Machine Translated by Google

Ciencia forense Rev 30:23–34; 2018

El reconocimiento facial forense como medio para

Determinar la fuerza de la evidencia: una encuesta

CG Zeinstra1, D. Meuwly1,2, ACC Ruifrok2 RNJ Veldhuis1,

LJ Spreeuwers1 Facultad de Ingeniería Eléctrica
1
Matemáticas e Informática Universidad de Twente
Enschede Países Bajos

2 Instituto Forense de los Países Bajos

La haya
Los países bajos

TABLA DE CONTENIDO

INTRODUCCIÓN ................................................. .......................................... 24

Prueba
I. NIVEL OPERATIVO DEL RECONOCIMIENTO FACIAL FORENSE ..................

A. Análisis y Comparación ............................................... .............................

B. Evaluación y verificación .................................................. ............................
25

25

26

II. NIVELES TÁCTICOS Y ESTRATÉGICOS DEL ROSTRO FORENSE

RECONOCIMIENTO ................................................. ............................................... 27

A. Recomendaciones y Grupos de Trabajo ............................................... ........... 27 B. Niveles de

experiencia, capacitación y pruebas de competencia ............................... ... 27III. CRÍTICAS AL

RECONOCIMIENTO FACIAL FORENSE ................................ 27

IV. INSTRUCCIONES DE INVESTIGACIÓN DE RECONOCIMIENTO FACIAL FORENSE .................. 28

A. Aspecto humano del examinador forense de reconocimiento facial .................. 28

B. Aspecto experto del examinador forense de reconocimiento facial .................. 28

C. Antropometría .................................................... .......................................... 29 D. Rostro Forense

Automático Sistemas de reconocimiento .................................. 29 E. Conjuntos de datos de

reconocimiento facial forense . .................................................... ....... 30 F. Enfoques forenses

computacionales .................................. ..................... 30

CONCLUSIÓN Y DIRECCIONES FUTURAS ............................................... 31

REFERENCIAS .................................................. ................................................ 31

SOBRE LOS AUTORES ............................................... .................................. 33

* Autor para correspondencia: Dr. Chris Zeistra, ????????

(Dirección); ?????????(Número de teléfono) (voz); cgzeistra@utwente.nl.

1042-7201/30-1/ene. 2018/23–34/$18.00 • Derechos de autor © 2018 Central Police University Press

Machine Translated by Google
24

Reconocimiento facial forense como medio para determinar

Solidez de la evidencia: una encuesta
REFERENCIA: Zeinstra CG, Meuwly D, RuifrokACC, VeldhuisRNJ, Spreeuwers LJ: Reconocimiento forense de rostros como medio para
determinar la fuerza de la evidencia: una encuesta; Ciencia forense Rev 30:23; 2018.

RESUMEN: Este documento examina la literatura sobre el reconocimiento forense de rostros (FFR), con un enfoque particular en la fuerza
de la evidencia tal como se usa en un tribunal de justicia. FFR es el uso del reconocimiento facial biométrico para varias aplicaciones en la
ciencia forense. Incluye escenarios de verificación de identidad e identificación abierta, investigación e inteligencia, y evaluación de la fuerza
de la evidencia. Presentamos FFR desde perspectivas operativas, tácticas y estratégicas.
Discutimos las críticas a FFR y brindamos una descripción general de los esfuerzos de investigación desde múltiples perspectivas que se
relacionan con el dominio de FFR. Finalmente, esbozamos posibles direcciones futuras para FFR.

PALABRAS CLAVE: biometría facial, FISWG, enfoques de reconocimiento facial forense (FFR), medicina forense.

INTRODUCCIÓN eso. Si el oficial de inmigración prohíbe la entrada a la persona, la

En este documento de encuesta, presentamos diferentes aspectos
del reconocimiento facial forense (FFR), con un énfasis particular en la
fuerza de la evidencia. El objetivo de este documento es transmitir la
amplitud de FFR, con sus muchos aspectos y conexiones con dominios
relacionados.
FFR es el uso del reconocimiento facial biométrico para varias
aplicaciones en la ciencia forense. El reconocimiento facial biométrico
utiliza la modalidad facial como medio para discriminar entre seres
humanos; La ciencia forense es la aplicación de la ciencia y la tecnología
a la aplicación de la ley.
En general, FFR incluye escenarios de verificación de identidad
(1:1) e identificación abierta (1:N+1), investigación e inteligencia (M:N+1)
y evaluación de la fuerza de la evidencia como se describe en Meuwly y
Veldhuis [42]. Hay dos tipos de imágenes involucradas en FFR. La imagen
de rastreo a menudo captura una escena del crimen y se toma con mayor
frecuencia en condiciones no controladas. La imagen de referencia es
una fotografía de un sospechoso y se toma en condiciones controladas.
Los casos de uso concretos de FFR se dan en Zeinstra et al. [73].
Un caso de uso en el que se emplea con frecuencia FFR es para
investigar actividades delictivas que se llevan a cabo en lugares
monitoreados por cámaras de vigilancia, como tiendas o gasolineras. Las
imágenes fijas extraídas de las grabaciones de circuito cerrado de
televisión (CCTV) que contienen el rostro del perpetrador se utilizan como
imágenes de rastreo. Otro ejemplo es el retiro de dinero usando una
tarjeta de débito robada. En este caso, las imágenes de seguimiento son
grabadas por una pequeña cámara dentro de un cajero automático (ATM)
investigación posterior es un ejemplo de evaluación de la fuerza de la
evidencia en la que la fotografía del pasaporte sirve como imagen de
rastreo.
Una encuesta de Jain et al. analiza casos de uso adicionales de
investigación abierta (M:N+1): (a) búsqueda de fotografías policiales que
es robusta para el envejecimiento facial, (b) coincidencia de bocetos
forenses (compuestos) con bases de datos de fotografías faciales, y (c)
recuperación usando facial cicatrices y marcas [33]. El caso (b) es un
ejemplo en el que las imágenes de seguimiento consisten en una
representación (boceto) de una imagen, en lugar de una imagen capturada.
Un ejemplo final, muy digno de mención pero bastante extremo, de
un caso de uso de FFR (M:N+1) son los “súper reconocedores” [57] de la
Policía Metropolitana de Londres (Reino Unido). Se afirma que los súper
reconocedores pueden identificar personas a partir de imágenes de
CCTV, en función de una memoria excepcional para discriminar rasgos
faciales en imágenes de baja calidad vistas anteriormente. Los súper
reconocedores se utilizaron, por ejemplo, durante los disturbios de
Londres de 2011 [76].
FFR tiene su génesis moderna en el sistema Bertillonage [4].
Bertillonage utiliza sistemáticamente rasgos faciales y corporales para
describir a los delincuentes. Presenta medidas antropométricas, así como
categorizaciones de rasgos faciales; por ejemplo, reconoce 16 tipos
diferentes de forma de oreja.
Además, se pueden describir características altamente discriminatorias
como marcas faciales. La figura 1 muestra algunos ejemplos.
Bertillon aboga particularmente por una ficha policial de cara y perfil,
destacando que el perfil contiene información que es al mismo tiempo
más distintiva y menos sujeta a variabilidad intra (oreja, perfil superior),

y, por lo general, presentan distorsión de la imagen en perspectiva. Estos que ha sido olvidada en el proceso de ficha policial moderno . Finn da un
casos de uso son ejemplos de investigación (M:N+1) o, en el caso de un relato histórico de Bertillonage; en particular el uso y aceptación de la
sospechoso concreto, ejemplos en los que se evalúa la solidez de la fotografía (“la imagen criminal”) como medio para representar información
evidencia contra ese sospechoso. y evidencia [26].

