Technologie rozpoznání obličeje vs. Deepfake: analýza bezpečnostních rizik a protiopatření

Abstract

Tato diplomová práce se zabývá analýzou bezpečnostních rizik spojených s technologiemi rozpoznání obličeje (Face Recognition, FR) a syntézou obličejů pomocí tzv. deepfake technik. Cílem práce je navrhnout a implementovat modulární systém, který kombinuje rozpoznání identity s detekcí manipulací ve video obsahu. Teoretická část práce popisuje principy fungování FR systémů, přehled generativních nástrojů pro tvorbu deepfake obsahu a nejnovější metody jeho odhalování, včetně konvolučních a transformerových modelů. Praktická část se zaměřuje na evaluaci vybraných FR modelů (FaceNet, VGG-Face, InsightFace) z hlediska přesnosti a robustnosti při konfrontaci s podvrženým obsahem. Pro detekci deepfake manipulací byly testovány moderní architektury jako XceptionNet, ResNet152V2, EfficientNetB3 a Vision Transformer. Výsledky byly vyhodnoceny pomocí metrik FAR, FRR a EER. Součástí práce je i vývoj webové aplikace, která umožňuje detekci deepfake manipulací v reálném čase, práci s videi a správu databáze identit. Závěry práce poukazují na limity současných detekčních metod při rostoucí kvalitě deepfake obsahu a zdůrazňují nutnost kombinace více přístupů ke zvýšení odolnosti biometrických systémů.

This thesis analyzes the security risks associated with face recognition (FR) technologies and the synthesis of facial identities using so-called deepfake techniques. The aim of the work is to design and implement a modular system that combines identity recognition with manipulation detection in video content. The theoretical part describes the principles of FR systems, provides an overview of generative tools for creating deepfake content, and presents the latest detection methods, including convolutional and transformer-based models. The practical part focuses on evaluating selected FR models (FaceNet, VGG-Face, InsightFace) in terms of accuracy and robustness when confronted with forged content. For deepfake manipulation detection, modern architectures such as XceptionNet, ResNet152V2, EfficientNetB3, and Vision Transformer were tested. The results were evaluated using metrics such as FAR, FRR, and EER. The thesis also includes the development of a web application enabling real-time detection of deepfake manipulations, video processing, and identity database management. The conclusions highlight the limitations of current detection methods in the context of increasingly realistic deepfake content and emphasize the need to combine multiple approaches to enhance the resilience of biometric systems.