मुख्य सामग्री पर जाएं
Didit लाइवनेस डिटेक्शन यह पुष्टि करता है कि कैमरे के सामने एक वास्तविक, जीवित व्यक्ति मौजूद है, न कि कोई प्रिंटेड फ़ोटो, स्क्रीन रीप्ले, मास्क या डीपफ़ेक। इसके लिए यह पैसिव, 3D एक्शन या फ़्लैशिंग लाइवनेस का उपयोग करता है। यह 0.1% से कम फ़ॉल्स एक्सेप्टेंस रेट (FAR) के साथ 99.9% सटीकता हासिल करता है। होस्टेड उपयोगकर्ता फ़्लो पर Academy का पाठ 8:49 पर लाइवनेस सेल्फ़ी तक पहुँचता है, जिसके बाद 9:16 पर पैसिव, 3D फ़्लैश और 3D एक्शन के तरीके आते हैं।

लाइवनेस डिटेक्शन के तरीके

हमारा प्लेटफ़ॉर्म तीन अलग-अलग एंटी-स्पूफिंग तकनीकों को लागू करता है, जिनमें से प्रत्येक अलग-अलग सुरक्षा आवश्यकताओं और उपयोगकर्ता अनुभवों के लिए तैयार की गई है:
तरीकाविवरणसुरक्षा स्तरइनके लिए सर्वोत्तम
3D Action & Flash• मल्टी-फ़ैक्टर बायोमेट्रिक सत्यापन को एक रैंडमाइज़्ड कार्रवाई अनुक्रम और डायनेमिक लाइट पैटर्न विश्लेषण के साथ जोड़ता है।
• शुरुआत में, उपयोगकर्ता को एक सरल कार्रवाई करने के लिए कहा जाता है—जैसे पलकें झपकाना या सिर हिलाना—जिससे रीयल-टाइम इंटरैक्शन सुनिश्चित होता है।
• साथ ही, सिस्टम चेहरे पर लाइट पैटर्न्स की एक श्रृंखला प्रोजेक्ट करता है और चेहरे की त्रि-आयामी (3D) संरचना की पुष्टि करने के लिए परावर्तन का विश्लेषण करता है।
• डीप लर्निंग एल्गोरिदम जीवित व्यक्ति की उपस्थिति को सत्यापित करने के लिए सूक्ष्म भावों और प्रकाश के परावर्तन पर प्रतिक्रियाओं की जाँच करते हैं।
• व्यवहार संबंधी (कार्रवाई) और भौतिक (प्रकाश-आधारित गहराई) संकेतों को एकीकृत करके उच्चतम सुरक्षा प्रदान करता है, जिससे स्थिर छवियों, वीडियो या उन्नत मास्क के साथ स्पूफिंग करना लगभग असंभव हो जाता है।
उच्चतमबैंकिंग, स्वास्थ्य सेवा, सरकारी एप्लिकेशन
3D Flash• उपयोगकर्ता इंटरैक्शन की आवश्यकता के बिना चेहरे की टोपोलॉजी को मान्य करने के लिए डायनेमिक लाइट पैटर्न विश्लेषण का उपयोग करता है।
• 30 फ्रेम प्रति सेकंड से अधिक की गति से चेहरे पर लाइट पैटर्न्स की एक श्रृंखला प्रोजेक्ट करता है और डेप्थ मैप बनाने के लिए परावर्तनों का विश्लेषण करता है।
• यह डेप्थ मैप चेहरे की त्रि-आयामी संरचना की पुष्टि करता है, जिससे इसे सपाट छवियों या 2D स्पूफ से अलग पहचाना जा सकता है।
• फ़ोटो या स्क्रीन जैसे प्रेज़ेंटेशन अटैक के विरुद्ध उच्च सुरक्षा बनाए रखते हुए एक निर्बाध अनुभव प्रदान करता है।
उच्चवित्तीय सेवाएँ, खाता एक्सेस, पहचान सत्यापन
Passive Liveness• लाइवनेस के संकेतों का पता लगाने के लिए सिंगल-फ़्रेम डीप लर्निंग विश्लेषण पर निर्भर करता है।
• आर्टिफ़ैक्ट्स, टेक्सचर पैटर्न्स और अन्य सूक्ष्म संकेतकों के लिए छवि की जाँच करता है जो वास्तविक चेहरे को स्पूफ से अलग करते हैं।
• एक कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) चेहरे की विशेषताओं को मान्य करता है और विसंगतियों की पहचान करता है, जैसे कि प्रिंटेड फ़ोटो या डिजिटल स्क्रीन से उत्पन्न होने वाली विसंगतियाँ।
• तेज़ और सुविधाजनक सत्यापन प्रदान करता है लेकिन मानक सुरक्षा देता है, जो कम जोखिम वाले उपयोग के मामलों के लिए उपयुक्त है।
मानककम घर्षण वाले परिदृश्य, उपभोक्ता एप्लिकेशन
3D फ़्लैश और 3D एक्शन और फ़्लैश की उन्नत सुरक्षा:
  • ये तरीके जटिल स्पूफिंग हमलों को विफल करने के लिए इंजीनियर किए गए हैं, जैसे कि उच्च गुणवत्ता वाले मास्क, डीपफ़ेक और वीडियो रीप्ले।
  • डायनेमिक लाइट पैटर्न्स को प्रोजेक्ट करके और उनके परावर्तन का विश्लेषण करके, वे यह पता लगाते हैं कि प्रकाश किसी सपाट या कृत्रिम सतह की तुलना में वास्तविक 3D चेहरे के साथ कैसे इंटरैक्ट करता है।
  • 3D एक्शन और फ़्लैश तरीका एक यादृच्छिक कार्रवाई (उदा. पलक झपकाना या सिर हिलाना) के साथ सुरक्षा की एक अतिरिक्त परत जोड़ता है, जिसके लिए रीयल-टाइम व्यवहार प्रतिक्रियाओं की आवश्यकता होती है जिन्हें पहले से रिकॉर्ड किया गया मीडिया या सिंथेटिक पहचान दोहरा नहीं सकते।
  • उच्च सटीकता और कम फ़ॉल्स एक्सेप्टेंस रेट देने के लिए प्रमाणित, ये तरीके उच्च-जोखिम वाले परिवेशों के लिए आदर्श हैं।
प्रत्येक तरीका हमारे प्रोप्रायटरी एल्गोरिदम के आधार पर एक सामान्यीकृत लाइवनेस स्कोर (0-100%) उत्पन्न करता है, जो रीयल-टाइम में कई सुरक्षा कारकों का मूल्यांकन करता है।