Otro ejemplo es cuando un oficial de inmigración puede estar convencido El bertillonage como tal ha sido reemplazado como un medio para
de que un determinado documento de identidad es genuino, pero que no individualizar a las personas mediante huellas dactilares (y perfiles de
corresponde a la persona que lo presenta. ADN en los últimos 25 años) [16].

Forensic Science Review (www.forensicsciencereview.com) • Volumen treinta, número uno • Enero de 2018
Machine Translated by Google
25

Figura 1. Ejemplo de medidas y categorización del sistema Bertillonage. De izquierda a derecha: medidas del tamaño de
las orejas, categorías del perfil de la nariz y las orejas, y la ubicación de cicatrices y marcas. Imagen usada con permiso de [4].

Sin embargo, con la proliferación de cámaras, ya sean cámaras
de circuito cerrado de televisión o cámaras digitales en teléfonos
móviles, las posibles imágenes de seguimiento son omnipresentes;
no es una sorpresa que FFR en general se use muy activamente hoy en día. exploramos los esfuerzos de investigación relacionados con FFR.
A pesar de los avances en los sistemas automáticos de
reconocimiento de rostros, partes significativas de FFR todavía se
realizan manualmente, en particular la evaluación de la fuerza de la
evidencia. Creemos que esto se puede atribuir a varios factores que
son inherentes a FFR y que infl uyen en el rendimiento de dichos
sistemas automatizados de reconocimiento facial. Aunque uno puede
más visibles a nivel público, pero son mucho más antiguos que la
última década dentro de la profesión (ver [40] para una discusión). En
la Sección III abordamos algunas de estas críticas, y en la Sección IV
Finalmente, presentamos nuestra conclusión y esbozamos las
direcciones futuras para FFR.
Como nota final, en este documento usamos consistentemente
el término general FFR-examinador, o examinador para abreviar, para
referirnos a cualquier individuo que realiza actividades FFR, sin tener
en cuenta su nivel de competencia; usamos no examinador para

Prueba
clasificar estos factores en, por ejemplo, sujetos y condiciones de
imagen, puede haber cierta superposición en esta clasificación. Por lo
tanto, usamos un ejemplo para ilustrar el efecto cascada de estos
factores.
referirnos a individuos que no realizan actividades de FFR.

I. NIVEL OPERACIONAL DEL RECONOCIMIENTO

FACIAL FORENSE

Suponga que un perpetrador usa una tarjeta de débito robada

para retirar dinero de un cajero automático. Tiene una mirada
apresurada (expresión), no mira directamente a la cámara (pose) y
usa una bufanda (oclusión). La luz natural (iluminación) proviene de
detrás del perpetrador. Se para cerca del cajero automático (efecto
de perspectiva). La escena se captura a través de una lente (distorsión
y aberración) mediante un dispositivo de grabación, ya sea analógico
(entrelazado) o digital (sensor de ruido térmico/sangrado). La materia
prima resultante posiblemente se convierta (de analógico a digital,
resolución, artefactos de compresión) y se extraiga (desenfoque de
movimiento). La pose, iluminación y expresión (PIE) de la persona
son un problema común para los sistemas de reconocimiento facial
[33].
En el resto de este documento nos centraremos principalmente
en el escenario de la fuerza de la evidencia. El documento está
estructurado de la siguiente manera. En la Sección I describimos el
nivel operativo de FFR estructurado en términos del protocolo de
Análisis, Comparación, Evaluación y Verificación (ACE-V). Este
protocolo se usa comúnmente para la inferencia a nivel de fuente en
la ciencia forense (Langenburg [35] y Finding 22 of Prince [52]). En la
Sección II presentamos FFR a nivel táctico y estratégico. Durante la
última década, las críticas a la ciencia forense en general y a la FFR
en particular se hicieron
Prince brinda una descripción general del uso de sistemas de
reconocimiento facial y procedimientos de comparación de imágenes
faciales en varias instituciones forenses en Israel, los Países Bajos, el
Reino Unido, los Estados Unidos y Canadá [52]. Aunque existen
diferencias, las instituciones tienen un enfoque colectivo significativo.
Spaun describe específicamente el enfoque adoptado en la Oficina
Federal de Investigaciones de EE. UU. [62] y está en consonancia
con Prince.
A. ANÁLISIS Y COMPARACIÓN
Durante la fase de Análisis, el rastro es investigado por su
usabilidad y su contenido probatorio. Durante la fase de comparación,
se comparan las imágenes de seguimiento y de referencia. En este
proceso, el examinador tiene en cuenta las similitudes y diferencias
entre las trazas y el material de referencia. Según Spaun, el
examinador distingue entre clase y características individuales [62].
Sin embargo, se podría argumentar que hay características que son
distintivas, contienen información para diferenciar a las personas y
características que no lo son, y el grado de distinción varía; por lo
tanto, la distinción clase/individuo podría ser demasiado estricta.

