年龄估算 API：自拍照年龄验证

Didit 年龄估算可通过自拍照预测个人年龄，并包含被动活体检测，因此您无需向每位用户索取身份证件即可对受年龄限制的服务实施准入控制。该模型在年龄准入决策的关键年龄段最为精确：对于 16 至 17 岁人群，其平均绝对误差为 1.1 岁；对于 18 至 20 岁人群，其平均绝对误差为 1.9 岁；并能将 96% 的自拍照正确归类为未满 18 岁或已满 18 岁（请参阅模型性能）。

​

年龄估算方法

我们的平台结合不同的活体验证技术来实现年龄估算：

方法	描述	安全级别	最适用场景
3D Action & Flash	• 结合多因素生物识别验证与随机动作序列以及动态光照模式分析。 • 开始时，系统会提示用户执行简单动作（例如眨眼或点头），以确保实时交互。 • 与此同时，系统会将一系列光照图案投射到人脸，分析反光以确认人脸的三维结构。 • 深度学习算法检查微表情和光线反射响应，以验证真人存在。 • 通过整合行为（动作）和物理（基于光线的深度）线索提供最高安全性，使得使用静态图像、视频甚至高级面具几乎不可能实施欺骗攻击。	最高	银行、医疗健康、政府应用
3D Flash	• 使用动态光照模式分析来验证人脸拓扑结构，无需用户交互。 • 以每秒超过 30 帧的速度向人脸投射一系列光照图案，分析反光以构建深度图。 • 该深度图确认人脸的三维结构，将其与平面图像或 2D 欺骗攻击区分开来。 • 提供无缝体验，同时对照片或屏幕等呈现攻击保持高安全性。	高	金融服务、账户访问、身份验证
Passive Liveness	• 依托单帧深度学习分析来检测活体迹象。 • 出于隐私保护考虑，用户人脸在界面中显示为模糊状态，让用户放心，其图像仅用于年龄估算，而非身份识别。 • 检查图像中的伪影、纹理图案及其他细微指标，以区分真人面孔与欺骗攻击。 • 卷积神经网络（CNN）验证面部特征并识别异常，例如来自打印照片或数字屏幕的异常。 • 提供快速便捷的验证，但提供标准安全性，适用于低风险场景。	标准	低摩擦场景、消费者应用

每种方法均可生成精确的年龄估算，并附带置信度分数和补充的性别估算数据。

​

可配置阈值

您可以通过设置不同的年龄估算阈值来自定义安全级别。例如：

​

按国家/地区设置年龄限制

年龄限制可以按国家/地区逐一配置，以反映不同司法管辖区法定成年年龄的差异。您无需设置单一的全局最低或最高年龄，而是可以为每个国家/地区定义特定的年龄限制，甚至细化到国家内部的各个州或地区。

​

工作原理

• 国家/地区级别配置：为每个国家/地区（通过证件的签发国家/地区识别）设置最低和/或最高年龄。例如，您可以要求美国的最低年龄为 18 岁，韩国为 19 岁，阿拉伯联合酋长国为 21 岁。
• 州/地区覆盖：对于存在次国家级差异的国家/地区（例如美国或墨西哥），您可以按州配置覆盖规则。例如，密西西比州可能要求最低年龄为 21 岁，而美国默认值为 18 岁。系统使用 OCR 从证件中提取的地区信息来匹配对应的州。
• 法定成年年龄默认值：控制台提供了一键“应用法定成年年龄”按钮，根据全球已知的法定成年年龄自动填充每个国家/地区的最低年龄。随后，您可以根据需要自定义各个国家/地区或州。
• 可配置操作：当用户的年龄低于其证件所属国家/地区的最低年龄或超出最高年龄时，您可以选择要执行的操作：拒绝或审核。

