Como funciona o reconhecimento facial? Da detecção à comparação de rostos

Como um site reconhece no celular alguém que se cadastrou pelo notebook? Ele não procura duas fotos idênticas: compara características extraídas de cada rosto. Veja como essa comparação funciona e o que o resultado permite concluir.

Voltar à Central de Conhecimento
Por: equipe de engenharia do FACEIO

Detecção facial: onde está o rosto na imagem?

Pense no retângulo que a câmera desenha ao redor de um rosto. Ele responde à pergunta onde está o rosto?, mas não diz de quem é. O reconhecimento facial vai além: transforma as características daquela região em números e os compara com uma referência. Duas fotos da mesma pessoa podem corresponder mesmo que seus pixels não coincidam.

Imagine uma funcionária que está configurando o login facial no portal de benefícios da empresa. Há uma janela atrás dela, e seu rosto fica na sombra. A câmera pode detectar o rosto sem captar detalhes suficientes para compará-lo. Nesse momento, o portal precisa de uma imagem nítida de uma única pessoa. A orientação “Fique de frente para a luz” ajuda mais do que a mensagem “Conta não encontrada”.

Alinhamento: como comparar fotos tiradas de ângulos diferentes

No cadastro, a funcionária usou um notebook sobre a mesa. No acesso seguinte, segura o celular um pouco de lado. Agora seu rosto ocupa outra parte da imagem. Se o sistema comparasse as fotos inteiras pixel por pixel, o fundo, o ângulo da câmera e o enquadramento teriam tanto peso quanto o próprio rosto.

Muitos sistemas localizam pontos de referência, como os olhos, para recortar, girar e redimensionar a imagem até que o rosto fique em uma posição semelhante nas duas fotos. Essa etapa se chama alinhamento. Ela reduz as diferenças de enquadramento, mas não recupera detalhes perdidos por causa do movimento nem revela o que ficou fora da imagem.

Extração de características: o que há em um template facial?

O modelo de reconhecimento converte a imagem preparada em uma lista de números, chamada de embedding ou vetor de características. Esses números representam padrões que o modelo aprendeu, não uma ficha com a cor dos olhos ou o tamanho do nariz. O objetivo é que fotos da mesma pessoa gerem vetores mais próximos entre si do que fotos de pessoas diferentes.

O estudo sobre o FaceNet mostra um exemplo: o modelo aprende a representar rostos de modo que a distância entre dois vetores indique o quanto eles se parecem. A representação e o método de comparação dependem do mecanismo utilizado. Um template não é uma soma de verificação de arquivo: mudar a iluminação altera os pixels, mas não deveria, por si só, fazer duas fotos da mesma pessoa parecerem tão diferentes quanto duas imagens sem relação.

No cadastro, o notebook captura o rosto de frente. No acesso seguinte, o celular mostra o mesmo rosto de outro ângulo. O mecanismo compara os dois templates.
A referência do cadastro permanece a mesma. Cada nova captura gera seu próprio template: o mecanismo procura semelhanças, não números idênticos. Os valores da ilustração são apenas exemplos.

O template e o identificador da conta têm funções diferentes. O mecanismo compara os templates; seu site usa um identificador para localizar a conta. No FACEIO, quem gerencia o hash biométrico é o mecanismo de reconhecimento facial escolhido. O FACEIO não armazena nem processa esse hash e não tem acesso a ele. Sua aplicação recebe um Facial ID, não o vetor de características.

Comparação facial: uma referência ou várias?

Na verificação um para um, a referência já é conhecida. O FACEIO ID Match, por exemplo, compara uma selfie tirada na hora com a foto do documento de identificação apresentado. A pergunta é específica: os dois rostos parecem ser da mesma pessoa? Uma correspondência não comprova a autenticidade do documento nem a identidade legal de quem o apresentou.

Na identificação um para muitos, a busca parte de um conjunto de templates cadastrados, e não de uma única referência. Sempre haverá um candidato mais parecido que os outros, mesmo que a pessoa nunca tenha se cadastrado. Por isso, não basta escolher o mais próximo: o sistema também precisa poder informar que não encontrou correspondência.

Como interpretar a pontuação de similaridade

A pontuação indica o quanto duas representações se parecem segundo determinado modelo. O limiar define a partir de que valor o sistema considera que há correspondência. Imagine uma escala em que valores maiores indicam maior semelhança: uma pontuação de 87 passaria com um limiar de 85, mas não com um de 90. Esses números ilustram a decisão; não são configurações recomendadas. Uma pontuação de 87 não significa que a pessoa tenha 87% de chance de ser a titular da conta.