Zeinstra, Meuwly, Ruifrok, Veldhuis & Spreeuwers • Reconocimiento forense de rostros: una encuesta
Machine Translated by Google
26
El Grupo de trabajo científico de identificación facial (FISWG)
es una organización centrada en el conocimiento científico y la
experiencia en el trabajo de casos [19]. Según las directrices del
FISWG [22], se pueden utilizar principalmente cuatro métodos FFR
durante la fase de análisis y comparación:
• Comparación Holística. Evaluación en la que se consideran
todos los rasgos faciales a la vez. Este es un enfoque
puramente perceptivo sin un análisis real.
• Análisis morfológico. Evaluación de la correspondencia de la
forma, apariencia, presencia y/o ubicación de los rasgos
faciales. • Fotoantropometría. Evaluación de la correspondencia
de dimensiones y ángulos de puntos de referencia y otras
características faciales.
• Superposición. Evaluación en la que las imágenes se alinean y
analizan mediante transiciones de imágenes.
FISWG recomienda el análisis morfológico por parte de
examinadores capacitados como método principal de comparación;
Se sabe que la superposición es ineficiente y solo debe usarse junto
con el análisis morfológico y debe limitarse a rotaciones, escalas y
traslaciones.
Por definición, en la comparación y la superposición holísticas,
las imágenes de seguimiento y de referencia se consideran
simultáneamente, por lo que las fases de Análisis y Comparación
se superponen parcialmente. Esto podría conducir a un sesgo y se
analiza más detalladamente en la Sección IV.A. Por el contrario,
cuando se aplica el análisis morfológico o la fotoantropometría, no
es necesario considerar simultáneamente las imágenes de traza y
de referencia.
FISWG también ha publicado la Lista de funciones de
comparación de imágenes faciales para el análisis morfológico [20].
Esta lista de características describe para cada parte facial una
serie de descriptores característicos con considerable detalle que
se pueden utilizar durante el trabajo de casos forenses. Como tal,
no es un estándar sino un representante de las características
faciales consideradas de diferentes institutos. Las listas de
características utilizadas en NFI (Países Bajos) y NFC (Suecia) son
similares pero difieren en el tipo y número de detalles considerados
[17,18]. Incluyen:
• Forma de la • Frente; • Ojos;
cara; • Cejas; • • Nariz; • Línea
Zona de las de la mandíbula;
mejillas; • Boca y área de la • Cicatrices,
boca; • Barbilla; y marcas, tatuajes
B. Evaluación y verificación
Una variación notable entre las instituciones forenses es qué
escala de opinión utilizan (Hallazgo 31, Prince [52]).
En una situación ideal, esta escala de opinión es la fuerza de la
evidencia que se determina durante la fase de Evaluación.
La fuerza de la evidencia se construye a partir de múltiples
Forensic Science Review (www.forensicsciencereview.com) • Volumen treinta, número uno • Enero de 2018
comparaciones entre las características que se encuentran en las
imágenes de seguimiento y de referencia. Esencialmente, se podría
adoptar una formulación numérica o verbal de la fuerza de la
evidencia. Un ejemplo de lo primero es “los especímenes traza y de
referencia son 1 millón de veces más probables bajo la hipótesis de
que el sospechoso es el donante de ambos, que bajo la hipótesis
de que el sospechoso no es el donante de ambos”. Un ejemplo de
esto último es “existe un fuerte apoyo a la hipótesis de que el
sospechoso es el donante tanto de las muestras de referencia como
de las trazas frente a la hipótesis de que el sospechoso no es el
donante de las muestras de referencia y las trazas”.
La fuerza de la evidencia debe expresarse en términos de
(magnitud de la) relación de probabilidad. En términos generales, la
relación de verosimilitud mide la probabilidad de observar (des)
similitudes entre una característica particular que se encuentra en el
rastro y la imagen de referencia, escalada por la probabilidad de la
tipicidad o rareza de observar esta característica en el rastro y las
imágenes de referencia en general. El problema de la descripción
verbal es que puede entenderse como una escala verbal de
probabilidades posteriores, y suele ser así por desconocimiento
tanto de los examinadores como de los solicitantes.
Un elemento a tener en cuenta es cómo combinar las razones
de verosimilitud de varios rasgos faciales en una razón de
verosimilitud que se informa como la fuerza general de la evidencia.
Un enfoque obvio es asumir la independencia estadística entre los
rasgos faciales. En ese caso, la razón de verosimilitud general
correspondiente vuelve al producto de las razones de verosimilitud
subyacentes. Sin embargo, la suposición de independencia suele
ser incorrecta y se señalará de inmediato en el tribunal. Los enfoques
que capturan o modelan la estructura de dependencia entre
características son cópulas o redes de creencias bayesianas (BBN)
y se pueden usar para FFR. Una cópula describe la relación entre la
distribución multivariante de rasgos (en nuestro caso, faciales) y sus
distribuciones marginales; Sklar demuestra que esta relación se
cumple para cualquier distribución multivariante [60].
Otro enfoque popular implica BBN (consulte Barber [3]) en el que
un experto en el dominio modela las estructuras de dependencia.
La principal ventaja de BNN es la reducción significativa de la
dimensionalidad del espacio de características, lo que hace que las
inferencias sean factibles con la cantidad limitada de datos
disponibles en un caso forense.
En la formulación verbal, la fuerza de la evidencia se expresa
en una descripción verbal estandarizada. La ventaja es que un
tribunal de justicia puede comprender el resultado de la evaluación
en principio; sin embargo, debe quedar claro que esta evaluación
no es una probabilidad posterior y, como tal, puede malinterpretarse
fácilmente. El enfoque verbal es un resultado mapeado a partir de
la fuerza numérica de la evidencia o un protocolo que utiliza criterios
para determinar directamente la fuerza verbal de la evidencia, como
“Orientación
Machine Translated by Google
27
para evaluar los niveles de apoyo” [5] o “Directrices para la elaboración
de informes evaluativos en ciencias forenses” [14].
Durante la fase de verificación, uno o más de los pasos de ACE
se repiten de forma independiente para reducir el factor humano
(consulte la Sección IV.A para obtener más información sobre este
tema). De acuerdo con una comunicación privada con un examinador
FFR, los pasos ACE pueden ser realizados de forma independiente
por tres examinadores, después de lo cual la evaluación final se
determina mediante un modelo de consenso [18].
El resultado final de la evaluación, verificado, se informa a un
tribunal de justicia. En algunos casos, un examinador de FFR testificará
durante una sesión judicial cuando se necesite información adicional
o aclaración.
II. NIVELES TÁCTICOS Y ESTRATÉGICOS DE
RECONOCIMIENTO FACIAL FORENSE
A. Recomendaciones y Grupos de Trabajo
Los institutos europeos están organizados en la Red Europea de
Institutos de Ciencias Forenses (ENFSI) [13]. Esta organización ha
publicado una guía general sobre informes evaluativos [14]. La pericia
forense facial está organizada en el Grupo de Trabajo de Imagen
Digital (ENFSI DIWG).
Como se mencionó anteriormente, FISWG es una organización
en la que participan el FBI y varios otros institutos forenses de los
Estados Unidos y otros países [19]. Han publicado recomendaciones
sobre la comparación facial [22] y sobre qué características deben
tenerse en cuenta durante el trabajo de casos [20]. Las adiciones
recientes (en estado de borrador) son pasos de procesamiento de
imágenes para mejorar las búsquedas automatizadas de reconocimiento
