¿Por qué el reconocimiento facial parece menos fiable con iluminación interior cálida?
La iluminación interior cálida puede reducir la fiabilidad del reconocimiento facial porque los cambios espectrales y las sombras irregulares alteran los rasgos faciales codificados por la cámara y el modelo.
Una cámara de entrada doméstica puede reconocer a un residente cerca de una ventana con luz diurna, pero dudar bajo una lámpara de techo de 2700 K por la noche. La persona no ha cambiado; sí lo han hecho las proporciones de color capturadas, la exposición y la geometría de las sombras. Esto es importante cuando las imágenes de referencia almacenadas se recopilaron con una luz más brillante y neutra.
La luz cálida cambia más que el color general
Una lámpara cálida contiene menos energía de longitud de onda corta que la luz diurna y puede tener una distribución espectral irregular. El balance de blancos de la cámara puede hacer que la pared parezca neutra, pero los canales de la piel y el contraste fino aún pueden cambiar. Los embeddings de reconocimiento se construyen a partir de esos patrones locales, no de la percepción humana de que el rostro sigue pareciendo familiar.
Los experimentos del NIST sobre iluminación y enfoque descubrieron que el rendimiento del reconocimiento facial sigue siendo sensible a la iluminación y que los cambios en la densidad de los bordes podían explicarse por la iluminación, no solo por el enfoque. Por tanto, el color cálido es únicamente un indicador visible de un cambio más amplio en la calidad de captura.
La consecuencia es una mayor distancia entre el embedding en directo y la plantilla registrada. Un umbral ajustado para rechazar a desconocidos puede entonces rechazar al residente; reducirlo puede recuperar la comodidad, pero también aumentar las coincidencias falsas. Una mayor exposición no es automáticamente mejor si las altas luces se saturan o aumenta el desenfoque por movimiento.
Las sombras y la exposición automática modifican los rasgos estables
Las luminarias de techo crean sombras en las cuencas de los ojos, la nariz y la barbilla que difieren de las producidas por la luz frontal usada durante el registro. La exposición automática puede aclarar el fotograma promedio y, aun así, dejar un lado del rostro con ruido. El detector puede seguir delimitando el rostro, pero los puntos de referencia de alineación y el embedding dentro de ese recuadro se vuelven menos estables.
Los sistemas modernos, como los embeddings de ArcFace, mejoran la separación entre identidades en el espacio de embeddings, pero su margen no elimina la baja calidad de entrada. Si los puntos de alineación se desplazan porque un ojo o el contorno de una mejilla quedan ocultos, cambia el recorte normalizado que se presenta al reconocedor.
Por ello, fotogramas consecutivos pueden alternar entre aceptados y rechazados aunque la persona permanezca quieta. La inestabilidad se debe a los cambios en la exposición, el ángulo de la cabeza y la posición de las sombras. Normalmente es más útil inspeccionar los recortes de rostros alineados que comparar las atractivas vistas previas del fotograma completo.
Cuándo la iluminación cálida no es la causa principal
La explicación basada en la luz cálida no es suficiente cuando el rostro ocupa muy pocos píxeles, el obturador es demasiado lento o el objetivo está desenfocado. La compresión, la contraluz, las transiciones del filtro de corte infrarrojo y una plantilla de registro desactualizada pueden ser más determinantes que la temperatura de color. Además, dos lámparas con la misma temperatura en Kelvin pueden tener espectros muy distintos.
La investigación sobre la elección del sensor de imagen muestra que el sensor y la distancia focal afectan a la calidad del reconocimiento, especialmente cuando cambia la distancia al sujeto. Un rostro más grande y nítido puede superar a uno con un color perfecto pero insuficientemente muestreado, por lo que la corrección de color no puede compensar la falta de detalle espacial.
El mecanismo deja de ser convincente si los fallos persisten con una luz neutra de alta calidad o siguen la distancia en lugar del estado de la lámpara. Tampoco justifica cambiar el umbral de coincidencia antes de medir el rendimiento frente a impostores. La iluminación cambia la distribución de entrada; no demuestra que el propio modelo de reconocimiento sea defectuoso.
Compara la iluminación sin cambiar el umbral de coincidencia
Captura a un residente fijo a la misma distancia y con la misma pose bajo luz diurna, luz cálida y luz cálida con un relleno frontal suave. Mantén fijos el modo de la cámara, la resolución, la política del obturador y el umbral de reconocimiento. Compara el tamaño del recuadro facial, la alineación de los puntos de referencia, el desenfoque, los píxeles saturados y la distancia entre embeddings en al menos veinte fotogramas por condición.
Realiza la comparación mediante un único modelo local compartido para que todas las muestras utilicen la misma versión del modelo y el mismo conjunto de referencias almacenadas. Guarda los recortes de rostros alineados en lugar de capturas del panel; esos recortes revelan si el color, las sombras o la geometría cambiaron antes de la coincidencia.
Atribuye la causa a la iluminación cálida únicamente cuando la distancia entre embeddings y la aceptación mejoren de forma constante con una luz neutra o frontal, mientras el tamaño del rostro y el movimiento se mantienen estables. Si los resultados siguen la distancia, el tiempo de obturación o el enfoque, investiga primero esas variables. Vuelve a registrar el rostro solo después de elegir la condición de iluminación que represente el uso normal.
Productos recomendados
Centro de Tecnología e IA
Más para leer
Cómo medir la calidad de recuperación de RAG local e interpretar la exhaustividad, la precisión y la cobertura de citas
Crea un conjunto de pruebas RAG local, calcula las métricas principales de recuperación, interpreta sus ventajas y desventajas, y audita si las afirmaciones de...
¿Por qué es cada vez más importante la computación de funciones del hogar inteligente a medida que aumenta la cantidad de sensores con la misma frecuencia de muestreo?
Rastrea el procesamiento por sensor y entre sensores a medida que aumenta el número de dispositivos, identifica los costos no lineales de la fusión...
¿Por qué importa más el costo de evaluar RAG a medida que crece la biblioteca de documentos con el mismo volumen de consultas?
Comprende por qué el crecimiento del corpus aumenta el esfuerzo de evaluación de RAG sin más consultas de los usuarios y cómo las pruebas...
