Estados Unidos. Una investigación realizada por el Instituto Nacional de Estándares y Tecnología (NIST) analizó la efectividad de los algoritmos de reconocimiento facial para la identificación de personas que usan máscaras o tapa bocas.
El estudio indica que estos algoritmos trabajan con “gran dificultad”. Incluso el mejor de los 89 algoritmos comerciales de reconocimiento facial probados tuvo tasas de error entre 5% y 50% al combinar máscaras faciales aplicadas digitalmente con fotos de la misma persona sin máscara.
Los resultados se publicaron en el Informe Interagencial NIST (NISTIR 8311), el primero de una serie planificada del programa de Prueba de Reconocimiento de Reconocimiento Facial (FRVT) de NIST sobre el desempeño de algoritmos de reconocimiento facial en caras parcialmente cubiertas por máscaras protectoras.
"Con la llegada de la pandemia, tenemos que entender cómo la tecnología de reconocimiento facial se ocupa de los rostros enmascarados", dijo Mei Ngan, un científico informático del NIST y autor del informe. “Comenzamos centrándonos en cómo se desarrolló un algoritmo antes de que la pandemia pudiera verse afectada por sujetos con máscaras faciales. Más adelante este verano, planeamos probar la precisión de los algoritmos que se desarrollaron intencionalmente con las caras enmascaradas en mente".
El equipo del NIST exploró qué tan bien cada uno de los algoritmos fue capaz de realizar una correspondencia "uno a uno", donde se compara una foto con una foto diferente de la misma persona. La función se usa comúnmente para la verificación, como desbloquear un teléfono inteligente o verificar un pasaporte. El equipo probó los algoritmos en un conjunto de aproximadamente 6 millones de fotos utilizadas en estudios anteriores de FRVT. (El equipo no probó la capacidad de los algoritmos para realizar una coincidencia "uno a muchos", utilizada para determinar si una persona en una foto coincide con alguna en una base de datos de imágenes conocidas).
El equipo de investigación aplicó digitalmente formas de máscara a las fotos originales y probó el rendimiento de los algoritmos. Debido a que las máscaras del mundo real difieren, el equipo ideó nueve variantes de máscaras, que incluían diferencias en la forma, el color y la cobertura de la nariz. Las máscaras digitales eran de color negro o azul claro, que es aproximadamente del mismo color que una máscara quirúrgica azul. Las formas incluían máscaras redondas que cubren la nariz y la boca y un tipo más grande tan ancho como la cara del usuario. Estas máscaras más anchas tenían variantes altas, medias y bajas que cubrían la nariz en diferentes grados. Luego, el equipo comparó los resultados con el rendimiento de los algoritmos en caras sin máscara.
"Podemos sacar algunas conclusiones generales de los resultados, pero hay advertencias", dijo Ngan. "Ninguno de estos algoritmos fue diseñado para manejar máscaras faciales, y las máscaras que utilizamos son creaciones digitales, no reales".
Si se tienen en cuenta estas limitaciones, dijo Ngan, el estudio proporciona algunas lecciones generales al comparar el rendimiento de los algoritmos probados en caras enmascaradas versus enmascaradas.
- La precisión del algoritmo con caras enmascaradas disminuyó sustancialmente en todos los ámbitos. Usando imágenes sin máscara, los algoritmos más precisos no pueden autenticar a una persona aproximadamente el 0.3% del tiempo. Las imágenes enmascaradas elevaron incluso la tasa de falla de estos algoritmos superiores a alrededor del 5%, mientras que muchos algoritmos competentes fallaron entre el 20% y el 50% del tiempo.
- Las imágenes enmascaradas con mayor frecuencia causaron que los algoritmos no pudieran procesar una cara, técnicamente denominada "falla de inscripción o plantilla" (FTE). Los algoritmos de reconocimiento facial generalmente funcionan midiendo las características de una cara, por ejemplo, su tamaño y distancia entre sí, y luego comparando estas medidas con las de otra foto. Un FTE significa que el algoritmo no pudo extraer las características de una cara lo suficientemente bien como para hacer una comparación efectiva en primer lugar.
- Cuanto más cubre la nariz una máscara, menor es la precisión del algoritmo. El estudio exploró tres niveles de cobertura nasal: bajo, medio y alto, y descubrió que la precisión se degrada con una mayor cobertura nasal.
- Mientras que los falsos negativos aumentaron, los falsos positivos se mantuvieron estables o disminuyeron modestamente. Los errores en el reconocimiento facial pueden tomar la forma de un "falso negativo", donde el algoritmo no coincide con dos fotos de la misma persona, o un "falso positivo", donde indica incorrectamente una coincidencia entre fotos de dos personas diferentes. La modesta disminución en las tasas de falsos positivos muestra que la oclusión con máscaras no socava este aspecto de la seguridad.
- La forma y el color de una máscara son importantes. Las tasas de error de algoritmo fueron generalmente más bajas con las máscaras redondas. Las máscaras negras también degradaron el rendimiento del algoritmo en comparación con las azules quirúrgicas, aunque debido a limitaciones de tiempo y recursos, el equipo no pudo probar el efecto del color por completo.
El informe, Prueba continua del proveedor de reconocimiento facial (FRVT) Parte 6A: Precisión del reconocimiento facial con máscaras faciales que utilizan algoritmos anteriores a COVID-19, ofrece detalles del rendimiento de cada algoritmo y el equipo ha publicado información adicional en línea.
Ngan dijo que la próxima ronda, planeada para más adelante este verano, probará algoritmos creados con máscaras faciales en mente. Las rondas de estudios futuros probarán búsquedas de uno a muchos y agregarán otras variaciones diseñadas para ampliar el resultado.
Fuente: NITS.
