополняет это, гарантируя, что сама проверка на живость не была подделана с использованием фотографии, видео или 3D-маски. Этот многоуровневый подход обеспечивает более надежную защиту от сложных атак презентации.

Ограничения обнаружения мошенничества с помощью обратного распознавания изображений

Несмотря на свою сложность, обнаружение мошенничества с помощью обратного распознавания изображений не является безошибочным и имеет присущие ограничения:

• Развивающиеся методы мошенничества: Мошенники постоянно внедряют инновации. По мере того, как методы обнаружения становятся более совершенными, так и методы их обхода. Новые формы манипуляций, такие как высокореалистичные дипфейки, могут быть сложными для обнаружения без постоянных обновлений моделей.
• Ложные срабатывания: Агрессивные параметры обнаружения иногда могут помечать законные изображения как мошеннические. Это может привести к плохому пользовательскому опыту, увеличению очередей ручной проверки и потенциальной потере реальных клиентов.
• Объем и качество данных: Эффективность моделей машинного обучения сильно зависит от количества и качества обучающих данных. Отсутствие разнообразных и репрезентативных наборов данных мошеннических изображений может ограничить способность модели к обобщению и обнаружению новых атак.
• Вычислительные затраты: Расширенный анализ изображений, особенно с использованием глубокого обучения, может быть вычислительно интенсивным, что потенциально влияет на скорость и стоимость проверки.
• Проблемы конфиденциальности: Хранение и сравнение изображений, особенно биометрических данных, вызывает серьезные опасения по поводу конфиденциальности. Надежное управление данными и соблюдение таких правил, как GDPR, являются обязательными.
• Методы обфускации: Мошенники могут использовать различные методы для сокрытия своих попыток, такие как повторная съемка измененного изображения физической камерой (фотография фотографии) для удаления цифровых метаданных или использование сложных изображений, сгенерированных GAN, которые труднее отличить от реальных.

Ключевые выводы

• Обнаружение мошенничества с помощью обратного распознавания изображений выявляет подделанные или повторно используемые изображения для проверки личности.
• Он использует такие методы, как перцептивное хеширование, анализ метаданных, цифровая криминалистика и машинное обучение.
• Крайне важно для предотвращения дублирования заявок, изменений изображений и атак с повторным воспроизведением экрана.
• Ограничения включают развивающиеся методы мошенничества, возможность ложных срабатываний и вычислительные затраты.
• Лучше всего использовать как часть многоуровневой стратегии предотвращения мошенничества, включая обнаружение живости.

Часто задаваемые вопросы

Какова основная цель обратного распознавания изображений при проверке личности?

Основная цель — обеспечить подлинность и целостность представленных документов, удостоверяющих личность, и проверок на живость путем обнаружения цифровых манипуляций, повторного использования или попыток спуфинга.

Чем обратное распознавание изображений отличается от обнаружения живости?

Обнаружение живости подтверждает, что реальный, живой человек присутствует во время проверки. Обратное распознавание изображений, хотя часто интегрированное, фокусируется на обнаружении того, было ли само изображение или видео (будь то для документа или для проверки на живость) изменено или является повторным представлением неживого источника.

Может ли обратное распознавание изображений обнаруживать дипфейки?

Продвинутые методы обратного распознавания изображений, особенно те, которые используют глубокое обучение, все чаще способны обнаруживать дипфейки, но это остается сложной и развивающейся областью, поскольку технология дипфейков также совершенствуется.

Является ли обратное распознавание изображений автономным решением для предотвращения мошенничества?

Нет, обратное распознавание изображений наиболее эффективно в сочетании с другими механизмами обнаружения мошенничества, такими как обнаружение живости, проверки подлинности документов и проверка данных, для создания комплексной стратегии предотвращения мошенничества.

Какие виды бизнеса получают наибольшую выгоду от обратного распознавания изображений?

Предприятия, которые обрабатывают большие объемы онлайн-проверки личности, такие как финансовые учреждения, финтех-компании, онлайн-рынки и криптовалютные биржи, значительно выигрывают от обратного распознавания изображений для снижения рисков мошенничества во время регистрации и транзакций.

Didit предоставляет инфраструктуру для идентификации и борьбы с мошенничеством, позволяя предприятиям интегрировать полный набор модулей проверки и обнаружения мошенничества, включая расширенные возможности обратного распознавания изображений, через единый API. Наш открытый рынок модулей позволяет создавать гибкие и масштабируемые решения, адаптированные к конкретным профилям рисков. Мы предлагаем публичные цены с оплатой по мере использования без минимальных требований, и вы можете начать с 500 бесплатных проверок каждый месяц. Полная проверка личности от Didit стоит всего 0,30 доллара.

Начните работу с Didit

Didit — это инфраструктура для идентификации и борьбы с мошенничеством — один API, публичные цены с оплатой по мере использования и 500 бесплатных проверок каждый месяц. Добавьте проверку пользователя в свой рабочий процесс и интегрируйте ее за 5 минут.

• Проверка пользователя — узнайте, как это работает и сколько стоит.
• Прочитайте документацию — справочник по API и руководство по интеграции.
• Начните бесплатно — 500 проверок каждый месяц, кредитная карта не требуется.