**根据预期的攻击媒介，您可能有责任制定包含其他身份验证构建块的解决方案。**Amazon Rekognition提供可用于这些任务的功能。

根据用户群的预期恶意程度，单个样本数据点（图像）可能不足以可靠地确定对象是否是人类（尽管是特定的）。如果没有深度传感器，热成像等其他数据点，很难明确确定是否有人试图用模仿的面部进行混淆。
提高这种系统鲁棒性的一种方法是为用户定制一个多因素认证层，其中包括不会被物理攻击载体欺骗的其他信息测试。提高光学系统鲁棒性的另一种方法是在要求用户呈现一系列姿势或任务的同时录制视频（盖住嘴，手盖住右眼，舌头伸出来）那些对真实的来说很容易做但不是像这样的模仿。
Amazon Rekognition支持finding faces within an image以及将测试面部与集合中的面部进行匹配，并且还可以用于帮助估计其他元概念，如情绪（高兴、悲伤、皱眉、微笑等）。Rekognition video特别地可以用于在用户从一个姿势改变到下一个姿势时检测改变，以尝试自动检测不良演员。

AWS现在提供Rekognition liveness作为API支持，可用于-https://docs.aws.amazon.com/rekognition/latest/dg/face-liveness.html
博客-https://aws.amazon.com/blogs/machine-learning/detect-real-and-live-users-and-deter-bad-actors-using-amazon-rekognition-face-liveness/