API de prova de vida: prevenção de deepfakes

A prova de vida da Didit confirma que há uma pessoa real e viva diante da câmera, e não uma foto impressa, uma reprodução em tela, uma máscara ou um deepfake, usando prova de vida passiva, com ação 3D ou com flash. Ela alcança 99.9% de precisão, com taxa de falsa aceitação (FAR) abaixo de 0.1%. A lição da Academy sobre o fluxo hospedado do usuário chega à selfie de prova de vida aos 8:49 e, aos 9:16, aos métodos passivo, 3D com flash e 3D com ação.

​

Métodos de prova de vida

Nossa plataforma implementa três tecnologias antispoofing distintas, cada uma adaptada a diferentes necessidades de segurança e experiências do usuário:

Método	Descrição	Nível de segurança	Ideal para
3D Action & Flash	• Combina verificação biométrica multifator com uma sequência de ações aleatória e análise dinâmica de padrões de luz. • No início, o usuário é solicitado a executar uma ação simples - como piscar ou acenar com a cabeça - garantindo interação em tempo real. • Ao mesmo tempo, o sistema projeta uma sequência de padrões de luz sobre o rosto e analisa os reflexos para confirmar a estrutura tridimensional do rosto. • Algoritmos de deep learning examinam microexpressões e as respostas aos reflexos de luz para verificar a presença de uma pessoa viva. • Oferece a máxima segurança ao integrar sinais comportamentais (ação) e físicos (profundidade por luz), o que torna quase impossível falsificá-la com imagens estáticas, vídeos ou até máscaras avançadas.	Máximo	Bancos, saúde, aplicações governamentais
3D Flash	• Usa análise dinâmica de padrões de luz para validar a topologia facial sem exigir interação do usuário. • Projeta uma série de padrões de luz sobre o rosto a mais de 30 quadros por segundo e analisa os reflexos para criar um mapa de profundidade. • Esse mapa de profundidade confirma a estrutura tridimensional do rosto e o distingue de imagens planas ou falsificações 2D. • Oferece uma experiência fluida, mantendo alta segurança contra ataques de apresentação como fotos ou telas.	Alto	Serviços financeiros, acesso a contas, verificação de identidade
Passive Liveness	• Baseia-se em análise de deep learning de um único quadro para detectar sinais de vida. • Examina a imagem em busca de artefatos, padrões de textura e outros indícios sutis que diferenciam um rosto real de uma falsificação. • Uma rede neural convolucional (CNN) valida as características faciais e identifica anomalias, como as de fotos impressas ou telas digitais. • Oferece uma verificação rápida e conveniente, mas com segurança padrão, adequada a casos de uso de baixo risco.	Padrão	Cenários de baixo atrito, aplicações para o consumidor

Cada método gera uma pontuação de prova de vida normalizada (0-100%), baseada em nosso algoritmo proprietário, que avalia vários fatores de segurança em tempo real.

​

Limites configuráveis

Você pode personalizar os níveis de segurança definindo limites diferentes para as pontuações de prova de vida. Por exemplo:

​

Novas tentativas e feedback acionável

Em uma sessão da Didit, uma captura de prova de vida que falha por um motivo corrigível (pouca luz, rosto fora do centro, obstrução, pontuação no limite) não é recusada de imediato. O usuário é convidado a tentar novamente com orientações específicas, até um número configurável de tentativas.

• Limite de tentativas - face_liveness_max_attempts controla o número total de envios de prova de vida por sessão. O padrão é 3 (uma tentativa inicial mais duas novas tentativas), configurável por nó do fluxo (intervalo de 1 a 3).
• Feedback de nova tentativa - enquanto ainda houver tentativas, uma falha que permite nova tentativa mantém o usuário na etapa de prova de vida e devolve um corpo com feedback_codes acionáveis (os SDKs Web e Mobile os exibem automaticamente como mensagens de orientação):
  {
    "detail": "Move to a brighter, evenly lit place and try again.",
    "error": "LOW_FACE_LUMINANCE",
    "feedback_codes": ["LOW_FACE_LUMINANCE"],
    "attempts_used": 1,
    "max_attempts": 3
  }
  
• Códigos que permitem nova tentativa - LOW_FACE_LUMINANCE (escuro demais), HIGH_FACE_LUMINANCE (claro demais), NO_FACE_DETECTED, LOW_FACE_QUALITY, HIGH_FACE_OCCLUSION, LOW_LIVENESS_SCORE, MULTIPLE_FACES_DETECTED, AGE_NOT_DETECTED.
• Nova tentativa garantida para condições de captura - LOW_FACE_LUMINANCE, HIGH_FACE_LUMINANCE, LOW_FACE_QUALITY, HIGH_FACE_OCCLUSION e NO_FACE_DETECTED descrevem o ambiente em que o usuário está, não a pessoa. Quando uma tentativa falha apenas por esses códigos, o usuário sempre tem uma segunda tentativa com a mensagem de orientação acima, mesmo em um fluxo configurado com face_liveness_max_attempts: 1. Todos os demais códigos continuam seguindo exatamente o limite configurado.
• Esgotamento e fraude - quando o limite se esgota, aplica-se o status calculado (Declined ou In Review). Ataques de apresentação confirmados (LIVENESS_FACE_ATTACK), ocorrências na lista de bloqueio e rostos duplicados são recusados de imediato e nunca têm nova tentativa.

​

Como funciona