Detección: ¿dónde está el rostro en la imagen?
Piensa en el recuadro que dibuja la cámara alrededor de un rostro. Responde a la pregunta ¿dónde hay un rostro?, pero no dice de quién es. El reconocimiento facial va un paso más allá: convierte los rasgos de esa zona en una representación numérica y la compara con una referencia. Dos fotos pueden corresponder a la misma persona aunque sus píxeles no coincidan exactamente.
Imagina que una empleada activa el inicio de sesión facial en el portal de prestaciones de su empresa. Una ventana a su espalda le deja el rostro en sombra. La cámara puede detectarlo sin captar suficiente detalle para compararlo. El portal necesita primero una imagen clara de una sola persona. En este caso, «Colócate de frente a la luz» ayuda más que «No encontramos tu cuenta».
Alineación: cómo comparar fotos tomadas desde distintos ángulos
Al registrarse, la empleada usó una computadora portátil sobre el escritorio. La siguiente vez sostiene el teléfono un poco de lado. Su rostro ocupa otra parte del encuadre. Si se compararan las imágenes completas píxel por píxel, el fondo y la posición de la cámara pesarían tanto como el propio rostro.
Muchos sistemas localizan puntos de referencia, como los ojos, para recortar, girar y ajustar el tamaño del rostro hasta situarlo en una posición comparable. Este paso se llama alineación. Reduce las diferencias de encuadre, pero no recupera detalles perdidos por el movimiento ni rasgos que quedaron fuera de la imagen.
Extracción de rasgos: qué contiene una plantilla facial
El modelo convierte la imagen del rostro ya alineado en una lista de números llamada vector de características o embedding. Estos números representan patrones que el modelo aprendió; no son una ficha con el color de ojos o la longitud de la nariz. El objetivo es que dos imágenes de la misma persona produzcan vectores más parecidos entre sí que los de dos personas distintas.
El estudio sobre FaceNet da un ejemplo: su modelo aprende a representar los rostros de modo que la distancia entre dos vectores indique cuánto se parecen. Cada motor puede usar una representación y una medida distintas. Una plantilla no es una suma de verificación de archivos: cambiar la iluminación altera el archivo, pero no debería impedir por sí solo que el motor reconozca a la persona.
La plantilla y el identificador de cuenta cumplen funciones distintas. El motor compara las plantillas; tu sitio usa un identificador para localizar la cuenta. En FACEIO, el motor de reconocimiento seleccionado administra el hash biométrico. FACEIO no almacena ni procesa ese hash, ni tiene acceso a él. Tu aplicación recibe un Facial ID, no el vector de características.
Comparación facial: ¿una referencia o varias?
En la verificación uno a uno, ya se conoce la referencia. Por ejemplo, FACEIO ID Match compara una selfie tomada en el momento con la foto de la identificación que presenta la persona. La pregunta es concreta: ¿parecen ser los rostros de la misma persona? Una coincidencia no autentica el documento ni acredita la identidad legal de su titular.
En la identificación uno a muchos, el motor busca una posible coincidencia entre las plantillas registradas. Siempre habrá una que se parezca más que las demás, incluso si la persona nunca se registró. Por eso no basta con elegir la más cercana: el sistema también debe poder indicar que no encontró ninguna coincidencia.
Cómo interpretar una puntuación de similitud
La puntuación indica cuánto se parecen dos representaciones según un modelo determinado. El umbral es el mínimo que ese modelo exige para indicar una coincidencia. Imagina una escala en la que un valor mayor indica más parecido: una puntuación de 87 superaría un umbral de 85, pero no uno de 90. Son cifras ilustrativas, no ajustes recomendados. Obtener 87 no significa que haya un 87 % de probabilidad de que la cuenta pertenezca a esa persona.
Un umbral más estricto suele reducir las falsas coincidencias (aceptar rostros de personas distintas), pero aumenta los falsos rechazos (descartar dos imágenes de la misma persona). Por eso un porcentaje de precisión aislado no te dice cuántos clientes tendrán que volver a intentarlo. Las evaluaciones uno a uno del NIST presentan ambas tasas para un mismo umbral. La documentación de Amazon Rekognition explica cómo aplica ese motor el umbral a los resultados de búsqueda.