facial [23] y la estabilidad física de las características faciales de los
adultos [24].
B. Niveles de experiencia, capacitación y pruebas de competencia
La mayoría de las agencias consideradas en Prince [52]
reconocen tres niveles de competencia. El nivel básico significa que el
examinador ha tenido una formación básica y solo puede hacer verifi
cación (ACE-V). El nivel avanzado significa que el examinador ha
tenido más capacitación y experiencia para realizar el proceso ACE-V
completo. El nivel experto significa que el examinador opera a un nivel
avanzado y puede dar testimonio en la corte. Es notable que, al menos
con respecto a la situación holandesa, los examinadores FFR aún no
están incluidos en un registro nacional de expertos forenses [46] que
incluye, por ejemplo, psiquiatras forenses.
La formación difiere según el instituto, pero según [21,35] puede
implicar
Zeinstra, Meuwly, Ruifrok, Veldhuis & Spreeuwers • Reconocimiento forense de rostros: una encuesta
• Conocimiento de las recomendaciones
pertinentes; • Competencia en evaluación de calidad
(entrelazado, códecs, compresión, distorsión de lente,
etc.) de material traza; • Competencia en la extracción de
imágenes faciales de CCTV; • Competencia en Adobe
Photoshop o software similar; • Conocimiento y competencia
en técnicas de procesamiento de imágenes como la
mejora de imágenes; • Competencia en comparación facial,
en particular conocimiento anatómico y rasgos faciales
considerados en el análisis morfológico; • Conocimiento
de evaluación e informes estandarizados; • Conciencia de
posibles sesgos y otros errores humanos; • Competencia en
conceptos estadísticos, en particular estadística bayesiana; y
• Conocimiento básico de aspectos legales y competencia
en testimonio pericial.
Aparte de la formación inicial para obtener las competencias para
la práctica, los examinadores deberían participar en pruebas de
competencia de forma regular [25]. En una prueba reciente de
competencia de comparación de imágenes faciales ENFSI-DIWG, los
examinadores de FFR tuvieron que comparar imágenes de CCTV con
10 imágenes de referencia. Para 17 comparaciones, se tuvo que
informar una sola conclusión, mientras que en un caso se tuvo que
entregar un informe completo utilizando la guía de informes evaluativos
de ENFSI [14]; los resultados han sido discutidos con pares dentro del ENFSI-DIW
tercero CRÍTICAS AL RECONOCIMIENTO FACIAL
FORENSE
FFR ha sido criticado por su falta de rigor científico.
Según [16], se investiga poco sobre la validación de FFR ("no hay una
tasa de error informada (...)" tanto para FFR humano como para
evaluar la capacidad declarada de los "superreconocedores"); como
campo, en su mayor parte aún no está fundado científicamente. Esto
se reitera en las directrices del FISWG [22], en las que se acuña el
análisis morfológico como el principal método de comparación, pero
"solo se han realizado estudios limitados sobre la precisión o la
reproducibilidad". Solo en los últimos años han aparecido algunos
estudios de validación que indican que los examinadores son mejores
que los no examinadores; consulte la Sección IV.B para ver algunos
ejemplos. Formalmente, los métodos humanos no se validan/acreditan
sobre la base del desempeño sino de la competencia y la pericia; esto
proporciona algunas salvaguardas, pero menos que un método
validado/acreditado sobre la base del rendimiento. Nos referimos a
Meuwly et al. [41] para una discusión completa de este tema y a la
Sección IV.B para una discusión del examinador FFR como experto.
Los seres humanos son subjetivos y se mitiga en parte por el
paso de verificación en el protocolo ACE-V. Sin embargo, en particular,
el protocolo para asignar la fuerza de la evidencia es subjetivo (Mallett
y Evison [38]) y la fuerza de la evidencia no representa necesariamente
una razón de verosimilitud; es decir, la fuerza de la evidencia.
Machine Translated by Google
28
Edmundo et al. contiene una revisión completa y muy crítica de la
evidencia de identificación del examinador basada en imágenes de
seguimiento [12]. Su estudio presenta varios ejemplos de testimonios
de examinadores FFR que ilustran el enfoque no científico y el
examinador como el único portador de la verdad absoluta. Un ejemplo
conmovedor es “(...) usó fotoantropometría, morfología y superposición
de fotos para hacer una identificación positiva (...). (...) no está dispuesta
a revelar sus técnicas, particularmente los puntos en los que se basó
(...), debido a preocupaciones sobre sus derechos de propiedad
intelectual”.
Otro ejemplo es “durante el contrainterrogatorio (…) rechazó la
sugerencia de que había cierto grado de subjetividad en su evaluación,
es decir, comparación morfológica”.
Estos ejemplos muestran exactamente la falta de comprensión
fundamental de lo que es la inferencia en la ciencia forense.
Según Saks y Koehler, “En la ciencia normal, (...) los estudiantes
reciben cuatro (...) años de formación doctoral donde tiene lugar gran
parte de la socialización en la cultura de la ciencia. Esta cultura enfatiza
el rigor metodológico, la apertura y la interpretación cautelosa de los
datos. En ciencia forense, el 96% de los puestos los ocupan personas
con títulos de licenciatura (o menos), el 3% maestrías y el 1%
doctorados” [58].
La crítica se puede ubicar en el contexto del informe elaborado y
crítico [45] sobre el estado actual de la ciencia forense en los Estados
Unidos por el Consejo Nacional de Investigación de las Academias
Nacionales. Una de sus recomendaciones establece que “se necesita
investigación para abordar los problemas de precisión, confiabilidad y
validez en las disciplinas de la ciencia forense. (...)”.
IV. RECONOCIMIENTO FACIAL FORENSE
DIRECCIONES DE INVESTIGACIÓN
En esta sección describimos varias direcciones de investigación
relacionadas con FFR. Primero, discutimos los aspectos humanos y
expertos de los examinadores FFR. Otra rama de la investigación de
FFR se ocupa del uso de la antropometría. Algunos conjuntos de datos
de FFR están disponibles para fines de investigación. Finalmente,
varios estudios han considerado utilizar rasgos más o menos distintivos.
A. Aspecto humano del examinador forense de reconocimiento
facial
El examinador tiene un papel fundamental en la FFR. En O'Toole
et al. [49] y Spaun [61], el aspecto humano en FFR se describe como
subestimado.
Forensic Science Review (www.forensicsciencereview.com) • Volumen treinta, número uno • Enero de 2018
Los experimentos recientes realizados por Papesh y Goldinfer
sobre la coincidencia de rostros indican que, en condiciones de
visualización realistas (por ejemplo, en un aeropuerto), las discrepancias
de identidad que ocurren con poca frecuencia pasan desapercibidas
[50]. Los resultados que se relacionan con las imágenes de trazas
tomadas en condiciones no controladas se resumen en Sinha et al. ya
que “las personas pueden reconocer rostros familiares en imágenes de
muy baja resolución” y “la capacidad de tolerar degradaciones aumenta con la familiarid
[59]. En particular, Burton et al. informó que incluso bajo imágenes de
CCTV gravemente distorsionadas, se pueden reconocer rostros
familiares, pero eso no se aplica a los rostros desconocidos [8]. Esto
podría explicar por qué los súper reconocedores tienen tasas de éxito
tan altas, ya que "solo" reconocen una cara familiar que han visto antes
en otras grabaciones de CCTV.
En Bruce et al., se muestra que el reconocimiento de rostros
desconocidos es muy propenso a errores, pero esto puede afirmarse
de cualquier inteligencia perceptiva [6,7]. Megreya y Burton informaron
que existen grandes diferencias individuales en la coincidencia de
rostros desconocidos [39]. Además, Oro et al. han declarado que la
