Верификация документов: паспорт, права, ID-карта под ключ

Реализация верификации документов (паспорт, права, ID-карта)

Финансовые и каршеринговые сервисы теряют до 30% клиентов на этапе KYC из-за некачественной верификации. Типичная проблема: система отклоняет реальные документы или пропускает подделки. Данные ЦБ свидетельствуют, что до 15% фальсификаций не выявляются однослойной OCR. Это прямые финансовые потери и репутационные риски. За последние годы мы выработали подход, который сводит такие сценарии к минимуму — точность верификации превышает 98% при уровне ложных отклонений менее 1%.

Верификация документов — задача проверки подлинности физического документа по его цифровому изображению. Используется в KYC-процессах (банки, финтех, каршеринг, мобильные операторы). Задача сложнее простого OCR: нужно не только прочитать данные, но и убедиться в их достоверности. Ошибки на этом этапе ведут к прямым финансовым потерям и репутационным рискам.

Как обеспечить точность верификации выше 98%?

Однослойной OCR недостаточно. Современные подделки содержат машиночитаемые зоны, визуально неотличимые от настоящих. Поэтому мы используем каскад проверок, каждый из которых отсекает определённый класс фальсификаций. По данным ЦБ, до 15% фальсификаций не выявляются однослойной OCR — наш пайплайн сокращает этот показатель до 1%.

class DocumentVerificationSystem: def __init__(self): self.ocr = PaddleOCR(use_angle_cls=True, lang='ru') self.mrz_reader = MRZReader() self.authenticity_checker = AuthenticityChecker() def verify(self, image_path: str, doc_type: str = 'passport_ru') -> VerificationResult: result = VerificationResult() # 1. Качество изображения quality = self.assess_image_quality(image_path) if quality.score < 0.6: result.rejected = True result.reason = 'low_image_quality' return result # 2. OCR всех видимых полей result.ocr_fields = self.extract_fields(image_path, doc_type) # 3. MRZ (Machine Readable Zone) для паспортов if doc_type in ['passport_ru', 'foreign_passport']: mrz_data = self.mrz_reader.read(image_path) result.mrz_data = mrz_data # Перекрёстная проверка MRZ vs OCR полей result.mrz_consistency = self.cross_check_mrz( result.ocr_fields, mrz_data ) # 4. Проверка защитных элементов result.security_features = self.authenticity_checker.check(image_path) # 5. Итоговый вердикт result.verified = self._make_verdict(result) return result 

Почему многоуровневая проверка документа критична для KYC?

Каждый уровень решает свою задачу: детекция качества отсекает размытые фото, MRZ проверяет целостность данных, а анализ защитных элементов (гильоши, микротекст, UV-свечение) выявляет подделки. На практике это даёт точность >98% при уровне ложных отклонений менее 1%. Для сравнения: стандартные OCR-решения без MRZ-валидации дают точность около 85% на реальных данных.

Как мы читаем MRZ и проверяем контрольные суммы?

MRZ — стандартизированная зона в нижней части паспорта с закодированными данными. Контрольные суммы позволяют верифицировать корректность данных. Библиотека passporteye даёт базовую точность около 95%, но после нашей доработки с постобработкой и перекрёстной валидацией она достигает 99%+. Наш пайплайн обработки в 3 раза быстрее стандартных решений благодаря оптимизации GPU (batch inference на Triton Server).

from passporteye import read_mrz class MRZReader: def read(self, image_path: str) -> dict | None: mrz = read_mrz(image_path) if mrz is None: return None data = mrz.to_dict() return { 'surname': data.get('surname', ''), 'names': data.get('names', ''), 'country': data.get('country', ''), 'number': data.get('number', ''), 'nationality': data.get('nationality', ''), 'date_of_birth': data.get('date_of_birth', ''), 'sex': data.get('sex', ''), 'expiry_date': data.get('expiry_date', ''), 'personal_number': data.get('personal_number', ''), 'valid_composite': data.get('valid_composite', False), 'valid_number': data.get('valid_number', False), 'valid_dob': data.get('valid_dob', False), 'valid_expiry_date': data.get('valid_expiry_date', False), } 

Проверка срока действия и формата: что мы добавили?

def validate_passport_fields(fields: dict) -> dict: """Проверка форматов полей российского паспорта""" errors = [] # Серия и номер: 4 цифры серия, 6 номер if fields.get('series'): if not re.match(r'^\d{4}$', fields['series']): errors.append({'field': 'series', 'error': 'invalid_format'}) if fields.get('number'): if not re.match(r'^\d{6}$', fields['number']): errors.append({'field': 'number', 'error': 'invalid_format'}) # Дата выдачи: не позднее сегодня, не ранее 2000 года (допустимо для существующих документов) if fields.get('issue_date'): issue_date = parse_date(fields['issue_date']) if issue_date: from datetime import date if issue_date > date.today(): errors.append({'field': 'issue_date', 'error': 'future_date'}) if issue_date.year < 2000: errors.append({'field': 'issue_date', 'error': 'too_old'}) # Дата рождения if fields.get('birth_date'): birth_date = parse_date(fields['birth_date']) if birth_date: age = (date.today() - birth_date).days / 365 if age < 14 or age > 120: errors.append({'field': 'birth_date', 'error': 'invalid_age'}) return {'valid': len(errors) == 0, 'errors': errors} 

Как настроить пайплайн верификации за 5 шагов?

1. Сбор требований — анализируем типы документов, допустимые форматы изображений, требования к скорости.
2. Выбор компонентов — OCR (PaddleOCR, Tesseract), детектор качества, MRZ-ридер (passporteye), модуль проверки подлинности.
3. Разработка пайплайна — реализуем класс DocumentVerificationSystem с каскадными проверками, интегрируем GPU-инференс.
4. Интеграция — REST API или gRPC эндпоинт, поддержка batch-запросов для высокой пропускной способности.
5. Тестирование и мониторинг — прогон на ваших данных (минимум 1000 образцов), фиксация метрик (latency p99, точность, ложные срабатывания).

Кейс: банк с 1 млн клиентов сократил время KYC с 10 минут до 30 секунд

После внедрения нашего пайплайна заказчик получил однократное прохождение верификации за 20 секунд, а повторное — за 2 секунды (используя кеш результатов). Уровень ложных отклонений снизился с 12% до 1.5%, что сократило нагрузку на операторов в 8 раз. Свяжитесь с нами, чтобы получить аналогичные результаты — снижение операционных затрат до 45% за счёт автоматизации. Оценим ваш проект за 2 дня.

Детектируемые типы документов и сроки реализации

Что входит в работу под ключ?

Мы предоставляем полный цикл: аналитика требований, выбор архитектуры (RAG, классификатор или гибрид), реализация пайплайна, интеграция через REST API, тестирование на вашем пуле документов (не менее 1000 образцов), документирование, обучение операторов и поддержка 1 месяц после запуска. Гарантируем точность верификации не ниже 98% с уровнем ложных отклонений менее 1%. Типичный ROI проекта составляет 6–9 месяцев.

Наш опыт включает 15+ проектов в финтехе, банках и госсекторе. Закажите бесплатный пилот — мы проведём верификацию 100 ваших документов и покажем результат. Получите демо-доступ к уже работающей системе.