​

示例配置

​

工作原理

​

自适应年龄估算

对于精确年龄验证至关重要的场景，我们的平台提供带有身份证件验证回退机制的自适应年龄估算。这种方法在用户便利性与监管合规之间实现了平衡。

​

自适应年龄估算的工作原理

​

回退机制返回的内容

回退人脸比对在工作流中无需配置人脸比对节点即可运行，因此它在会话决策中的显示方式很容易让人误以为是一项您从未配置过的检查：

• 一旦运行了回退机制，features 除了列出 AGE_ESTIMATION 和 ID_VERIFICATION 之外，还会列出 FACE_MATCH。
• face_matches[] 包含一项记录，其中带有 score、source_image（证件头像）和 target_image（年龄估算自拍照）。其 node_id 为年龄估算节点（在原生工作流中为 feature_age_estimation），因为该比对属于该步骤，而非独立的人脸比对步骤。
• 分数偏低会触发常规的人脸比对警告，并可能使该会话进入审核状态或被拒绝，这与配置了人脸比对节点时的行为完全一致。
• 它不作为人脸比对计费：该会话仅针对年龄估算和身份证件验证收费。

仅凭自拍照即通过或未通过的会话绝不会运行回退机制，因此它们会返回 face_matches: null。为了避免在决策 payload 中包含这些图像，可以通过工作流的响应属性来限制 face_matches 字段。

​

自适应年龄估算的优势

• 减少摩擦：绝大多数用户仅需一张自拍照即可完成验证
• 增强合规性：不确定的情况将根据特定国家/地区的年龄规则进行全面的证件验证
• 成本效益：仅在必要时才使用身份证件验证
• 可自定义风险承受能力：根据您的监管要求调整阈值
• 考虑管辖区差异：根据用户证件签发国家/地区及区域自动应用正确的法定成年年龄

这种方法对于有年龄限制的服务（如在线游戏、酒类配送和成人内容平台）尤为宝贵，在这些场景中，平衡用户体验与监管合规至关重要。

​

年龄保证 (ISO/IEC 27566-1)

工作流可以声明其遵循 ISO/IEC 27566-1 年龄保证标准。 您可以从控制台模板年龄估计（ISO/IEC 27566-1）或年龄验证（ISO/IEC 27566-1）创建该工作流。 此声明在创建工作流时完成，之后无法更改。 当工作流声明遵循该标准时，Didit 会将其固定为针对年龄的一次性“是”或“否”答复。 这些固定的设置适用于控制台中以及通过 API 进行的每一次保存：

• 您仅会收到年龄决策，无其他任何内容。 响应属性已被锁定，因此决策不包含任何个人数据。
• 在每个国家/地区、每个区域覆盖设置以及自适应年龄估算阈值中，13 岁是允许设置的最低年龄。低于该值的设置将被拒绝。
• 跨会话不进行识别。 重复证件与重复人脸检查均处于关闭状态，且不会存储任何生物特征模板。
• 受限采集。 证件仅可通过摄像头采集，不支持文件上传，拍摄证件时不会静默采集自拍照，也不会录制音频。
• 无额外数据核对。 预期信息比对和数据复核步骤均处于关闭状态，且身份证件验证仅读取证件，不进行数据库查询，也不使用数字身份钱包。
• 必须设置阈值。 未设置年龄阈值的工作流在保存时将被拒绝，因此它绝不会默认批准所有人。

​

模型性能与统计数据

下方数据反映了自 2026 年 11 月 4 日起在生产环境中运行的年龄模型。 这些数据来源于其锁定的评估数据集：包含 2,399 张 13 岁及以上人员的自拍照。该数据集在训练前已被独立留存，且每个人的真实年龄均取自其已验证的身份证件。 没有任何模型使用过这些自拍照或这些人员的数据进行训练。 总体数据基于 10% 18 岁以下人群的评估样本组合，其中成年人符合线上实际流量的年龄分布；下方单独列出了各个年龄段的具体表现。

​

准确率指标

指标	数值	描述
平均绝对误差 (MAE)	2.6 岁	估算年龄与证件年龄之间的平均差异
标准差	2.3 岁	不同估算之间误差的波动程度
以 18 岁为阈值的准确率	96.0%	在不设回退区间的情况下，自拍照被正确分类为 18 岁以下或 18 岁及以上的比例；在 95% 置信度下至少达到 95.3%

​

各年龄段表现

在年龄门槛判定所涉及的年龄附近误差最小，并随着年龄增长而增大。

年龄段	MAE（岁）	标准差（岁）
13-15	1.70	1.17
16-17	1.14	1.37
18-20	1.86	1.74
21-25	2.21	1.78
26-40	2.77	2.20
41-60	3.03	2.62
60 岁以上	4.33	3.64