6h da manhã, início do turno. O colaborador tenta registrar o ponto três vezes e o aplicativo não o reconhece. O gestor ajusta a marcação na mão, e o cliente abre um chamado no suporte do seu software.
Para quem desenvolve software, baixa acurácia em reconhecimento facial é um problema de produto. Ela tem causas identificáveis, pode ser medida e, na maioria dos casos, pode ser corrigida.
Este guia mostra como a acurácia é medida, quais erros ela envolve, o que costuma derrubá-la nas condições reais de uso e como diagnosticar e corrigir cada causa.
O que é acurácia em reconhecimento facial
O reconhecimento facial compara o rosto capturado com uma referência biométrica cadastrada. O resultado dessa comparação é um score de similaridade. Um limiar (threshold), definido pela aplicação, decide se o score é suficiente para aceitar a pessoa.
A partir desse limiar (threshold), existem dois tipos de erro:
- Falso negativo (FNMR, false non-match rate): a pessoa certa é recusada.
- Falso positivo (FMR, false match rate): a pessoa errada é aceita.
Os dois erros andam em sentidos opostos. Um limiar (threshold) mais rigoroso reduz os falsos positivos e aumenta os falsos negativos. Um limiar (threshold) mais permissivo faz o contrário. Por isso, um percentual de acurácia só tem significado quando vem acompanhado do limiar (threshold) e do tipo de erro que ele mede.
Como a acurácia é medida
A principal referência internacional é a avaliação de algoritmos do NIST, o instituto de padrões dos Estados Unidos, conhecida como FRTE (Face Recognition Technology Evaluation). Na verificação 1:1, o NIST compara algoritmos pela taxa de falsos negativos medida com a taxa de falsos positivos fixada, por exemplo em 1 erro a cada 1 milhão de comparações, usando bases de fotos como as de visto e de fronteira.
Na prática, isso leva a três perguntas para fazer a qualquer fornecedor:
- Qual é a taxa de falsos negativos, e a qual taxa de falsos positivos ela corresponde?
- Com que tipo de imagem o número foi medido?
- Como o desempenho varia entre grupos de pessoas?
O benchmark mostra a qualidade do algoritmo em condições controladas. A base de usuários do seu cliente traz outras condições: celular de entrada, contraluz, foto de cadastro antiga e internet instável. A acurácia que importa para o produto é a que aparece nesse cenário.
O que cada erro custa para o seu cliente
O falso negativo gera atrito. O colaborador tenta de novo, forma fila, o gestor ajusta o registro na mão e o chamado chega ao suporte. Cada ajuste manual também abre espaço para o registro deixar de ser confiável.
O falso positivo gera fraude. Uma pessoa registra o ponto por outra, a entrega de um EPI fica associada à pessoa errada, uma aprovação passa sem que o responsável a tenha feito. Esse erro é silencioso e costuma aparecer só depois, numa auditoria ou num processo trabalhista.
Na identificação 1:N, em que o sistema procura a pessoa em toda a base, o risco de falso positivo cresce com o tamanho da base. Quanto mais pessoas cadastradas, mais rigoroso precisa ser o limiar (threshold).
As causas mais comuns de baixa acurácia
- Foto de cadastro: é a causa mais frequente. Uma referência antiga, desfocada, com pouca luz ou capturada em outro contexto compromete todas as validações seguintes.
- Iluminação na captura: contraluz, sol direto no rosto e ambientes escuros reduzem a qualidade da imagem no momento da validação.
- Câmera e dispositivo: dispositivos de entrada, lentes sujas e câmeras de baixa resolução reduzem a qualidade da captura.
- Pose e enquadramento: rosto inclinado, distante da câmera ou parcialmente coberto por capacete, cabelo, máscara ou boné.
- Conectividade: quando a validação depende da internet, a demora e o reenvio em locais com sinal fraco viram falhas percebidas pelo usuário.
- Mudanças ao longo do tempo: barba, cabelo, óculos e envelhecimento distanciam o rosto atual da referência cadastrada.
- Viés do modelo: em 2019, o NIST avaliou cerca de 200 algoritmos e encontrou diferenças de acurácia por idade, sexo e origem, maiores nos falsos positivos e muito variáveis entre desenvolvedores. Um modelo treinado com uma base pouco diversa erra mais com determinados perfis.
Como diagnosticar a acurácia no seu produto
O diagnóstico começa pelos dados que o seu software já pode registrar.
Registre:
- tentativas por validação concluída;
- taxa de recusa;
- recusas seguidas de sucesso na mesma sessão, um bom indicador de falsos negativos;
- ajustes manuais de marcação ou de registro;
- chamados de suporte ligados à validação;
- tentativas de fraude bloqueadas pela prova de vida.
Segmente: por cliente, modelo de dispositivo, horário, local de operação e versão do aplicativo.
Leia os padrões:
- falhas concentradas em um modelo de dispositivo apontam para a câmera ou para a captura;
- falhas concentradas em um horário ou local apontam para iluminação ou conectividade;
- falhas concentradas em pessoas específicas apontam para a foto de cadastro;
- falhas concentradas em um grupo de pessoas apontam para viés do modelo.