familiaridad tiene un efecto cuantitativo más que cualitativo sobre la
eficiencia con la que se extrae la información de las características
individuales [27].
Otro efecto negativo bien estudiado en psicología y ciencia forense
es el sesgo de confirmación y la información contextual. Una
implementación adecuada del protocolo ACE-V, con el escudo del
examinador de la información innecesaria durante la fase A y C, ayuda
a limitar este efecto. Una descripción general de Pronin describe que
las personas pueden reconocer y estimar la operación del sesgo en el
juicio humano de otras personas, excepto cuando se trata de su propio
sesgo [53]. Dror et al. muestran los riesgos de la información contextual
y el sesgo con respecto al examen de huellas dactilares, que podría
extenderse fácilmente a cualquier otra modalidad forense, en particular
FFR [11].
B. Aspecto experto del examinador forense de reconocimiento
facial
Norell et al. informó que en un conjunto de pares de imágenes, los
examinadores llegaron a sus conclusiones con un número
significativamente menor de errores que los no examinadores [48].
Además, si se bajaba la calidad del rastro, los examinadores sacaban
conclusiones más cuidadosas, pero no los no examinadores. Creemos
que ambos hallazgos se derivan del hecho de que se utiliza la
metodología adecuada.
White et al. trabajan con hallazgos similares: administraron varias
pruebas desafiantes de emparejamiento de caras a examinadores y no
examinadores y concluyeron que los examinadores no solo superaron
a los participantes no capacitados, sino también a los algoritmos
informáticos, proporcionando así la evidencia de que estos examinadores
son expertos en esta tarea. [70].
Machine Translated by Google
29
Zeinstra et al. describió un experimento en línea en el que
participan examinadores y no examinadores. Su tarea es comparar
pares de cejas aislados utilizando un enfoque de "mejor esfuerzo"
frente a un enfoque que utiliza los descriptores característicos de la
ceja del FISWG. Se encontró que no existen diferencias significativas
en la precisión; sin embargo, el grupo de examinadores se desempeñó
significativamente mejor que los no examinadores cuando utilizaron
FISWG [74].
Estos resultados indican que los expertos (a) son más conscientes
de las falacias en su juicio y (b) tienen un mejor juicio que los
participantes no capacitados.
C. Antropometría
La antropometría es la ciencia que mide las dimensiones
corporales o faciales, en particular las distancias y los ángulos.
La antropometría es un ingrediente clave del sistema Bertillonage.
En la disertación de Kleinberg, se lleva a cabo una serie de
experimentos usando ubicaciones de puntos de referencia faciales
anatómicamente definidos y se concluye que “el uso de imágenes de
alta resolución para comparar imágenes de video con imágenes
fotográficas, (...) la antropometría (...) no no generar los resultados
necesarios para su uso como prueba en un tribunal de justicia” [34].
En un estudio a gran escala realizado por Evison y Vorder Bruegge
sobre el análisis basado en puntos de referencia de puntos de
referencia en 3D de más de 3000 personas, se encontró que “la
distribución en 3D de puntos de referencia antropométricos (...) es
poco probable que sea suficiente para permitir identificación de las
personas (...)” [15].
Davis presentó un sistema de identificación de puntos de
referencia faciales fotoantropométricos asistido por software que utiliza
37 medidas de distancia y 25 medidas angulares [9]. Con base en un
conjunto de 70 sujetos que se adhirieron a una descripción similar, "se
descubrió que la verificación de la identificación no era confiable a
menos que se incluyeran en un análisis múltiples mediciones angulares
y de distancia tanto de imágenes de perfil como de rostro completo".
Aquí la verificación se refiere a la verificación de la identidad en lugar
de a la fuerza de la evidencia.
Otros dos estudios sobre estadísticas de medidas antropométricas
(uno sobre hombres sudafricanos [56] y otro sobre tres poblaciones
europeas [55]) encontraron que, aunque pueden existir diferencias
entre poblaciones, en su mayoría “Coincidir estas características raras
en fotografías faciales será útil durante los casos. de identificación en
disputa”.
Concluimos que la antropometría, ya sea en 2D o 3D, ya sea
fotográfica o in vivo, tiene en general un valor probatorio limitado, a
menos que se observe una característica rara o extremadamente
valiosa.
Zeinstra, Meuwly, Ruifrok, Veldhuis & Spreeuwers • Reconocimiento forense de rostros: una encuesta
D. Sistemas automáticos de reconocimiento facial
Los últimos 25 años han visto el desarrollo de sistemas
automatizados de reconocimiento facial en un área de investigación
madura y activa, con algún uso en FFR [52].
Aunque algunos trabajos iniciales lo anteceden, el artículo Eigenfaces
puede considerarse como el trabajo que desencadenó con éxito una
nueva área de investigación [67]. Eigenfaces es un ejemplo de un
modelo de apariencia global. Los métodos posteriores utilizan un
enfoque híbrido (apariencia global y local) o un enfoque de apariencia
local para los rasgos faciales. El concepto subyacente es que las caras
residen en una variedad altamente no lineal del espacio lineal de las
imágenes [33], por lo que un enfoque lineal debe limitarse localmente.
Los métodos de apariencia local pueden usar descriptores de
características generales como Transformación de características invariantes de e
[37], patrones binarios locales (LBP) [1] e histograma de gradientes
orientados (HOG) [10]. Al combinar varias regiones representadas por
estos tipos de características, se puede construir y utilizar una
representación compacta de la cara.
Un desarrollo reciente en el reconocimiento facial, y más
ampliamente en inteligencia artificial y visión por computadora, es el
aprendizaje profundo, también conocido como redes neuronales
profundas o redes neuronales convolucionales [28]. Un ejemplo
arquetípico en el que el aprendizaje profundo ha mostrado resultados
impresionantes es el sistema DeepFace [64] desarrollado por Facebook,
pero es cuestionable si las imágenes utilizadas son representativas de
las encontradas durante el trabajo forense. Las redes neuronales son
estructuras computacionales que contienen parámetros adaptables.
Las redes neuronales como tales no son nuevas; su topología ya era
conocida y utilizada hace 30 años. Su resurgimiento se debe
principalmente a la disponibilidad de (a) cantidades masivas de datos
de entrenamiento y (b) el poder de cómputo paralelo puro proporcionado
por las unidades de procesador gráfico (GPU), lo que hace factible el
entrenamiento de los parámetros de una red neuronal profunda con
muchas capas. Una diferencia clave entre estas redes neuronales y
otros métodos de apariencia local es que entrenan qué funciones se
usan en lugar de usar funciones diseñadas por un ser humano.
Como se describe en la Introducción, los sistemas automáticos de
reconocimiento facial se aplican en el dominio FFR, pero principalmente
con fines de investigación e inteligencia.
Razones adicionales para confiar en los examinadores FFR humanos
son los problemas de responsabilidad y repercusión generados por un
error de juicio, independientemente de si es a favor o en contra de un
sospechoso. Según Prince, "los sistemas de reconocimiento facial
actualmente carecen de una buena integración en los procedimientos
forenses de comparación facial" [52]. Además, los sistemas
automatizados de reconocimiento facial producen una puntuación que
(a) se basa en características abstractas y (b) es una medida relativa
y representa la fuerza de la evidencia. Sin embargo, “puntaje
Machine Translated by Google
30

