Los algoritmos creados antes de la pandemia funcionan con menos precisión cuando se trata de identificar rostros con mascarillas.

SI BIEN EN 2019 el uso de la biometría llegó a la cima como una herramienta fundamental de seguridad para el reconocimiento de personas en sitios públicos, en 2020 la pandemia del COVID-19 y la nueva normalidad han obligado a replantear esta clase de tecnología en varias de sus aristas.

Biometría es, de acuerdo con la Organización Internacional de Normalización, el reconocimiento automático de los individuos en función de sus características biológicas y de comportamiento. Este sistema cubre una variedad de tecnologías en las que se utilizan atributos identificables únicos de las personas para su identificación y autenticación.

Estos atributos incluyen (sin limitarse a ellos) la huella digital, el iris, mano, cara, voz, forma de andar o la firma, que se pueden utilizar para validar la identidad de las personas con la idea de buscar el control de acceso a computadoras y dispositivos, líneas aéreas, bases de datos y otras áreas de necesaria restricción.

En la era del COVID-19, el uso del cubrebocas ya es prenda obligatoria en la mayoría de los espacios públicos de prácticamente todo el mundo, lo cual representa una dificultad para las cámaras de seguridad de bancos, aeropuertos, plazas públicas, etcétera, pues la mascarilla impide que la tecnología realice un efectivo reconocimiento facial.

De la misma forma, en esta época de coronavirus el colocar la huella digital en un dispositivo público, como los utilizados en algunos bancos y tiendas comerciales, se considera como un riesgo de contagio.

Lee más: Cómo el cubrebocas “fastidia” a los algoritmos de reconocimiento facial

Por ello, es necesario revisar las tecnologías de seguridad y comprender de qué manera pueden adaptarse a la nueva normalidad.

De acuerdo con Gemalto, empresa especializada en seguridad digital, la biometría se utiliza cada vez más en los aeropuertos y cruces fronterizos de todo el mundo, con lo que se persigue aumentar la seguridad y mejorar y agilizar el transporte aéreo.

Por ejemplo, La agencia de Aduanas y Protección Fronteriza de Estados Unidos ha seleccionado el reconocimiento facial y brinda Servicios de Verificación del Pasajero (TVS, por sus siglas en inglés) para identificar biométricamente a los pasajeros a lo largo de sus viajes internacionales.

FALTA DE ACUERDOS

Sin embargo, no todo el mundo está de acuerdo con esta metodología. Por ejemplo, el 60 por ciento de los participantes de la encuesta global “Biometrics Institute Industry Trend Tracker 2018” considera que las preocupaciones por la privacidad y la protección de los datos están limitando el mercado biométrico. Por su parte, grupos defensores de la privacidad del consumidor, medios de comunicación y algunos viajeros han expresado preguntas e inquietudes válidas, sobre todo porque temen que el reconocimiento facial pueda llevar a catastróficos escenarios de big brother.

En lo que todo el mundo coincide, no obstante, es en que el reconocimiento facial es un aliado para mitigar riesgos y amenazas delictivas.

Un estudio elaborado por el Banco Interamericano de Desarrollo (BID) señala que los países que conforman América Latina y el Caribe gastan en promedio un 3.5 por ciento de su producto interno bruto (PIB) en seguridad privada y otros servicios y tecnologías como la de reconocimiento facial para tratar de reducir los índices delictivos.

Ante ello, empresas especializadas en tecnologías de la información como NEC ofrecen soluciones biométricas de reconocimiento de rostro diseñadas especialmente para extraer imágenes faciales de los sistemas de videovigilancia existentes para ser comparadas, en tiempo real, con una lista de vigilancia previamente cargada.

Estos softwares, además, cuentan con la capacidad de identificar individuos de interés y generar alertas que permitan a sus usuarios tomar medidas preventivas que contribuyan a mitigar los riesgos o amenazas a la seguridad pública.

Estas soluciones también tienen la capacidad de combinar imágenes faciales de baja resolución, lo que permite utilizar videos e imágenes altamente comprimidos que antes se consideraban de poco o nulo valor para las organizaciones.

