Статья посвящена вопросам биометрической аутентификации, а конкретно методам Face Anti-Spoofing, направленным на защиту от попыток обмана систем распознавания лиц. Подчеркивается важность этих методов в эпоху цифровой трансформации, когда биометрические данные становятся ключевыми информационными ресурсами в разных сферах жизни. Целью работы является рассмотрение современного состояния технологий защиты биометрических систем и рекомендации по их практическому применению в условиях цифрового общества. Методология исследования основана на анализе и систематизации научной литературы. В ходе исследования был проведен анализ 288 публикаций, из которых отобраны 48, охватывающих современные подходы в Face Anti-Spoofing. Рассмотрены публикации из научных баз данных eLIBRARY.RU, Scopus и Google Scholar за последние 5 лет. Методы FAS классифицированы по уровню риска и требованиям к аппаратуре, выделены три уровня угроз: низкий, средний и высокий риск. Особое внимание уделяется использованию различных аналитических инструментов, таких как LBP, Optical Flow и нейросети типа CNN, RNN и трансформеров. Кроме того, проведен сравнительный анализ правового регулирования сферы обработки биометрических данных между российским Федеральным законом № 152-ФЗ и Европейским регламентом GDPR, выявлены различия в степени детализации и жесткости санкций. В заключение сделан вывод о важности непрерывного улучшения технологий и моделей FAS для эффективной борьбы с новыми видами угроз, такими как распространение Deepfake и усовершенствованные способы обхода защитных механизмов.
The article is devoted to the issues of biometric authentication, specifically Face Anti-Spoofing methods aimed at protecting against attempts to deceive facial recognition systems. The importance of these methods is emphasized in the era of digital transformation, when biometric data are becoming key information resources in various spheres of life. The purpose of the work is to consider the current state of biometric system protection technologies and recommendations for their practical application in a digital society. The research methodology is based on the analysis and systematization of scientific literature. The study analyzed 288 publications, of which 48 were selected, covering modern approaches to Face Anti-Spoofing. Publications from scientific databases of eLibrary data are considered.RU, Scopus and Google Scholar for the last 5 years. FAS methods are classified by risk level and hardware requirements, and three threat levels are identified – low, medium, and high risk. Special attention is paid to the use of various analytical tools such as LBP, Optical Flow, and neural networks such as CNN, RNN, and transformers. In addition, a comparative analysis of the legal regulation of biometric data processing between Russian Federal Law No. 152-FZ and the European Regulation GDPR was carried out, revealing differences in the degree of detail and severity of sanctions. In conclusion, it is concluded that it is important to continuously improve FAS technologies and models in order to effectively combat new types of threats, such as the spread of Deepfake and improved ways to circumvent security mechanisms.
1. Карцан И.Н. Биометрические данные: новые возможности и риски // Современные инновации, системы и технологии. 2023. № 3. С. 0201-0211. URL: https://cyberleninka.ru/article/n/biometricheskie-dannye-novye-vozmozhnosti-i-riski (дата обращения: 09.06.2025).
2. Жуков Я.В., Лысенко Р.Ю., Протас Н.Г., Тарасова Г.М. Биометрия. Как работает и какие риски несет? // Modern Economy Success. 2020. № 3. С. 13-19. EDN: RCPMFQ.
3. Храмов Е.Н., Вершинина О.В. Биометрические технологии как фактор повышения безопасности и конкурентоспособности в финансовой инфраструктуре России // Фундаментальные исследования. 2025. № 4. С. 69-79. URL: https://fundamental-research.ru/ru/article/view?id=43814 (дата обращения: 10.06.2025).
4. Ming Z., Visani M., Luqman M.M., Burie J.C. A survey on anti-spoofing methods for facial recognition with rgb cameras of generic consumer devices // Journal of imaging. 2020. Vol. 6. № 12. DOI: 10.3390/jimaging6120139.
5. Anthony P.B. Ay and G. Aydin, A Review of Face Anti-spoofing Methods for Face Recognition Systems // 2021 International Conference on INnovations in Intelligent SysTems and Applications (INISTA), Kocaeli, Turkey. 2021. P. 1-9. DOI: 10.1109/INISTA52262.2021.9548404.