los métodos de calibración” convierten las puntuaciones determinadas por un Ejemplos del primer enfoque son Tome et al., en los que se investiga el
sistema biométrico en lo que puede interpretarse como solidez de la evidencia; rendimiento biométrico de clasificadores SVM lineales en 15 regiones faciales
consulte, por ejemplo, Ali para obtener una descripción general de varios de forenses [65]. Este estudio utiliza SCFace y un subconjunto de Morph.
estos métodos [2]. Concluyen que “(…) dependiendo de la distancia de adquisición, el poder
discriminativo de las regiones cambia, teniendo en algunos casos mejor
E. Conjuntos de datos de reconocimiento facial forense desempeño que el rostro completo”. Otros ejemplos son las marcas faciales.
Son interesantes desde una perspectiva forense ya que pueden ser muy
Creemos que uno de los factores que obstaculiza la investigación de FFR
discriminatorios. Han sido objeto de varios estudios, en particular Park et al.
es la baja cantidad de conjuntos de datos relevantes desde el punto de vista
[51] y recientemente Srinivas et al. [63]. El trabajo relacionado es el de Lee et
forense disponibles públicamente, especialmente en relación con lo que está
al. [36] que utiliza descriptores SIFT para la descripción de tatuajes con fines
disponible para la biometría facial (ya sea controlada o "en estado salvaje").
de búsqueda en bases de datos de fichas policiales.
Además, en particular, los conjuntos de datos que contienen imágenes de
cámaras de vigilancia tienen un número limitado de sujetos.
La situación curiosa es que CCTV está diseñado principalmente para
Los ejemplos del segundo enfoque incluyen otro trabajo de Tome et al.
monitorear las actividades de las personas. Pero cuando estas actividades se
[66]. Aquí se evalúa el rendimiento de las características biométricas blandas
reconocen como delictivas, queda inmediatamente claro que la tecnología a
continuas y discretas en los conjuntos de datos Morph y ATVS Forensic DB.
menudo no puede capturar las características relevantes para la inferencia a
Los resultados experimentales muestran un alto poder de discriminación y un
nivel de fuente. Esta situación ha existido por lo menos durante una década.
buen rendimiento de reconocimiento para algunos casos específicos. Sin
Finalmente, todos excepto un conjunto de datos (ForenFace) carecen de un
embargo, estos casos corresponden a imágenes de calidad relativamente
conjunto elaborado de anotaciones relevantes desde el punto de vista forense.
buena. En algunos estudios, todas las características se extraen manualmente.
El conjunto de datos de SCFace se ha utilizado en numerosas
Dos pequeños estudios sobre la ceja [75] y la región periocular [72] muestran
publicaciones sobre reconocimiento facial de baja resolución [29]. Contiene
que los descriptores característicos del FISWG son comparables a sus
solo imágenes de cámaras de vigilancia frontal de 130 sujetos. El conjunto de
homólogos no forenses con una buena calidad de imagen. Un estudio mucho
datos de ChokePoint está diseñado para la “identificación/verificación de
más amplio de Zeinstra et al. [73] amplía este trabajo e investiga el poder de
personas en condiciones de vigilancia del mundo real” y contiene 29 sujetos
discriminación de muchos descriptores característicos del FISWG en cuatro
[71]. Dado que no contiene imágenes de referencia, no es lo suficientemente
casos de uso representativos de FFR en [68]. De acuerdo con [30] y una
adecuado para la investigación en un contexto forense. Los conjuntos de datos
directriz forense [41] actualmente utilizada como base para la parte 8 de la
NIST (1.573 sujetos) y Morph (13.618 sujetos) contienen fotografías policiales
norma ISO de 19795, "Metodología y herramientas para la validación de
y son muy adecuados para la investigación longitudinal [44,54]. La base de
métodos biométricos para la evaluación forense y la aplicación de identificación"
datos forense de ATVS solo contiene fotografías policiales de alta resolución
en desarrollo, el poder de discriminación es uno de los seis aspectos que
de 50 sujetos [69].
deben tenerse en cuenta durante la validación de un método de evaluación