कॉन्फ़िगर करने योग्य थ्रेशोल्ड

आप लाइवनेस स्कोर के लिए अलग-अलग थ्रेशोल्ड सेट करके सुरक्षा स्तरों को कस्टमाइज़ कर सकते हैं। उदाहरण के लिए:
पैसिव और एक्टिव एंटी-स्पूफिंग के लिए Didit लाइवनेस डिटेक्शन थ्रेशोल्ड कॉन्फ़िगरेशन
इन थ्रेशोल्ड को आपकी जोखिम सहनशीलता और सुरक्षा आवश्यकताओं के आधार पर समायोजित किया जा सकता है, जो विभिन्न उपयोग के मामलों में लचीलापन प्रदान करते हैं।

पुनः प्रयास और कार्रवाई योग्य फ़ीडबैक

Didit सत्र में, किसी सुधार योग्य कारण (खराब रोशनी, चेहरा केंद्रित न होना, अवरोध, या बॉर्डरलाइन स्कोर) से विफल होने वाला लाइवनेस कैप्चर तुरंत अस्वीकृत नहीं होता है। उपयोगकर्ता को एक कॉन्फ़िगर करने योग्य संख्या तक के प्रयासों के लिए विशिष्ट मार्गदर्शन के साथ पुनः प्रयास करने के लिए कहा जाता है।
  • प्रयास बजट — face_liveness_max_attempts प्रति सत्र लाइवनेस सबमिशन की कुल संख्या को नियंत्रित करता है। डिफ़ॉल्ट 3 (एक प्रारंभिक प्रयास और दो पुनः प्रयास), प्रति वर्कफ़्लो नोड कॉन्फ़िगर करने योग्य (रेंज 1–3)।
  • पुनः प्रयास फ़ीडबैक — जब तक प्रयास शेष रहते हैं, पुनः प्रयास करने योग्य विफलता उपयोगकर्ता को लाइवनेस चरण पर बनाए रखती है और कार्रवाई योग्य feedback_codes वाली एक बॉडी लौटाती है (Web और Mobile SDK इन्हें कोचिंग संदेशों के रूप में स्वचालित रूप से प्रदर्शित करते हैं):
  • पुनः प्रयास योग्य कोड — LOW_FACE_LUMINANCE (बहुत अंधेरा), HIGH_FACE_LUMINANCE (बहुत अधिक रोशनी), NO_FACE_DETECTED, LOW_FACE_QUALITY, HIGH_FACE_OCCLUSION, LOW_LIVENESS_SCORE, MULTIPLE_FACES_DETECTED, AGE_NOT_DETECTED।
  • कैप्चर स्थितियों के लिए गारंटीकृत पुनः प्रयास — LOW_FACE_LUMINANCE, HIGH_FACE_LUMINANCE, LOW_FACE_QUALITY, HIGH_FACE_OCCLUSION और NO_FACE_DETECTED उस कमरे की स्थिति का वर्णन करते हैं जिसमें उपयोगकर्ता खड़ा है, व्यक्ति की नहीं। जब कोई प्रयास केवल इन कोडों पर विफल होता है, तो उपयोगकर्ता को हमेशा ऊपर दिए गए कोचिंग संदेश के साथ दूसरा प्रयास मिलता है, यहाँ तक कि face_liveness_max_attempts: 1 के साथ कॉन्फ़िगर किए गए वर्कफ़्लो पर भी। हर अन्य कोड अभी भी कॉन्फ़िगर किए गए बजट का ठीक से पालन करता है।
  • बजट समाप्ति और धोखाधड़ी — बजट समाप्त होने के बाद, परिकलित स्थिति लागू की जाती है (Declined या In Review)। पुष्टि किए गए प्रेज़ेंटेशन अटैक (LIVENESS_FACE_ATTACK), ब्लॉकलिस्ट हिट और डुप्लिकेट चेहरे तुरंत अस्वीकृत हो जाते हैं और उनके लिए कभी पुनः प्रयास नहीं किया जाता है।
पुनः प्रयास केवल सत्र प्रवाह पर लागू होते हैं। स्टैंडअलोन POST /v3/passive-liveness/ endpoint स्टेटलेस और सिंगल-शॉट है — यह बिना किसी पुनः प्रयास बजट के सीधे परिणाम लौटाता है।

