Image Quality Assessment of Identity Cards Using Measures from Open Face Image Quality

Resumen Técnico: Evaluación de la Calidad de Imagen de Documentos de Identidad utilizando Medidas de Open Face Image Quality

Planteamiento del Problema
La verificación remota de documentos de identidad (ID) se ha vuelto crítica para acceder a servicios bancarios y gubernamentales en línea. Sin embargo, la fiabilidad de los sistemas de Detección de Ataques de Presentación (PAD) en estos contextos depende en gran medida de la calidad de las imágenes capturadas de la tarjeta de identidad. Las imágenes de baja calidad pueden provocar el rechazo de documentos legítimos o la clasificación errónea de ataques de presentación. Aunque el estándar Open Face Image Quality (OFIQ) proporciona un marco para evaluar imágenes biométricas faciales, no es directamente aplicable a las tarjetas de identidad debido a diferencias estructurales significativas. Las tarjetas de identidad carecen de los puntos de referencia faciales simétricos (por ejemplo, las mejillas) necesarios para las comprobaciones estándar de uniformidad de iluminación, presentan diseños y materiales diversos, y a menudo contienen texto y características de seguridad que interfieren con las métricas de calidad estándar. Además, el desarrollo de sistemas PAD para tarjetas de identidad se ve obstaculizado por la falta de conjuntos de datos públicos que contengan imágenes reales de tarjetas de identidad debido a preocupaciones de privacidad.

Metodología
Los autores proponen un flujo de procesamiento de preprocesamiento y un conjunto de medidas de calidad adaptadas para evaluar las imágenes de las tarjetas de identidad, con el objetivo de mejorar el rendimiento de los PAD descartando capturas de baja calidad antes de que lleguen al sistema PAD.

1. Flujo de Preprocesamiento:

   • Detección de Esquinas: Se entrena un modelo stacked hourglass para detectar las cuatro esquinas de la tarjeta de identidad, incluso si están ocluidas o fuera del cuadro de la imagen.
   • Normalización de Perspectiva: Utilizando las esquinas detectadas, la imagen se deforma a una vista cenital (1000 × 628 píxeles) para eliminar la variabilidad causada por los ángulos y distancias de captura.
   • Enmascaramiento Exhaustivo: Para evitar sesgos en las medidas basadas en la luminancia, se enmascaran regiones específicas:
     • Región Facial: Detectada mediante segmentación YOLOv11.
     • Fondos Oscuros: Específicos para ciertas tarjetas de identidad (por ejemplo, colombianas) donde existe un fondo oscuro detrás de la foto facial.
     • Contenido de Primer Plano: El texto, los códigos de barras y los logotipos se enmascaran utilizando el detector de texto EAST y un algoritmo de segmentación de primer plano de un trabajo previo [12] para evitar que las sombras del texto sean malinterpretadas como defectos de iluminación.
   • Detección de Artefactos de Compresión: Se realiza en la imagen "recortada" original (antes de la normalización) para evitar los artefactos introducidos durante la transformación de perspectiva.

2. Medidas de Calidad Adaptadas:
   El estudio utiliza 10 medidas relacionadas con la captura de OFIQ, además de tres medidas (asimetría de luminancia, curtosis de luminancia y distorsión radial) que fueron propuestas pero descartadas en la versión final de OFIQ.

   • Aplicabilidad: Medidas como la uniformidad del fondo, el color natural y la distorsión radial se consideraron inaplicables para las tarjetas de identidad.
   • Nuevo Algoritmo: Se desarrolló un algoritmo novedoso para la Uniformidad de la Iluminación. En lugar de comparar rasgos faciales, la imagen normalizada se divide en una cuadrícula de 3×4. Se calcula la mediana de la luminancia de cada bloque (excluyendo el primer plano enmascarado), y la desviación estándar de estas medianas sirve como métrica de uniformidad.
   • Otras Medidas: La media de luminancia, la varianza, la asimetría, la curtosis, la sobreexposición/subexposición, el rango dinámico, la nitidez y los artefactos de compresión se calculan utilizando los mismos algoritios que OFIQ, aplicados a las imágenes enmascaradas y normalizadas.

Configuración Experimental
La efectividad de estas medidas se evaluó analizando su correlación con el rendimiento de los PAD en cuatro conjuntos de datos:

• Conjuntos de Datos Privados (CHI, MEX): Contienen imágenes reales de tarjetas de identidad legítimas (bona fide).
• Conjuntos de Datos Públicos (IJCB, DLC2021): Contienen tarjetas de identidad simuladas impresas y diversos ataques (compuestos, impresos, pantalla).
• Sistemas PAD: Se probaron tres sistemas: el modelo base IJCB y dos sistemas privados comerciales (PAD M1, PAD M2).
• Métrica de Evaluación: Se utilizó la Característica de Error Versus Descarte (EDC). Esta mide la Tasa de Error Igual (EER) del sistema PAD a medida que las imágenes de menor calidad (basadas en medidas específicas) se descartan progresivamente. Los resultados se presentan como Reducción de Error Relativo (r∆EDC).

Resultados Clave

• Nitidez y Subexposición: Estas medidas mostraron la influencia positiva más consistente en los tres sistemas PAD y en todos los conjuntos de datos. Descartar imágenes con baja nitidez (desenfoque) o subexposición redujo significativamente la EER.
• Sobreexposición: Esta medida mostró poca o ninguna influencia en el rendimiento del PAD.
• Estadísticas de Luminancia: Contrariamente a los hallazgos originales de OFIQ donde la asimetría y la curtosis de la luminancia fueron descartadas, estas medidas mejoraron el rendimiento del PAD en el contexto de las tarjetas de identidad, particularmente para el PAD M2.
• Varianza del Sistema: El PAD M2 fue el más afectado consistentemente por las medidas de calidad, mientras que el modelo base IJCB exhibió una alta varianza en la efectividad de las medidas.
• Medidas Específicas: El rango dinámico, la varianza de la luminancia y la uniformidad de la iluminación se encontraron relevantes principalmente para el PAD M2. Los artefactos de compresión mostraron un efecto positivo para el PAD M1 solo después de descartar más del 10% de las imágenes.

Significancia y Reivindicaciones
El artículo sostiene que adaptar las medidas de captura de OFIQ para las imágenes de tarjetas de identidad es una estrategia viable para mejorar la seguridad de la verificación de identidad remota. La contribución principal es demostrar que la evaluación de la calidad basada en medidas específicas de OFIQ (particularmente la nitidez y la subexposición) puede mejorar significativamente el rendimiento del PAD al filtrar imágenes propensas a la clasificación errónea.

Los autores enfatizan que su trabajo proporciona un paso de preprocesamiento necesario para los flujos de trabajo de verificación remota (como se ilustra en su Figura 1), donde las capturas de baja calidad se descartan y se proporciona retroalimentación al usuario, mientras que las imágenes aceptables proceden al sistema PAD. Concluyen que, si bien las medidas actuales ofrecen mejoras, es necesario realizar trabajos futuros para calibrar estas métricas específicamente para las tarjetas de identidad, desarrollar nuevas medidas para artefactos específicos de las ID (por ejemplo, oclusión, grado de captura frontal) y mapear las puntuaciones nativas a una escala unificada de 0 a 100 para una mejor interpretabilidad. El estudio no pretende resolver todos los problemas de calidad de las tarjetas de identidad, sino establecer un marco fundacional para la evaluación de la calidad relacionada con la captura que sea explicable en este dominio.