Exemplo ilustrativo: falhas concentradas em um modelo de dispositivo apontam para a câmera ou para a captura.
Como corrigir cada causa
- Cadastro: verificação de qualidade no momento da captura (nitidez, iluminação, rosto centralizado), mais de uma foto por pessoa e recadastro guiado quando a referência estiver ruim.
- Captura: câmera com orientação na tela, que confere luz e enquadramento antes de validar.
- Dispositivos: testes no parque real de dispositivos dos clientes, incluindo os modelos de entrada.
- Conectividade: processamento no próprio dispositivo, para a validação funcionar offline.
- Mudanças no rosto: atualização da referência a cada autenticação válida.
- Limiar (threshold): calibração conforme o risco de cada fluxo. O ponto diário e a troca da conta bancária onde o salário é depositado pedem níveis diferentes de rigor.
- Viés: testes de desempenho em toda a diversidade da base de usuários e uma tecnologia treinada para essa diversidade.
O papel da prova de vida
Acurácia responde se o rosto é da pessoa cadastrada. A prova de vida, ou liveness, responde se há uma pessoa real diante da câmera naquele momento. Ela bloqueia tentativas com fotos impressas, telas, vídeos e máscaras.
Existem dois formatos. A prova de vida ativa pede um movimento, como virar ou aproximar o rosto. A passiva analisa a própria imagem capturada, sem pedir nenhuma ação ao usuário. Em fluxos de uso diário, como o registro de ponto, a passiva evita instruções na tela e novas tentativas, e mantém a validação rápida.
Para quem ainda não usa biometria ou usa a digital
Em softwares sem biometria, a marcação com senha, PIN ou crachá registra a ação sem confirmar quem a realizou. Nesse caso, o falso positivo existe e passa despercebido: qualquer pessoa com a senha de um colega registra por ele.
Com biometria digital, os falsos negativos se concentram em dedos com calos, cortes ou sujeira, comuns em obra, indústria e campo, além da dependência de um leitor físico.
Em todos os casos, medir tentativas, recusas e ajustes manuais é o primeiro passo para comparar o cenário atual com o reconhecimento facial.
Em outros mercados, o fluxo muda: a confirmação de uma entrega no fim da rota, o acesso a uma área restrita, a contratação de um crédito. As métricas e o diagnóstico seguem os mesmos.
O que avaliar em uma tecnologia de reconhecimento facial
- Taxa de falsos negativos a uma taxa de falsos positivos declarada, com o tipo de imagem usado no teste.
- Desempenho medido por grupo de pessoas.
- Prova de vida e os tipos de ataque contra os quais ela foi testada.
- Funcionamento offline, no próprio dispositivo.
- Compatibilidade com os dispositivos que os seus clientes usam.
- Verificação de qualidade no cadastro e na captura.
- Atualização da referência biométrica ao longo do tempo.
- Registro de cada validação para auditoria.
- Suporte técnico durante a integração.
Como a Gryfo trata a acurácia
A Gryfo desenvolve tecnologia própria de reconhecimento facial no Brasil, treinada para faces brasileiras, com 0% de viés racial. A tecnologia tem 99,99% de precisão, conclui 98,91% das validações em menos de 1 segundo e funciona 100% offline via SDK, em mais de 2.000 modelos de smartphones e tablets. Também conta com prova de vida passiva, verificação de qualidade na captura e atualização da biometria a cada autenticação válida.
Mais de 15 mil empresas usam essa tecnologia, com mais de 40 milhões de autenticações por mês. Na integração, um desenvolvedor da Gryfo participa das calls com o time do cliente para esclarecimentos e sugestões de melhores práticas na integração.
Para entender onde a biometria gera valor no seu produto, leia também Identidade como infraestrutura: onde a biometria pode gerar valor?
Quer diagnosticar a acurácia da biometria no seu produto? Converse com o time técnico da Gryfo.
Perguntas frequentes
O que é FNMR (false non-match rate) e FMR (false match rate)?
FNMR é a taxa de falsos negativos, quando a pessoa certa é recusada. FMR é a taxa de falsos positivos, quando a pessoa errada é aceita. As duas dependem do limiar (threshold) definido na aplicação.
Qual é a principal causa de baixa acurácia no reconhecimento facial?
A foto de cadastro. Uma referência antiga, desfocada ou com pouca luz compromete todas as validações seguintes. Iluminação, câmera do dispositivo e conectividade vêm em seguida.
Como medir a acurácia do reconhecimento facial no meu software?
Registre tentativas por validação, taxa de recusa, recusas seguidas de sucesso, ajustes manuais e chamados de suporte, e segmente por dispositivo, horário, local e cliente.
Reconhecimento facial funciona sem internet?
Funciona quando o processamento acontece no próprio dispositivo, por meio de um SDK offline. Assim, a validação continua em obras, no campo e em áreas sem sinal.
Fontes
- NIST, Face Recognition Technology Evaluation (FRTE) 1:1 Verification
- NIST, NISTIR 8280, Face Recognition Vendor Test Part 3: Demographic Effects (2019)