Sin embargo, de acuerdo con una investigación publicada a finales de julio por el Instituto Nacional de Estándares y Tecnología (NIST, por sus siglas en inglés), los algoritmos creados antes de la pandemia generalmente funcionan con menos precisión cuando se trata de identificar rostros con cubrebocas.

De acuerdo con esta agencia estadounidense, al combinar máscaras faciales aplicadas digitalmente con fotos de la misma persona sin máscara, el mejor de los 89 algoritmos de reconocimiento facial tuvo tasas de error de entre 5 y 50 por ciento.

“Con la llegada de la pandemia tenemos que entender cómo la tecnología de reconocimiento facial se ocupa de los rostros con cubrebocas”, explicó Mei Ngan, científico en informática del NIST y autor del informe.

El equipo de NIST exploró qué tan bien los algoritmos fueron capaces de realizar una comparación “uno a uno”, donde una foto se equipara con otra foto de la misma persona. Esta función es común en los sistemas de verificación, como desbloquear un teléfono inteligente o comprobar un pasaporte.

CUBREBOCAS FOTOMONTADOS

Asimismo, los investigadores montaron digitalmente cubrebocas en las fotos originales y probaron el rendimiento de los algoritmos. Debido a que los cubrebocas del mundo real son muy diferentes, el equipo ideó algunas variantes en el montaje, que incluían diferencias en la forma, el color y la protección de la nariz. 

Entérate: Mujer afirma que su hija se atragantó con restos de cubrebocas hallados en nuggets de McDonald’s

Los cubrebocas digitales eran de color negro o azul claro, que son los más comunes. Las formas incluían mascarillas redondas que cubren la nariz y la boca y una clase tan ancha como la cara del usuario. Luego, el equipo comparó los resultados con el rendimiento de los algoritmos en caras sin cubrebocas.

“Podemos sacar algunas conclusiones generales de los resultados, pero hay advertencias”, dijo Ngan. “Ninguno de estos algoritmos fue diseñado para manejar máscaras faciales, y los cubrebocas que utilizamos son creaciones digitales, no reales”.

Si se tienen en cuenta estas limitaciones, añadió Ngan, el estudio proporciona algunas lecciones generales al comparar el rendimiento de los algoritmos probados en rostros con y sin cubrebocas. 

Por ejemplo, la precisión del algoritmo con caras enmascaradas disminuyó sustancialmente en todos los ámbitos. Al usar imágenes sin cubrebocas, los algoritmos más precisos no pueden autenticar a una persona en solo el 0.3 por ciento de los casos. Empero, las fotos con cubrebocas elevaron la tasa de falla de estos algoritmos a entre 5 y 50 por ciento.

Además, las imágenes con cubrebocas causaron con mayor frecuencia que los algoritmos no pudieran procesar un rostro, lo que se denomina técnicamente como una falla de inscripción o plantilla. El reconocimiento facial generalmente funciona midiendo las características de un rostro, por ejemplo, su tamaño y proporción, que luego compara con las de otra foto. Una falla de inscripción significa que el algoritmo no pudo extraer las características correctas de una cara para hacer una comparación efectiva.

Asimismo, cuanto más cubra la nariz un cubrebocas, menor será la precisión del algoritmo. El estudio exploró tres niveles de cobijo nasal: baja, media y alta, y descubrió que la precisión se degrada frente a una mayor protección de la nariz.

Otra de las lecciones que arrojó el estudio es que, mientras que los falsos negativos aumentaron, los falsos positivos se mantuvieron estables o disminuyeron modestamente. Un “falso negativo” es el caso donde el algoritmo no puede hacer coincidir dos fotos de la misma persona, mientras que un “falso positivo” indica incorrectamente una coincidencia entre fotos de dos personas diferentes.

Finalmente, el estudio de NIST demostró que la forma y el color de un cubrebocas son importantes. Por ejemplo, las tasas de error de algoritmo fueron más bajas con las mascarillas redondas, mientras que las negras degradaron el rendimiento del algoritmo en comparación con las azules. 

“Respecto a la precisión con las máscaras faciales, esperamos que la tecnología continúe mejorando”, concluyó el autor del informe.