forense. Entrenan y evalúan clasificadores biométricos especializados en

Dos adiciones recientes son los conjuntos de datos Quis-Campi y
descriptores característicos únicos y combinados. Descubrieron que en todos
ForenFace (97 sujetos) [47,68]. El primero utiliza imágenes fijas de una cámara
los casos de uso menos uno, los sistemas comerciales superan claramente a
PTZ, mostrando sujetos posiblemente no frontales, parcialmente ocluidos,
los descriptores de características únicos y combinados. En el caso de uso
borrosos o sobreexpuestos. Las imágenes son representativas de las modernas
con las imágenes de seguimiento de calidad más baja (distancia interpupilar
cámaras de circuito cerrado de televisión y, en particular, tienen una resolución
de 11 px, compresión de imagen severa), encontraron que (a) la combinación
más alta. Se utilizó un subconjunto de Quis-Campi en el ICB 2016 Challenge
de características de visibilidad y (b) la línea del cabello funcionan mejor que
on Biometric Recognition in the Wild [31]. La propiedad única de ForenFace es
un sistema comercial.
la disponibilidad de la anotación manual de la que se puede extraer un gran
subconjunto de los descriptores característicos del FISWG.

F. Enfoques forenses computacionales

Los sistemas de reconocimiento facial utilizan una constelación de
características abstractas y, como tal, el resultado de una comparación facial
es difícil de entender fuera del dominio técnico más amplio de la visión artificial.
También existen enfoques en los que se pone más énfasis en la relevancia
forense sin dejar de utilizar descriptores de características generales, o se
Finalmente, hay otro desarrollo que se puede mencionar. La detección
de puntos de referencia es importante para la detección y extracción
automáticas de ciertos rasgos faciales, especialmente los que tienen forma. El
trabajo reciente de [43] muestra que ahora es posible localizar hasta cierto
punto puntos de referencia incluso en escenarios no controlados. Estos
resultados se pueden utilizar para extraer rasgos faciales relevantes desde el

utilizan características que tienen un significado semántico forense claro. punto de vista forense de forma automática.

