Liveness Detection

生体認証において、撮影対象が生きている本人であることを確認する技術。写真・動画・マスクなどによるなりすましを防止する。

概要

顔認証を用いたeKYCでは、本人の写真を使った「なりすまし」が脅威となる。Liveness Detectionは、カメラの前にいるのが実在する人物であり、写真や動画ではないことを検証する技術。

攻撃手法（Presentation Attack）

1. 写真攻撃（Photo Attack）

プリントした写真をカメラにかざす。

攻撃者
  ↓
本人の写真（プリント/スマホ画面）
  ↓
カメラ

2. 動画攻撃（Video Replay Attack）

スマホやタブレットで動画を再生。

攻撃者
  ↓
本人の動画（スマホ/タブレット）
  ↓
カメラ

3. 3Dマスク攻撃

高精度な立体マスクを装着。

攻撃者
  ↓
3Dプリントされたマスク
  ↓
カメラ

4. ディープフェイク攻撃

AIで生成した合成顔をリアルタイム表示。

攻撃者
  ↓
ディープフェイク生成（リアルタイム）
  ↓
カメラ

Liveness Detection の方式

パッシブ型（Passive Liveness）

ユーザーに特別なアクションを求めず、単一画像や動画から自動判定。

1. テクスチャ解析

画像のテクスチャから、本物の肌か写真かを判定。

画像入力
  ↓
LBP（Local Binary Pattern）抽出
  ↓
SVM/CNN分類器
  ↓
本物 / 偽物

2. モアレパターン検出

スマホ画面やプリント写真に現れるモアレを検出。

画像のフーリエ変換
  ↓
高周波成分解析
  ↓
モアレあり → 偽物

3. 微細な動き検出

瞬き、まばたき、微表情などの自然な動きを検出。

動画フレーム（30fps以上）
  ↓
オプティカルフロー解析
  ↓
自然な動きあり → 本物

4. 反射・影解析

顔の立体構造による光の反射や影を解析。

顔画像
  ↓
反射パターン抽出
  ↓
平面（写真） / 立体（本物）

アクティブ型（Active Liveness）

ユーザーに特定のアクションを指示し、その応答を検証。

1. ランダムチャレンジ

予測不可能な指示をランダムに出す。

システム: 「右を向いてください」
  ↓
ユーザーが右を向く
  ↓
動きを検証 → 本物

2. まばたき検出

「まばたきしてください」と指示。

目の状態を追跡
  ├─ 開眼 → 閉眼 → 開眼
  └─ → 本物

3. 笑顔検出

「笑ってください」と指示。

表情認識
  ├─ 無表情 → 笑顔
  └─ → 本物

4. 音声応答

「画面に表示された数字を読み上げてください」

ランダムな数字表示
  ↓
音声認識
  ↓
一致 → 本物

高度なLiveness Detection

デプス情報（Depth Information）

3Dセンサーで奥行き情報を取得。

ToF（Time of Flight）カメラ

赤外線の反射時間から距離を計測。

赤外線LED発光
  ↓
対象物に反射
  ↓
ToFセンサーが受光
  ↓
奥行きマップ生成
  ↓
平面（写真） / 立体（本物）

ステレオカメラ

2つのカメラで視差から奥行きを推定。

左カメラ画像 + 右カメラ画像
  ↓
ステレオマッチング
  ↓
デプスマップ生成
  ↓
立体構造の検証

赤外線（IR/NIR）カメラ

可視光カメラでは検出困難な特徴を捉える。

近赤外線LED照射
  ↓
NIRカメラで撮影
  ↓
肌の反射率解析
  ↓
本物の肌 / 写真

AI/深層学習

大量のデータで学習したモデルで判定。

学習データ

本物の顔動画（数千〜数万人）
偽物の攻撃動画（写真、画面、マスク）
  ↓
CNN/Transformerで学習
  ↓
Liveness分類器

ディープフェイク検出

動画フレーム
  ↓
時系列解析（LSTM/Transformer）
  ↓
不自然な動き・テクスチャを検出
  ↓
ディープフェイク / 本物

eKYCでの実装

ヘ方式（マイナンバーカード）

1. マイナンバーカードのICチップから顔写真読取
2. ユーザーがスマホで自撮り（Liveness Detection実行）
   ├─ パッシブ型: 動画から自然な動きを検出
   ├─ アクティブ型: 「まばたき」などの指示
   └─ デプス: 一部のスマホでToF利用
3. 2つの顔画像をAIで照合
4. 本人確認完了

ホ方式（本人確認書類）

1. 運転免許証等の顔写真を撮影
2. ユーザーが自撮り（Liveness Detection実行）
3. 2つの顔画像を照合
4. 本人確認完了

パッシブ vs アクティブ

観点	パッシブ型	アクティブ型
UX	良い（自然）	悪い（手間）
セキュリティ	中〜高	高
実装コスト	低	中
誤検知	やや高い	低い
高齢者対応	良い	難しい
アクセシビリティ	良い	制約あり

トレンド

最近はパッシブ型が主流。UXを損なわず、AIの精度向上により十分なセキュリティを確保できるため。

精度評価指標

APCER（Attack Presentation Classification Error Rate）

攻撃を本物と誤判定する確率。低いほど良い。

APCER = 攻撃が本物と判定された回数 / 攻撃試行回数

BPCER（Bona Fide Presentation Classification Error Rate）

本物を攻撃と誤判定する確率。低いほど良い。

BPCER = 本物が攻撃と判定された回数 / 本物の試行回数

ISO/IEC 30107

Liveness Detectionの国際標準。攻撃手法（PAI: Presentation Attack Instrument）とその検出性能を規定。

実装上の課題

UXとセキュリティのトレードオフ

厳格な検証: 攻撃を防げるが、本人も弾かれる（BPCER↑）
緩い検証: 本人は通るが、攻撃も通る（APCER↑）

環境要因

照明: 暗い場所、逆光
カメラ性能: 低解像度、ピンボケ
ユーザー: 眼鏡、マスク、帽子

高齢者・障がい者対応

まばたき: 難しい場合がある
指示理解: アクティブ型は理解が必要
動作: 頭を動かすのが困難

今後の展望

マルチモーダル認証

顔認証 ＋ 声紋 ＋ 行動パターン
  ↓
総合的なLiveness判定

オンデバイスAI

スマホ内のNPU/Neural Engine
  ↓
サーバー不要のLiveness Detection
  ↓
プライバシー保護＋低遅延

継続的Liveness

認証時のみでなく、セッション中も継続的に検証
  ↓
リアルタイム異常検知

FIDO2統合

プラットフォーム認証器（Face ID等）
  ├─ Apple/Google独自のLiveness Detection
  └─ サービス側は結果のみ受取

概要