Perché il riconoscimento facciale sembra meno affidabile in presenza di un’illuminazione interna calda?
L’illuminazione calda degli ambienti interni può ridurre l’affidabilità del riconoscimento facciale, perché gli spostamenti spettrali e le ombre irregolari modificano i tratti del viso codificati dalla fotocamera e dal modello.
Una telecamera d’ingresso domestica può riconoscere un residente vicino a una finestra illuminata dalla luce diurna, ma esitare sotto una lampada a soffitto da 2700 K durante la notte. La persona non è cambiata; sono cambiate invece le proporzioni cromatiche catturate, l’esposizione e la geometria delle ombre. Questo è importante quando le immagini di riferimento memorizzate sono state raccolte con una luce più intensa e neutra.
La luce calda modifica più del colore complessivo
Una lampada calda contiene meno energia nelle lunghezze d’onda brevi rispetto alla luce diurna e può avere una distribuzione spettrale irregolare. Il bilanciamento del bianco della fotocamera può rendere neutra la parete, ma i canali cromatici della pelle e il contrasto fine possono comunque cambiare. Gli embedding per il riconoscimento vengono costruiti a partire da questi pattern locali, non dalla valutazione umana che il volto sembri ancora familiare.
Gli esperimenti del NIST su illuminazione e messa a fuoco hanno rilevato che le prestazioni del riconoscimento facciale restano sensibili all’illuminazione e che i cambiamenti nella densità dei bordi possono essere spiegati dall’illuminazione, non soltanto dalla messa a fuoco. Il colore caldo è quindi solo un indicatore visibile di un cambiamento più ampio nella qualità dell’acquisizione.
La conseguenza è una maggiore distanza tra l’embedding acquisito dal vivo e il template registrato. Una soglia regolata per rifiutare gli sconosciuti può quindi rifiutare il residente; abbassarla può ripristinare la praticità, ma anche aumentare le corrispondenze errate. Un’esposizione maggiore non è automaticamente migliore se le alte luci vengono sovraesposte o aumenta il mosso.
Le ombre e l’esposizione automatica modificano i tratti stabili
Le lampade a soffitto creano ombre nelle cavità oculari, sul naso e sul mento diverse da quelle prodotte dalla luce frontale usata per la registrazione. L’esposizione automatica può schiarire il fotogramma medio lasciando però rumoroso un lato del viso. Il rilevatore può comunque tracciare un riquadro facciale, ma i punti di riferimento per l’allineamento e l’embedding all’interno del riquadro diventano meno stabili.
I sistemi moderni come gli embedding ArcFace migliorano la separazione tra le identità nello spazio degli embedding, ma il loro margine non elimina gli effetti di una qualità scarsa dell’immagine in ingresso. Se i punti di allineamento si spostano perché un occhio o il contorno della guancia sono oscurati, cambia il ritaglio normalizzato inviato al riconoscitore.
I fotogrammi ripetuti possono quindi alternare accettazioni e rifiuti anche mentre la persona resta immobile. L’instabilità segue i cambiamenti di esposizione, angolazione della testa e posizione delle ombre. Di solito è più utile esaminare i ritagli facciali allineati anziché confrontare le anteprime a schermo intero, più gradevoli.
Quando l’illuminazione calda non è la causa principale
La spiegazione della luce calda non è sufficiente quando il volto occupa troppi pochi pixel, il tempo di otturazione è troppo lungo o l’obiettivo è fuori fuoco. Compressione, controluce, transizioni del filtro anti-infrarossi e un template di registrazione obsoleto possono avere un peso maggiore della temperatura del colore. Inoltre, due lampade con la stessa temperatura in Kelvin possono avere spettri molto diversi.
La ricerca sulla scelta del sensore d’immagine mostra che il sensore e la lunghezza focale influenzano la qualità del riconoscimento, soprattutto al variare della distanza del soggetto. Un volto più grande e nitido può superare un volto con colori perfetti ma sottocampionato; la correzione del colore non può quindi compensare la mancanza di dettagli spaziali.
Il meccanismo perde forza se i problemi persistono con una luce neutra di alta qualità o se seguono la distanza anziché lo stato della lampada. Inoltre, non giustifica la modifica della soglia di corrispondenza prima di aver misurato le prestazioni sugli impostori. L’illuminazione modifica la distribuzione degli ingressi; non dimostra che il modello di riconoscimento sia difettoso.
Confrontare l’illuminazione senza modificare la soglia di corrispondenza
Acquisisci immagini di un residente fisso alla stessa distanza e nella stessa posa con luce diurna, luce calda e luce calda più un riempimento frontale morbido. Mantieni invariati la modalità della fotocamera, la risoluzione, la gestione dell’otturatore e la soglia di riconoscimento. Confronta le dimensioni del riquadro facciale, l’allineamento dei punti di riferimento, il mosso, i pixel sovraesposti e la distanza tra gli embedding usando almeno venti fotogrammi per condizione.
Esegui il confronto tramite un unico modello locale condiviso, così ogni campione utilizza la stessa versione del modello e lo stesso set di riferimenti memorizzati. Salva i ritagli facciali allineati invece di screenshot della dashboard: questi ritagli mostrano se sono cambiati colore, ombre o geometria prima della corrispondenza.
Attribuisci la causa all’illuminazione calda solo quando la distanza tra gli embedding e l’accettazione migliorano in modo costante con una luce neutra o frontale, mentre le dimensioni del volto e il movimento restano stabili. Se i risultati seguono invece la distanza, il tempo di otturazione o la messa a fuoco, analizza prima queste variabili. Registra nuovamente il volto solo dopo aver scelto la condizione di illuminazione che rappresenta l’uso normale.
Prodotti consigliati
Hub Tecnologico e AI
Altro da leggere
Come misurare la qualità del recupero RAG locale e interpretare recall, precisione e copertura delle citazioni
Crea un set di test RAG locale, calcola le metriche di base del recupero, interpretane i compromessi e verifica se le affermazioni nelle risposte...
Perché l’elaborazione delle funzionalità della casa intelligente diventa più importante all’aumentare del numero di sensori con la stessa frequenza di campionamento?
Monitora i calcoli per sensore e tra sensori all’aumentare del numero di dispositivi, identifica i costi di fusione non lineari e valuta le prestazioni...
Perché il costo della valutazione RAG diventa più importante con l’aumentare della libreria di documenti, a parità di volume di query?
Comprendi perché la crescita del corpus aumenta lo sforzo di valutazione del RAG senza un aumento delle query degli utenti e come i test...