Forensic Science Review (www.forensicsciencereview.com) • Volumen treinta, número uno • Enero de 2018
Machine Translated by Google
31
CONCLUSIÓN Y DIRECCIONES FUTURAS
En esta encuesta, hemos presentado varios aspectos de FFR: el
contexto histórico, los casos de uso, los tres niveles operativos de FFR,
la crítica de FFR y los esfuerzos de investigación relacionados con FFR.
Observamos varios acontecimientos positivos. Algunos estudios de
validación recientes indican que el examinador FFR está "mejorando",
en particular con respecto a los no examinadores.
Aunque la antropometría está estrechamente ligada a la FFR,
especialmente en la mente de los miembros del público en general,
varios estudios refuerzan la conclusión de que tiene una capacidad
limitada para producir evidencia significativa. Reconocemos el potencial
de los sistemas automatizados de reconocimiento facial como instrumento
para ayudar a los examinadores a evaluar la solidez de la evidencia y
complementar el enfoque basado en humanos. Además, los avances
recientes en la detección automática rápida y precisa de rasgos faciales
podrían ayudar al trabajo del examinador FFR. Los examinadores pueden
evaluar características que son difíciles de describir estadísticamente,
pero que solo pueden validarse principalmente sobre la base de la
competencia y el dominio, y no del desempeño. Los enfoques automáticos
utilizan un conjunto reducido de características que se pueden describir
estadísticamente pero que se pueden validar empírica y ampliamente, y
se pueden mejorar.
A pesar del progreso reciente, los desafíos persisten. En un nivel
forense general más alto, creemos que la comunidad debería (a)
comprender mejor el objetivo de poder asignar/calcular la fuerza de la
evidencia, (b) poder validar los métodos de análisis, comparación e
interpretación, y (c ) ser capaz de combinar los enfoques humanos y
basados en computadora para generar la fuerza de evidencia más
correcta. Todos estos objetivos no son fáciles de alcanzar.
A nivel de FFR, hay otros problemas que deben abordarse. Dado
que se carece de grandes conjuntos de datos relevantes desde el punto
de vista forense, disponibles públicamente, no se dispone de estadísticas
descriptivas de rasgos faciales extraídos de imágenes representativas
de casos de uso forense. Esto es importante ya que habría ayudado a
determinar la fuerza de la evidencia de una manera más científica. El
uso de la detección automática de rasgos faciales puede ayudar en este
proceso. Además, los conjuntos de datos actuales carecen de la amplia
variación y los casos de uso necesarios para investigar sistemáticamente
la infl uencia de múltiples factores que se encuentran en el trabajo de
casos forenses reales.
Por lo tanto, recomendamos la recopilación de un conjunto de datos
de imágenes a gran escala basado en casos de uso forense claros,
empleando parámetros relevantes desde el punto de vista forense. Un
enfoque alternativo es el desarrollo de un gran conjunto de datos
sintéticos para el estudio del efecto de esos parámetros relevantes
desde el punto de vista forense.
Zeinstra, Meuwly, Ruifrok, Veldhuis & Spreeuwers • Reconocimiento forense de rostros: una encuesta
REFERENCIAS
1. Ahonen T, Hadid A, Pietikainen M: descripción de rostros con patrones
binarios locales: aplicación al reconocimiento de rostros; IEEE Trans
Pattern Anal Mach Intel 28:2037; 2006.
2. Ali T: Calibración de puntaje biométrico para reconocimiento forense
de rostros, tesis doctoral; Universidad de Twente: Enschede, Países
Bajos; 2014.
3. Barber D: razonamiento bayesiano y aprendizaje automático; Prensa
de la Universidad de Cambridge: Cambridge, Reino Unido; 2012.
4. Bertillon A: Identificación Antropométrica: Instrucciones de Señalización;
Imprenta: París, Francia; 1893.
5. Bromby MC, Plews S (Grupo de análisis de imágenes forenses): Guía
para evaluar los niveles de apoyo; https:// papers.ssrn.com/ sol3/
papers.cfm?abstract_id=1550752 (Consultado el 21 de noviembre de
2017).
6. Bruce V, Henderson Z, Greenwood K, Hancock PJB, Burton AM, Miller
P: Verifi cación de identidades faciales a partir de imágenes
capturadas en video; J Exp Psychol-Appl 5:339; 1999.
7. Bruce V, Henderson Z, Newman C, Burton AM: Coincidencia de
identidades de rostros familiares y desconocidos captados en
imágenes de CCTV; J Exp Psychol-Appl 7:207; 2001.
8. Burton AM, Wilson S, Cowan M, Bruce V: reconocimiento facial en
video de mala calidad: evidencia de vigilancia de seguridad; Psychol
Sci 10:243; 1999.
9. Davis JP, Valentine T, Davis RE: análisis fotoantropométricos asistidos
por computadora de imágenes faciales de rostro completo y de perfil;
Ciencia forense Int 200:165; 2010.
10. Deniz O, Good G, Salido J, De la Torre F: Reconocimiento facial
usando histogramas de gradientes orientados; Reconocimiento de
patrón Lett 32:1598; 2011.
11. Dror IE, Charlton D, Péron AE: La información contextual hace que los
expertos sean vulnerables a realizar identificaciones erróneas; Ciencia
forense Int 156:74; 2006.
12. Edmond G, Biber K, Kemp RI, Porter G. Law's looking glass: Evidencia
de identificación experta derivada de imágenes fotográficas y de
video; Curr Iss Crim Justicia 20:3; 2009.
13. Red Europea de Institutos de Ciencias Forenses; http:// enfsi.eu/
(Consultado el 21 de noviembre de 2017).
14. Red Europea de Institutos de Ciencias Forenses: Directrices para el
Informe Evaluativo en Ciencias Forenses; https:// www.forensicinstitute.nl/
news/ news/ 2015/05/19/ european guideline-for-evaluative-reporting-
in-forensic-science (Consultado el 21 de noviembre de 2017).
15. Evison M, Vorder Bruegge R: Comparación facial forense asistida por
computadora; Grupo Taylor y Francis: Boca Ratón, FL; 2010 16.
Evison MP: Análisis facial forense; En Bruinsma G, Weisburd D (Eds):
Encyclopedia of Criminology and Criminal Justice; Springer: Nueva York,
Nueva York; pág. 1713; 2014.
17. Lista de comparación facial utilizada en NFC Suecia; Comunicación
privada con el examinador forense facial en NFC Suecia; Correo
electrónico del 6 de septiembre de 2015.
18. Lista de comparación facial utilizada en NFI Holanda; Comunicación
privada con un examinador forense facial en NFI Holanda; Correo
electrónico del 9 de diciembre de 2015.
19. Grupo de Trabajo Científico de Identifi cación Facial; https:// fi swg.org
(Consultado el 21 de noviembre de 2017).
20. Grupo de Trabajo Científico de Identifi cación Facial: Lista de
Características de Comparación de Imágenes Faciales para
Machine Translated by Google
32
Análisis; https:// fiswg.org/ FISWG_1to1_Checklist_ v1.0_2013_11_22.pdf
(Consultado el 21 de noviembre de 2017).
21. Grupo de trabajo científico sobre identificación facial: Directrices y
recomendaciones para la capacitación en comparación facial para la
competencia; https:// fiswg.org/
FISWG_Training_Guidelines_Recommendations_v1.1_2010_11_18.pdf
(Consultado el 21 de noviembre de 2017).
22. Grupo de trabajo científico sobre identificación facial: Directrices para
métodos de comparación facial; https:// fiswg.org/
FISWG_GuidelinesforFacialComparisonMethods_ v1.0_2012_02_02.pdf
(Consultado el 21 de noviembre de 2017).
23. Grupo de trabajo científico sobre identifi cación facial: Procesamiento de
imágenes para mejorar el rendimiento de la búsqueda de reconocimiento
facial automatizado; https:// fiswg.org/ DRAFT_
FISWG_ImageProcessingtoImproveFRSearchPerf_ v1.0_2016_07_26.pdf
(Consultado el 21 de noviembre de 2017).
24. Grupo de Trabajo Científico de Identifi cación Facial: Estabilidad Física de
las Características Faciales de los Adultos; https:// fiswg. org/
DRAFT_FISWG_Physical_Stability_of_Facial_Components_v1.0_20160202.pdf
(Consultado el 21 de noviembre de 2017).
25. Grupo de Trabajo Científico sobre Identifi cación Facial: Estándar para
Programas de Pruebas de Competencia en Identifi cación Facial y
Reconocimiento Facial; https:// fi swg.org/ DRAFT_FISWG_
Proficiency_Test_Program_Standard20140509.pdf (Consultado el 21 de
noviembre de 2017).
26. Finn J: Capturar la imagen criminal: de Mug Shot a Surveillance Society,
Nueva edición; Prensa de la Universidad de Minnesota: Minneapolis,
MN; 2009.
27. Gold JM, Barker JD, Barr S, Bittner JL, Bratch A, Bromfield WD, Goode
RA, Jones M, Lee D, Srinath A: La percepción de un rostro familiar no es
más que la suma de sus partes; Psychon Bull Rev 21: 1465; 2014.
28. Goodfellow I, Bengio Y, Courville A: aprendizaje profundo; MIT
Prensa: Cambridge, MA; 2016.
29. Grgic M, Delac K, Grgic S: SCFace — Base de datos de caras de cámaras
de vigilancia; Herramientas y Aplicaciones Multimedia 51:863; 2011.
30. Haraksim R, Ramos D, Meuwly D, Berger CEH: Medición de la coherencia
de los métodos de razón de verosimilitud asistidos por computadora;
Ciencia forense Int 249:123; 2015.
31. Desafío internacional sobre reconocimiento biométrico en la naturaleza;
http://icbrw.di.ubi.pt/ (Consultado el 21 de noviembre de 2017).
32. Jain AK, Flynn P, Ross AA: Manual de biometría; Springer-Verlag Nueva
York: Secaucus, Nueva Jersey; 2007.
33. Jain AK, Klare B, Park U: Coincidencia y recuperación de rostros en
aplicaciones forenses; Multimedia IEEE 19:20; 2012.
34. Kleinberg KF: Antropometría facial como herramienta probatoria en la
comparación de imágenes forenses; Doctor. Tesis; Universidad de
Glasgow: Glasgow, Reino Unido; 2008.
35. Langenburg GM: un análisis crítico y estudio del proceso ACE-V; Doctor.
tesis; Universidad de Lausana: Lausana, Suiza; 2008.
36. Lee JE, Jain AK, Jin R: Cicatrices, marcas y tatuajes (SMT): biometría
suave para la identificación de sospechosos y víctimas; Actas —
Simposio de biometría; Tampa, Florida; pág. 1; septiembre de 2008.
37. Lowe DG: características distintivas de la imagen a partir de puntos clave
invariantes de escala; Int J Computer Vision 60:91; 2004.
38. Mallett X, Evison MP: Comparación facial forense: problemas de
admisibilidad en el desarrollo de una nueva técnica analítica; J Ciencias
Forenses 58:859; 2013.
Forensic Science Review (www.forensicsciencereview.com) • Volumen treinta, número uno • Enero de 2018
39. Megreya AM, Burton AM: Caras desconocidas no son caras: Evidencia de
una tarea de emparejamiento; Mem Cognit 34:865; 2006.
40. Meuwly D: El mito de la huella de voz (I y II). Revista Internacional de
Criminología y Policía Técnica y Científica 56:219; 2003.
41. Meuwly D, Ramos D, Haraksim R: Una guía para la validación de los
métodos de razón de probabilidad utilizados para la evaluación de
evidencia forense; Ciencia forense Int 276:142; 2017.
42. Meuwly D, Veldhuis R: Biometría forense: de dos comunidades a una
disciplina; Actas — 11ª Conferencia Internacional del Grupo de Interés
Especial en Biometría (BIOSIG); Instituto Fraunhofer: Darmstadt,
Alemania; pág. 1; septiembre de 2012.
43. Milborrow S, Nicolls F: modelos de formas activas con descriptores SIFT y
MARS; Actas —Conferencia Internacional sobre Teoría y Aplicaciones
de la Visión por Computador; Lisboa, Portugal; pág. 380; Enero 2014.
44. Instituto Nacional de Estándares y Tecnología: NIST Mugshot Identifi cation
Database; http:// www.nist.gov/ srd/ nistsd18.cfm (Consultado el 21 de
noviembre de 2017).
45. Consejo Nacional de Investigación: Fortalecimiento de la ciencia forense en
los Estados Unidos: un camino a seguir; Prensa de las Academias
Nacionales: Washington, DC; 2009.
46. Registro Holandés de Expertos Judiciales; https:// www.nrgd.nl/ (Consultado
el 21 de noviembre de 2017).
47. Neves JC, Santos G, Filipe S, Grancho E, