活体检测 API：防范深度伪造与欺骗攻击

Didit 活体检测利用无感、3D 动作或闪光活体技术，确认摄像头前是真实的活人，而非打印照片、屏幕重放、面具或深度伪造。其准确率达到 99.9%，错误接受率（FAR）低于 0.1%。 Didit Academy 关于托管用户流程的课程在 8:49 处讲解了活体检测自拍照，随后在 9:16 处介绍了无感、3D 闪光和 3D 动作方法。

​

活体检测方法

我们的平台实现了三种各具特色的反欺骗技术，分别针对不同的安全需求和用户体验进行了量身定制：

方法	描述	安全级别	适用场景
3D Action & Flash	• 将多因子生物识别验证与随机动作序列及动态光线图案分析相结合。 • 开始时，系统会提示用户执行一个简单的动作（如眨眼或点头），以确保实时交互。 • 与此同时，系统会将一系列光线图案投射到面部，分析反光以确认面部的三维结构。 • 深度学习算法会检查微表情和光线反射响应，从而验证活人的存在。 • 通过融合行为（动作）和物理（基于光线的深度）线索提供最高级别安全性，使得静态图像、视频甚至高级面具几乎无法实施欺骗攻击。	最高	银行、医疗、政务应用
3D Flash	• 使用动态光线图案分析来验证面部拓扑结构，无需用户交互。 • 以超过每秒 30 帧的速率向面部投射一系列光线图案，并通过分析反射来创建深度图。 • 该深度图可确认面部的三维结构，将其与平面图像或 2D 欺骗区分开来。 • 在抵御照片或屏幕等呈现攻击的同时，提供无缝顺畅的体验并保持高安全性。	高	金融服务、账户访问、身份验证
Passive Liveness	• 依靠单帧深度学习分析来检测活体迹象。 • 检查图像是否存在伪影、纹理图案以及其他区分真实人脸与欺骗攻击的细微特征。 • 卷积神经网络（CNN）可验证面部特征并识别异常情况，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，但提供的是标准安全性，适用于低风险用例。	标准	低摩擦场景、消费级应用

每种方法都会根据我们的专有算法生成一个归一化活体评分（0-100%），该算法会实时评估多项安全因素。

​

可配置阈值

您可以通过为活体评分设置不同的阈值来自定义安全级别。例如：

​

重试与可操作反馈

在 Didit 会话中，因可修复原因（光线不佳、人脸未居中、遮挡、临界分数）而失败的活体采集不会立即被拒绝。系统会提示用户根据具体指引重试，最多可达到配置的尝试次数。

• 尝试次数配额 — face_liveness_max_attempts 控制每次会话的活体提交总次数。默认为 3（一次初始尝试加两次重试），可按工作流节点配置（范围 1–3）。
• 重试反馈 — 在仍有尝试次数时，可重试的失败将使用户停留在活体检测步骤，并返回包含可操作 feedback_codes 的响应体（Web 和移动端 SDK 会自动将这些代码呈现为引导提示信息）：
  {
    "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
  }
  
• 可重试代码 — LOW_FACE_LUMINANCE（过暗）、HIGH_FACE_LUMINANCE（过亮）、NO_FACE_DETECTED、LOW_FACE_QUALITY、HIGH_FACE_OCCLUSION、LOW_LIVENESS_SCORE、MULTIPLE_FACES_DETECTED、AGE_NOT_DETECTED。
• 采集环境保证重试 — LOW_FACE_LUMINANCE、HIGH_FACE_LUMINANCE、LOW_FACE_QUALITY、HIGH_FACE_OCCLUSION 和 NO_FACE_DETECTED 描述的是用户所处的房间环境，而非用户本人。当尝试仅因这些代码失败时，即使用户所在工作流配置了 face_liveness_max_attempts: 1，用户也始终能获得第二次尝试机会以及上述引导提示信息。所有其他代码仍严格遵循配置的配额。
• 配额耗尽与欺诈 — 一旦配额耗尽，将应用计算出的状态（Declined 或 In Review）。确认的呈现攻击（LIVENESS_FACE_ATTACK）、命中黑名单以及重复人脸将立即拒绝，绝不允许重试。

​

工作原理