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

Resumo Técnico: Avaliação da Qualidade de Imagem de Cartões de Identidade Utilizando Medidas da Open Face Image Quality

Definição do Problema
A verificação remota de documentos de identidade (ID) tornou-se crítica para o acesso a serviços bancários e governamentais online. No entanto, a confiabilidade dos sistemas de Detecção de Ataque de Apresentação (PAD) nestes contextos depende fortemente da qualidade das imagens capturadas dos cartões de ID. Imagens de baixa qualidade podem levar à rejeição de documentos legítimos ou à classificação errônea de ataques de apresentação. Embora o padrão Open Face Image Quality (OFIQ) forneça uma estrutura para avaliar imagens faciais biométricas, ele não é diretamente aplicável a cartões de ID devido a diferenças estruturais significativas. Os cartões de ID carecem dos pontos de referência faciais simétricos (ex: bochechas) necessários para verificações padrão de uniformidade de iluminação, exibem designs e materiais diversos e frequentemente contêm textos e recursos de segurança que interferem nas métricas de qualidade padrão. Além disso, o desenvolvimento de sistemas PAD para cartões de ID é dificultado pela falta de conjuntos de dados públicos contendo imagens reais de cartões de ID devido a preocupações com a privacidade.

Metodologia
Os autores propõem um pipeline de pré-processamento e um conjunto de medidas de qualidade adaptadas para avaliar imagens de cartões de ID, visando melhorar o desempenho do PAD ao descartar capturas de baixa qualidade antes que elas chem o sistema PAD.

1. Pipeline de Pré-processamento:

   • Detecção de Cantos: Um modelo stacked hourglass é treinado para detectar os quatro cantos do cartão de ID, mesmo se estiverem ocluídos ou fora do quadro da imagem.
   • Normalização de Perspectiva: Usando os cantos detectados, a imagem é deformada para uma visão de cima para baixo (1000 × 628 pixels) para eliminar a variabilidade causada por ângulos e distâncias de captura.
   • Mascaramento Abrangente: Para evitar vieses em medidas baseadas em luminância, regiões específicas são mascaradas:
     • Região Facial: Detectada via segmentação YOLOv11.
     • Fundos Escuros: Específicos para certos cartões de ID (ex: colombianos) onde existe um fundo escuro atrás da foto do rosto.
     • Conteúdo de Primeiro Plano: Textos, códigos de barras e logotipos são mascarados usando o detector de texto EAST e um algoritmo de segmentação de primeiro plano de um trabalho anterior [12] para evitar que sombras de texto sejam interpretadas erroneamente como defeitos de iluminação.
   • Detecção de Artefatos de Compressão: Realizada na imagem "cortada" bruta (antes da normalização) para evitar artefatos introduzidos durante a transformação de perspectiva.

2. Medidas de Qualidade Adaptadas:
   O estudo utiliza 10 medidas relacionadas à captura do OFIQ, além de três medidas (assimetria de luminância, curtose de luminância e distorção radial) que foram propostas, mas descartadas na versão final do OFIQ.

   • Aplicabilidade: Medidas como uniformidade do fundo, cor natural e distorção radial foram consideradas inaplicáveis para cartões de ID.
   • Novo Algoritmo: Um novo algoritmo foi desenvolvido para Uniformidade de Iluminação. Em vez de comparar características faciais, a imagem normalizada é dividida em uma grade de 3×4. A mediana da luminância de cada bloco (excluindo o primeiro plano mascarado) é computada, e o desvio padrão desses medianos serve como a métrica de uniformidade.
   • Outras Medidas: Média de luminância, variância, assimetria, curtose, superexposição/subexposição, faixa dinâmica, nitidez e artefatos de compressão são computados usando os mesmos algoritmos do OFIQ, aplicados às imagens mascaradas e normalizadas.

Configuração Experimental
A eficácia destas medidas foi avaliada analisando sua correlação com o desempenho do PAD em quatro conjuntos de dados:

• Conjuntos de Dados Privados (CHI, MEX): Contêm imagens reais de cartões de ID legítimos (bona fide).
• Conjuntos de Dados Públicos (IJCB, DLC2021): Contêm cartões de ID simulados impressos e vários ataques (composto, impressão, tela).
• Sistemas PAD: Três sistemas foram testados: o modelo IJCB Baseline e dois sistemas privados prontos para uso (PAD M1, PAD M2).
• Métrica de Avaliação: O gráfico Erro Versus Descarte (EDC) foi utilizado. Isso mede a Taxa de Erro Igual (EER) do sistema PAD conforme as imagens de menor qualidade (baseadas em medidas específicas) são progressivamente descartadas. Os resultados são apresentados como Redução Relativa de Erro (r∆EDC).

Principais Resultados

• Nitidez e Subexposição: Estas medidas mostraram a influência positiva mais consistente em todos os três sistemas PAD e conjuntos de dados. Descartar imagens com baixa nitidez (desfoque) ou subexposição reduziu significativamente a EER.
• Superexposição: Esta medida mostrou pouca ou nenhuma influência no desempenho do PAD.
• Estatísticas de Luminância: Contrariamente aos achados originais do OFIQ, onde a assimetria e a curtose de luminância foram descartadas, estas medidas melhoraram o desempenho do PAD no contexto de cartões de ID, particularmente para o PAD M2.
• Variância do Sistema: O PAD M2 foi o mais consistentemente impactado pelas medidas de qualidade, enquanto o modelo IJCB Baseline exibiu alta variância na eficácia das medidas.
• Medidas Específicas: Faixa dinâmica, variância de luminância e uniformidade de iluminação foram consideradas relevantes primariamente para o PAD M2. Artefatos de compressão mostraram um efeito positivo para o PAD M1 apenas após o descarte de mais de 10% das imagens.

Significância e Alegações
O artigo afirma que adaptar as medidas de captura do OFIQ para imagens de cartões de ID é uma estratégia viável para aumentar a segurança da verificação de identidade remota. A principal contribuição é demonstrar que a avaliação de qualidade baseada em medidas específicas do OFIQ (particularmente nitidez e subexposição) pode melhorar significativamente o desempenho do PAD ao filtrar imagens propensas a erros de classificação.

Os autores enfatizam que seu trabalho fornece uma etapa de pré-processamento necessária para fluxos de trabalho de verificação remota (conforme ilustrado em sua Figura 1), onde capturas de baixa qualidade são descartadas e o feedback é fornecido ao usuário, enquanto imagens aceitáveis seguem para o sistema PAD. Eles concluem que, embora as medidas atuais ofereçam melhorias, é necessário trabalho futuro para calibrar estas métricas especificamente para cartões de ID, desenvolver novas medidas para artefatos específicos de ID (ex: oclusão, grau de captura frontal) e mapear pontuações nativas para uma escala unificada de 0–100 para melhor interpretabilidade. O estudo não pretende resolver todos os problemas de qualidade de cartões de ID, mas estabelece um arcabouço fundamental para a avaliação de qualidade relacionada à captura de forma explicável neste domínio.