En los últimos meses varios clientes nos han trasladado su preocupación sobre el posible efecto negativo derivado del uso de las mascarillas en los sistemas de reconocimiento facial. Para estudiar el alcance real de esta nueva situación y determinar si efectivamente pueden suponer una amenaza de seguridad, el NIST (National Institute of Standards and Technology) ha elaborado un informe en el que se evalúan los algoritmos de reconocimiento facial pre COVID-19 utilizando bases de datos modificadas en las que se han incluido mascarillas de manera sintética. El objetivo principal es cuantificar de manera objetiva la variación en las prestaciones de los sistemas, para ello se ha planteado un escenario de pruebas de verificación 1:1 en la que la imagen facial a evaluar contiene mascarilla mientras que la de comprobación se mantiene sin ella.

Descubre qué es el reconocimiento facial a través de esta guía interactiva: orígenes de la tecnología, casos de uso, técnicas actuales y su evolución en el futuro.

Las mascarillas se han añadido a las imágenes faciales de forma artificial, calculando primero una serie de puntos de referencia sobre el rostro y trazando después una suerte de mascarilla con diferentes formas, porcentaje de oclusión y colores. Aunque en el propio estudio se señalan las limitaciones que pueden surgir del análisis de los resultados generados con información sintética, el informe supone un punto de partida representativo del posible efecto de este tipo de complementos.

Ejemplos de imágenes generadas de manera sintética para la evaluación

Tras realizar el análisis sobre casi 90 algoritmos de reconocimiento facial enviados para supervisión dentro del programa Face Recognition Vendor Test (FRVT), se han obtenido las siguientes conclusiones:

• Las tasas de falso rechazo (usuarios legítimos marcados como impostores) han visto incrementado su valor en todas las pruebas, variando desde un 0,3% en los mejores algoritmos con una tasa de oclusión media hasta un 5% en aquellas pruebas donde la superficie tapada por la mascarilla alcanza el 70% de la cara. Se han llegado a obtener incrementos en la tasa del falso rechazo superiores al 50%, normalmente debido a una mayor frecuencia de errores en la detección facial.
• Las tasas de falsa aceptación (usuarios impostores marcados como legítimos) se mantienen en los mismos márgenes e incluso se observa una ligera mejora. Este resultado es clave a la hora de determinar que el uso de mascarilla no supone una amenaza a la seguridad de los sistemas de reconocimiento facial desde el punto de vista de la aceptación de usuarios impostores.
• No todos los tipos de mascarillas muestran la misma influencia en los resultados: las tasas más altas de incremento en el falso rechazo se obtienen con mascarillas que cubren la cara a lo ancho (como las quirúrgicas) mientras que con las de forma redondeada (como las K95) estos incrementos son más reducidos.
• Las tasas de incremento de error son más acusadas con las mascarillas negras que con las de color azul claro. No está claro cuál es la justificación de esta diferencia, aunque el carácter sintético de los datos (donde se utilizan colores lisos sin tener en cuenta las texturas) hace precipitada la toma de conclusiones y deberá esperarse a un análisis más a fondo con fotos reales.

Impacto en las tasas de falso rechazo comparando evaluación con mascarilla quirúrgica (línea roja) contra el caso base (sin mascarilla, línea negra)

Los resultados de este trabajo son esclarecedores del poder de generalización de los sistemas de reconocimiento facial basados en aprendizaje profundo, ya que son capaces de mantener la capacidad de extracción de características con fuerte poder discriminativo incluso en situaciones donde una parte muy significativa de la información desaparece (queda oculta bajo la mascarilla).

Aunque en todo caso seguirá siendo recomendable realizar los procesos de reconocimiento facial aportando la mayor información posible (esto es, eliminando elementos que puedan causar oclusión como gafas de sol, mascarillas u otros) el estudio del NIST aporta al menos confianza en la robustez de los algoritmos respecto a la falsa aceptación, sin duda el factor de mayor preocupación a la hora de implantar un sistema de verificación biométrica de identidad. Queda sin embargo pendiente la tarea de mejora de prestaciones de falso rechazo para evitar un impacto en la experiencia de usuario causada por intentos repetidos de verificación legítima sin éxito.