Um limiar mais rigoroso tende a reduzir as falsas correspondências (aceitar rostos de pessoas diferentes), mas aumenta as falsas rejeições (rejeitar duas imagens da mesma pessoa). Por isso, um único percentual de acerto não diz quantos clientes precisarão tentar de novo. As avaliações um para um do NIST apresentam as duas taxas para um mesmo limiar. A documentação do Amazon Rekognition mostra como esse mecanismo aplica o limiar aos resultados de busca.

O que a taxa de falsas correspondências diz sobre o login?

Suponha que você faça dois testes com o mesmo limiar. No primeiro, você compara uma captura de cada funcionário com a foto de cadastro dele. No segundo, você compara fotos de pessoas diferentes que concordaram em participar. Para interpretar cada taxa, observe quais comparações entram na conta:

  • Mesma pessoa: se 20 de 1.000 comparações entre fotos da mesma pessoa falham, a taxa observada de falsas rejeições é de 2%. Foram 20 comparações rejeitadas, não necessariamente 20 funcionários diferentes.
  • Pessoas diferentes: se 2 de 10.000 comparações entre pessoas diferentes são aceitas, a taxa observada de falsas correspondências é de 0,02%. Essa taxa não é a probabilidade de que um login específico tenha sido feito por um impostor.

Esses números são hipotéticos, não resultados de testes do FACEIO. Eles medem a comparação, não o login completo. Se a pessoa negar acesso à câmera, nenhum rosto será comparado. Mesmo quando há correspondência, ela ainda pode digitar o PIN errado. Contar esses casos como erros de reconhecimento levaria sua equipe a corrigir a etapa errada.

No portal de benefícios, teste os aparelhos que os funcionários realmente usam. Se as pessoas precisam repetir a captura principalmente no balcão da recepção, onde a câmera fica contra a luz, mas não nos celulares, ajuste primeiro a iluminação em vez de mudar o limiar para todos. O NIST explica como a exposição e o ângulo da câmera afetam a comparação. Um resultado obtido com fotos bem iluminadas pode não se repetir na recepção.

Por que uma correspondência não é uma prova de vida

Uma foto da funcionária pode se parecer muito com a imagem do cadastro. O mecanismo pode acertar ao dizer que as imagens são parecidas sem responder a outra pergunta: a funcionária está mesmo diante da câmera agora? A prova de vida e os controles contra falsificação facial (anti-spoofing) analisam sinais da própria captura, não apenas a semelhança entre os rostos.

No FACEIO, a validação do PIN também vem ativada por padrão. O fato de um rosto corresponder à referência não significa que a pessoa saiba o PIN. Esses controles se complementam, mas nenhum garante a detecção de todo deepfake ou tentativa de usar uma gravação. Revise as configurações de prova de vida e PIN antes de colocar o login em produção e ofereça uma opção de recuperação para quem não conseguir concluir a verificação pela câmera.

O que seu site faz com o resultado do FACEIO

No portal de benefícios, cadastro e login são ações distintas. No cadastro, peça o consentimento da pessoa e chame enroll() para registrá-la na sua aplicação. Vincule o Facial ID retornado à conta correta. Quando a pessoa já cadastrada voltar, chame authenticate() para iniciar a sessão. Uma tentativa de login malsucedida não deve criar outro cadastro automaticamente.

O reconhecimento não decide o que a funcionária pode fazer. Cabe ao seu backend estabelecer uma sessão segura e verificar as permissões: entrar para consultar os próprios benefícios não dá acesso aos dados de um colega. O guia O que é autenticação facial? explica como a comparação de rostos se encaixa no processo de login.

Como orientar o usuário em cada situação

  • fioErrCode.NO_FACES_DETECTED: nenhum rosto foi detectado a tempo. Oriente a pessoa a verificar o enquadramento e a iluminação. Ainda não há resultado de comparação.
  • fioErrCode.UNRECOGNIZED_FACE: o sistema não reconheceu nenhum usuário cadastrado. Ofereça outra tentativa ou a opção de recuperar a conta. Não crie um segundo cadastro para contornar o erro.
  • Login concluído, acesso restrito: se a funcionária pode consultar os próprios benefícios, mas não consegue abrir o registro de um colega, o controle de permissões está funcionando. Repetir a leitura facial não deve mudar o que ela pode acessar.

A referência de erros da biblioteca fio.js também distingue problemas de permissão da câmera de falhas na captura ou no reconhecimento.

Teste o cadastro e o login no seu site

Crie uma aplicação no FACEIO Console e siga o guia de integração em cinco minutos para carregar fio.js com seu Public ID e testar os dois fluxos.

Abrir o FACEIO Console