6. Золотарев В.В., Поважнюк А.О., Маро Е.А. Методы усиления процедуры идентификации пользователей на основе технологии liveness detection // Известия ЮФУ. Технические науки. 2022. № 2 (226). С. 212-225 . DOI: 10.18522/2311-3103-2022-2-212-225.
7. Yu Z., Qin Y., Li X., Zhao C., Lei Z., Zhao G. Deep Learning for Face Anti-Spoofing: A Survey // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2023. Vol. 45. № 5. P. 5609-5631. DOI: 10.1109/TPAMI.2022.3215850.
8. Heidari A., Jafari Navimipour N., Dag H., Unal M. Deepfake detectionusing deep learning methods: A systematic and comprehensive review. // WIREs Data Mining and Knowledge Discovery. 2024. Vol. 14. DOI: 10.1002/widm.1520.
9. Malik A., Kuribayashi M., Abdullahi S.M., Khan A.N. DeepFake Detection for Human Face Images and Videos: A Survey // IEEE Access. 2022. Vol. 10. P. 18757-18775. DOI: 10.1109/ACCESS.2022.3151186.
10. Rana M.S., Nobi M.N., Murali B., Sung A.H. Deepfake Detection: A Systematic Literature Review // IEEE Access. 2022. Vol. 10. P. 25494-25513. DOI: 10.1109/ACCESS.2022.3154404.
11. Tolosana R., Vera-Rodriguez R., Fierrez J., Morales A., Ortega-Garcia J. DeepFakes and Beyond: A Survey of Face Manipulation and Fake Detection // Information Fusion. 2020. DOI: 10.1016/j.inffus.2020.06.014.
12. Rostami M., Spinoulas L., Hussein M., Mathai J., Abd-Almageed W. Detection and Continual Learning of Novel Face Presentation Attacks // IEEE/CVF International Conference on Computer Vision (ICCV), Montreal, QC, Canada. 2021. P. 14831-14840. DOI: 10.1109/ICCV48922.2021.01458.
13. Moon Y., Ryoo I., Kim S. (2021). Face Antispoofing Method Using Color Texture Segmentation on FPGA. Security and Communication Networks. 2021. Р. 1-11. DOI: 10.1155/2021/9939232.
14. Qin Y., Zhao C., Zhu X., Wang Z., Yu Z., Fu T., Zhou F., Shi J., Lei Z. Learning Meta Model for Zero- and Few-Shot Face Anti-Spoofing // Proceedings of the AAAI Conference on Artificial Intelligence. 2020. Vol. 34. P. 11916-11923. DOI: 10.1609/aaai.v34i07.6866.
15. Surantha N., Sugijakko B. Lightweight face recognition-based portable attendance system with liveness detection // Internet of Things. 2024. Vol. 25. P. 101089. DOI: 10.1016/j.iot.2024.101089.
16. Yang C.-Z., Ma J., Wang S., Liew, A.W.-C. Preventing DeepFake Attacks on Speaker Authentication by Dynamic Lip Movement Analysis // IEEE Transactions on Information Forensics and Security. 2021. Vol. 16. P. 1841-1854. DOI: 10.1109/TIFS.2020.3045937.
17. Jose J., Kumar C.S. Genus and Species-Level Classification of Wrasse Fishes Using Multidomain Features and Extreme Learning Machine Classifier // International Journal of Pattern Recognition and Artificial Intelligence. 2020. Vol. 34. DOI: 10.1142/S0218001420500287.
18. Sharma D., Selwal A. A survey on face presentation attack detection mechanisms: hitherto and future perspectives // Multimedia Systems. 2023. Vol. 29. P. 1527–1577. DOI: 10.1007/s00530-023-01070-5.
19. Zhang B., Tondi B., Barni M. Adversarial examples for replay attacks against CNN-based face recognition with anti-spoofing capability // Computer Vision and Image Understanding. 2020. P. 197-198. DOI: 10.1016/j.cviu.2020.102988.
20. Budiarto R. Face Anti-Spoofing Method with Blinking Eye and HSV Texture Analysis // IOP Conference Series: Materials Science and Engineering. 2020. Vol. 1007. DOI: 10.1088/1757-899X/1007/1/012034.
