El reconocimiento facial es un concepto de hace más de 50 años.

La mayoría de los sistemas utilizan tecnología de cámara 2D, que crea una imagen plana de una cara para mapear “puntos nodales” (tamaño / forma de ojos, nariz, pómulos, etc.). Luego, el sistema calcula la posición relativa de los nodos y convierte los datos en un código numérico. Los algoritmos de reconocimiento buscan una coincidencia en una base de datos de rostros.

La tecnología 2D funciona bien en condiciones estables y bien iluminadas, como el control de pasaportes. Pero es menos eficaz en espacios más oscuros y no puede ofrecer buenos resultados cuando los sujetos se mueven. Además, es fácil de burlar con una fotografía.

Una forma de superar estos defectos es con la detección de vida.

Así, estos sistemas buscarán indicadores de una imagen no en vivo, como características inconsistentes entre el primer plano y el fondo.

También, pueden pedirle al usuario que parpadee o se mueva. Esta detección de vida es necesaria para aplacar a los delincuentes que intentan engañar a los sistemas de reconocimiento facial mediante fotografías o máscaras.

Por ejemplo, Apple utiliza tecnología de cámara 3D para potenciar la función Face ID basada en infrarrojos térmicos en su iPhone X. Las imágenes infrarrojas térmicas mapean los patrones de rostros determinados principalmente por los vasos sanguíneos superficiales debajo de la piel.

Apple también envía el patrón de la cara capturada a un “repositorio seguro” en el dispositivo. Esto garantiza que la autenticación se realice localmente y que Apple no pueda acceder a los rostros.

Tres criterios evalúan los sistemas de reconocimiento facial:

1. Falso positivo (también conocido como falsa aceptación)

Esto describe cuando un sistema hace una coincidencia incorrecta por error. El número debe ser lo más bajo posible.

2. Falso negativo (también conocido como falso rechazo)

Con un falso negativo, un usuario genuino no coincide con su perfil. Este número también debería ser bajo.

3. Verdadero positivo

Esto describe cuándo un usuario inscrito coincide correctamente con su perfil. Este número debería ser alto.

Estas tres medidas se expresan en porcentajes. Entonces, digamos que un sistema de entrada evalúa a 1,000 personas por día. Si se permite la entrada a cinco personas no aprobadas, la tasa de falsos positivos es de cinco en 1.000. Eso es uno en 200 o 0.5%.

Por lo tanto, ¿qué porcentajes alcanzan los sistemas de reconocimiento facial actuales?

El Instituto Nacional de Estándares y Tecnología (NIST) prueba regularmente varios sistemas con una base de datos de 26,6 millones de fotos. Entre ellos nuestro sistema de reconocimiento facial LFIS de Cogent Thales.

En el Rally de Tecnología Biométrica del Departamento de Seguridad Nacional en 2018, se probaron distintos sistemas de reconocimiento facial. Para esta prueba, el Sistema de Identificación de Rostros en Vivo (LFIS) de Thales/Gemalto obtuvo una tasa de adquisición del 99,44% en menos de cinco segundos, en comparación con el promedio de 65 %.

1. Justicia

La tecnología de reconocimiento facial debería tratar a todas las personas de manera justa.

2. Transparencia

Las empresas de tecnología deben documentar las capacidades y limitaciones de la tecnología.

3. Responsabilidad

Debe haber un nivel apropiado de control humano para usos que puedan afectar a las personas de manera significativa.

4. No discriminación

Los términos de servicio deben prohibir la discriminación ilegal.

5. Aviso y consentimiento

Las empresas deben proporcionar aviso y consentimiento seguro cuando implementan el reconocimiento facial.

6. Vigilancia Legal

Debe haber garantías para las libertades democráticas de las personas en los escenarios en los que hay vigilancia con reconocimiento fácil por las fuerzas del orden público.

Aunque “reconocimiento facial” se utiliza generalmente como un término general, esto no es del todo exacto. Existe una distinción crucial entre el reconocimiento facial y la detección de rostros.

El reconocimiento facial describe el proceso de escanear un rostro y luego compararlo con la misma persona en una base de datos. Este es el enfoque utilizado para desbloquear teléfonos o autenticar a una persona que ingresa a un edificio.

La detección de rostros es cuando un sistema intenta simplemente establecer que hay un rostro. Las empresas de redes sociales utilizan la detección de rostros para filtrar y organizar imágenes en grandes catálogos de fotos, por ejemplo.

Las herramientas utilizadas para entrenar los dos sistemas son diferentes. Los niveles deseados de precisión también varían. El reconocimiento facial utilizado con fines de identificación debe obtener una puntuación más alta que cualquier sistema utilizado para simplemente organizar imágenes.

La confusión entre los dos procesos ha provocado cierta controversia.

En 2019, un investigador reveló que los sistemas de Amazon eran mucho mejores para clasificar el género de los hombres de piel clara que de las mujeres de piel oscura.

Esto generó temores respecto a que los sistemas de vigilancia pudieran generar más coincidencias falsas para algunos grupos étnicos.