¿Qué significa la tasa de falsas coincidencias al iniciar sesión?
Supongamos que haces dos pruebas con el mismo umbral. En la primera, comparas las capturas de los empleados con sus propias fotos de registro. En la segunda, comparas fotos de personas distintas que aceptaron participar. Para interpretar cada tasa, fíjate en qué comparaciones estás contando:
- Misma persona: si fallan 20 de 1,000 comparaciones entre fotos de la misma persona, la tasa observada de falsos rechazos es del 2 %. Fallaron 20 comparaciones, no necesariamente las de 20 empleados distintos.
- Personas distintas: si se aceptan 2 de 10,000 comparaciones entre personas distintas, la tasa observada de falsas coincidencias es del 0.02 %. Esa cifra no indica la probabilidad de que un inicio de sesión exitoso concreto corresponda a un impostor.
Estas cifras son hipotéticas; no son resultados de pruebas de FACEIO. Miden la comparación, no todo el inicio de sesión. Si alguien deniega el permiso de la cámara, no se llega a comparar ningún rostro. Si hay coincidencia, todavía es posible equivocarse al ingresar el PIN. Contar cualquiera de los dos casos como un error de reconocimiento llevaría a corregir el problema equivocado.
En el portal de prestaciones, conviene probar los dispositivos que realmente usa el personal. Si hay muchos reintentos en la recepción, donde la cámara está a contraluz, pero no en los teléfonos, prueba a cambiar la iluminación antes de ajustar el umbral para todos. El NIST explica cómo influyen la exposición y el ángulo de la cámara. Los resultados obtenidos con retratos bien iluminados no tienen por qué repetirse en recepción.
Por qué una coincidencia no es una prueba de vida
Una foto de la empleada puede parecerse mucho a su imagen de registro. El motor puede acertar al indicar que los rostros se parecen sin resolver otra pregunta: ¿está la empleada frente a la cámara en este momento? Las pruebas de vida y los controles contra la suplantación analizan señales de la captura, no solo el parecido entre rostros.
En FACEIO, la validación del PIN también está activada de forma predeterminada. Que el rostro coincida no significa que la persona conozca el PIN. Estas medidas se complementan, pero ninguna garantiza la detección de todos los deepfakes o intentos de usar una grabación. Revisa la configuración de la prueba de vida y del PIN antes del lanzamiento y ofrece una vía de recuperación a quienes no puedan completar la prueba con la cámara.
Cómo usar el resultado de FACEIO en tu sitio web
En el portal de prestaciones hay dos acciones distintas. Durante el registro, solicita el consentimiento de la persona y llama a enroll() para registrarla en tu aplicación. Vincula el Facial ID que recibes con la cuenta correcta. Cuando esa persona regrese, llama a authenticate() para iniciar sesión. Un intento fallido no debe crear otro registro de forma automática.
Una coincidencia no determina qué puede hacer la empleada. Tu backend debe establecer la sesión de forma segura y comprobar sus permisos. Iniciar sesión para consultar sus propias prestaciones no le da acceso al expediente de otra persona. La guía ¿Qué es la autenticación facial? explica cómo encaja el reconocimiento en el inicio de sesión.
Qué indicarle al usuario según el problema
fioErrCode.NO_FACES_DETECTED: no se detectó ningún rostro a tiempo. Pide al usuario que revise el encuadre y la iluminación. Todavía no hay un resultado de comparación.fioErrCode.UNRECOGNIZED_FACE: no se reconoció a ningún usuario registrado. Ofrece otro intento o la opción de recuperar la cuenta. No crees un segundo registro para resolver el error.- Sesión iniciada, acceso restringido: si la empleada puede ver sus prestaciones, pero no el expediente de otra persona, el control de permisos está funcionando. Repetir el escaneo no debería darle más acceso.
La referencia de errores de fio.js también distingue los problemas de permisos de la cámara de los errores de captura y reconocimiento.
Prueba el registro y el inicio de sesión en tu sitio web
Crea una aplicación en la FACEIO Console y sigue la guía de integración de cinco minutos para cargar fio.js con tu Public ID y probar ambos flujos.