21. Mittal C., Debnath S. Prabakeran S. Smart Visage: A Face Recognition and Anti-Spoofing System // 2024 International Conference on Advances in Modern Age Technologies for Health and Engineering Science (AMATHE), Shivamogga, India. 2024. P. 1-9. DOI: 10.1109/AMATHE61652.2024.10582086.
22. Polok M.Y., Hossain Alvee M.K., Moni F.R., Shopon M., Alam T., Karim M. A. Face Anti-Spoofing Framework Based on Optical Flow Field Texture Analysis // 2024 IEEE 6th Eurasia Conference on Biomedical Engineering, Healthcare and Sustainability (ECBIOS), Tainan, Taiwan. 2024. P. 374-377. DOI: 10.1109/ECBIOS61468.2024.10885503.
23. Фаворская М.Н., Пахирка А.И. Построение карт глубины при обнаружении презентационных атак в системах распознавания лиц // Информационные и математические технологии в науке и управлении. 2022. № 3 (27). С. 40-48. DOI: 10.38028/ESI.2022.27.3.005.
24. Muhammad U., Yu Z., Komulainen J. Self-supervised 2D face presentation attack detection via temporal sequence sampling // Pattern Recognition Letters. 2022. DOI: 10.1016/j.patrec.2022.03.001.
25. Li Y, Wang Y., Zhao Z. Face anti-spoofing methods based on physical technology and deep learning // Proc. SPIE 12155, International Conference on Computer Vision, Application, and Design (CVAD 2021). 2021. Vol. 12155. P. 173-184. DOI: 10.1117/12.2626584.
26. George A., Marcel S. On the Effectiveness of Vision Transformers for Zero-shot Face Anti-Spoofing // 2021 IEEE International Joint Conference on Biometrics (IJCB), Shenzhen, China. 2021. P. 1-8. DOI: 10.1109/IJCB52358.2021.9484333.
27. Policepatil S, Hatture SM. Face Liveness Detection: An Overview // International Journal of Scientific Research in Science and Technology. 2021. URL: https://ijsrst.com/paper/8266.pdf (дата обращения: 12.06.2025).
28. Liu X., Wang R., Liu W., Zhang L., Wang X. Quality Matters: Boosting Face Presentation Attack Detection With Image Quality Metrics // IEEE Access. 2024. P. 1-1. DOI: 10.1109/ACCESS.2024.3421345.
29. George A., Marcel S. Cross Modal Focal Loss for RGBD Face Anti-Spoofing // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Nashville, TN, USA. 2021. P. 7878-7887. DOI: 10.1109/CVPR46437.2021.00779.
30. Yu Z., Wan J., Qin Y., Li X., Li S.Z., Zhao G. NAS-FAS: Static-Dynamic Central Difference Network Search for Face Anti-Spoofing // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2021. Vol. 43. № 9. P. 3005-3023. DOI: 10.1109/TPAMI.2020.3036338.
31. Khairnar S., Gite Sh., Kotecha K., Thepade S. Face liveness detection using artificial intelligence techniques: A systematic literature review and future directions // Big Data Cogn.Comput. 2023. P. 37. DOI: 10.3390/bdcc7010037.
32. Shaheed K., Szczuko P., Kumar M., Qureshi I., Abbas Q., Ullah I. Deep learning techniques for biometric security: A systematic review of presentation attack detection systems // Engineering Applications of Artificial Intelligence. 2024. Vol. 129. DOI: 10.1016/j.engappai.2023.107569.
33. Qu Z., Xi Z., Lu W., Luo X., Wang Q., Li B. DF-RAP: A Robust Adversarial Perturbation for Defending Against Deepfakes in Real-World Social Network Scenarios // IEEE Transactions on Information Forensics and Security. 2024. Vol. 19. P. 3943-3957. DOI: 10.1109/TIFS.2024.3372803.
34. Nirkin Y., Wolf L., Keller Y., Hassner T. DeepFake Detection Based on Discrepancies Between Faces and Their Context // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2022. Vol. 44. № 10. P. 6111-6121. DOI: 10.1109/TPAMI.2021.3093446.
35. Yang J., Xiao S., Li A., Lu W., Gao X., Li Y. MSTA-Net: Forgery Detection by Generating Manipulation Trace Based on Multi-Scale Self-Texture Attention // IEEE Transactions on Circuits and Systems for Video Technology. 2022. Vol. 32. № 7. P. 4854-4866. DOI: 10.1109/TCSVT.2021.3133859.