यह कैसे काम करता है

वीडियो सेल्फ़ी कैप्चर

उपयोगकर्ता को चयनित लाइवनेस विधि के अनुरूप तैयार किए गए एक सरल, सहज इंटरफ़ेस के माध्यम से निर्देशित किया जाता है।

लाइवनेस डिटेक्शन विश्लेषण

उन्नत एल्गोरिदम स्पूफिंग प्रयासों का पता लगाने के लिए कैप्चर किए गए मीडिया को रीयल टाइम में प्रोसेस करते हैं। विश्लेषण प्रत्येक विधि के अनुसार भिन्न होता है:
  • यह पुष्टि करने के लिए उपयोगकर्ता की कार्रवाई (उदाहरण के लिए, पलक झपकाना या सिर हिलाना) को सत्यापित करता है कि इसे सही ढंग से और वास्तविक रूप से किया गया है
  • चेहरे की त्रि-आयामी संरचना को मान्य करने के लिए प्रकाश पैटर्न के प्रतिबिंबों का विश्लेषण करता है
  • माइक्रो-एक्सप्रेशन और अन्य व्यवहार संबंधी संकेतों का आकलन करने के लिए डीप लर्निंग का उपयोग करता है
  • सबसे मजबूत स्पूफ प्रतिरोध के लिए व्यवहार संबंधी + भौतिक संकेतों को जोड़ता है
  • एक विस्तृत डेप्थ मैप बनाने के लिए 30+ FPS पर प्रकाश पैटर्न के प्रतिबिंबों के अनुक्रम को प्रोसेस करता है
  • चेहरे के 3D गुणों की पुष्टि करता है, इसे सपाट या 2D स्पूफ से अलग करता है
  • किसी उपयोगकर्ता इंटरैक्शन की आवश्यकता नहीं है — उपयोगकर्ता के दृष्टिकोण से पूरी तरह से पैसिव
  • टेक्सचर पैटर्न और आर्टिफ़ैक्ट्स का पता लगाने के लिए एकल फ़्रेम पर डीप लर्निंग लागू करता है
  • एक कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) चेहरे की विशेषताओं को मान्य करता है और विसंगतियों की पहचान करता है
  • सबसे तेज़ विधि — एकल फ़ोटो कैप्चर के साथ काम करती है
मल्टी-लेयर्ड डिटेक्शन फ़ोटो, स्क्रीन, मास्क और डीपफ़ेक सहित प्रेज़ेंटेशन अटैक की पहचान करता है।

परिणाम प्रोसेसिंग और सत्यापन

सिस्टम आपके कॉन्फ़िगर किए गए थ्रेशोल्ड के विरुद्ध लाइवनेस स्कोर की तुलना करता है और तुरंत परिणाम प्रदान करता है।परिणाम API रिस्पॉन्स, webhook के माध्यम से दिए जाते हैं, या अनुपालन के लिए विस्तृत ऑडिट लॉग के साथ Business Console में देखे जा सकते हैं।
आप Business Console में प्रति वर्कफ़्लो उपयोग करने के लिए लाइवनेस विधि कॉन्फ़िगर कर सकते हैं। आपकी जोखिम आवश्यकताओं के आधार पर विभिन्न वर्कफ़्लो विभिन्न विधियों का उपयोग कर सकते हैं।
अंतिम संशोधन 7 नवंबर 2026