36. Huang Y., Juefei-Xu F., Guo Q., Liu Y., Pu G. FakeLocator: Robust Localization of GAN-Based Face Manipulations // IEEE Transactions on Information Forensics and Security. 2022. Vol. 17. P. 2657-2672. DOI: 10.1109/TIFS.2022.3141262.
37. Ding F., Zhu G., Li Y., Zhang X., Atrey P.K., Lyu S. Anti-Forensics for Face Swapping Videos via Adversarial Training // IEEE Transactions on Multimedia. 2022. Vol. 24. P. 3429-3441. DOI: 10.1109/TMM.2021.3098422.
38. Guarnera L., Giudice O., Battiato S. Fighting Deepfake by Exposing the Convolutional Traces on Images // IEEE Access. 2022. Vol. 8. P. 165085-165098. DOI: 10.1109/ACCESS.2020.3023037.
39. Xing H., Tan S.Y., Qamar F., Jiao Y. Face Anti-Spoofing Based on Deep Learning: A Comprehensive Survey // Appl. Sci. 2025. Vol. 15. P. 6891. DOI: 10.3390/app15126891.
40. Li Y., Yang X., Sun P., Qi H., Lyu S. Celeb-DF: A Large-Scale Challenging Dataset for DeepFake Forensics // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA. 2020. P. 3204-3213. DOI: 10.1109/CVPR42600.2020.00327.
41. Белая О.В., Кицай Ю.А. Биометрические данные как средство идентификации и аутентификации человека: российский и международный опыт // Право и практика. 2020. № 1. URL: https://cyberleninka.ru/article/n/biometricheskie-dannye-kak-sredstvo-identifikatsii-i-autentifikatsii-cheloveka-rossiyskiy-i-mezhdunarodnyy-opyt (дата обращения: 21.06.2025).
42. Ларионова С.Л. Методика защиты персональных данных с учетом требований регламента ЕС General data protection Regulation // Инновации и инвестиции. 2020. № 6. URL: https://cyberleninka.ru/article/n/metodika-zaschity-personalnyh-dannyh-s-uchetom-trebovaniy-reglamenta-es-general-data-protection-regulation (дата обращения: 21.06.2025).
43. Романец И.И., Тришкин Е.А. Внедрение биометрических технолгий как драйвер развития цифровой экономики // Инновационная экономика: перспективы развития и совершенствования. 2021. № 7 (57). URL: https://cyberleninka.ru/article/n/vnedrenie-biometricheskih-tehnologiy-kak-drayver-razvitiya-tsifrovoy-ekonomiki (дата обращения: 21.06.2025).
44. Шаманина Е.И., Захаренко Ю.С. Биометрические технологии как перспективное направление совершенствования дистанционного банковского обслуживания // Вестник ГУУ. 2020. № 5. URL: https://cyberleninka.ru/article/n/biometricheskie-tehnologii-kak-perspektivnoe-napravlenie-sovershenstvovaniya-distantsionnogo-bankovskogo-obsluzhivaniya (дата обращения: 21.06.2025).
45. Baeza Argüello S., Wakkary R., Andersen K., Tomico O. Exploring the Potential of Apple Face ID as a Drag // Queer and Trans Technology Design Tool. 2021. P. 1654-1667. DOI: 10.1145/3461778.3461999.
46. Канокова Л.Ю. Зарубежный опыт развития технологии распознавания лиц в обеспечении общественной безопасности // Право и управление. 2023. № 1. C. 178-182. EDN: MPPXNS.
47. Katti A.G., Chidananda Murthy M.V. Developments in Face Recognition: A Review of Methods, Algorithms and Real – World Applications, From Classical Methods to Deep Learning // 2025 International Conference on Knowledge Engineering and Communication Systems (ICKECS), Chickballapur, India. 2025. P. 1-7. DOI: 10.1109/ICKECS65700.2025.11035558.
48. Muhammad Ibrahim S., Sohail Ibrahim M., Khan S., Y.-W. Ko, J.-G. Lee. Improving Face Presentation Attack Detection Through Deformable Convolution and Transfer Learning // IEEE Access. 2025. Vol. 13. P. 31228-31238. DOI: 10.1109/ACCESS.2025.3541546.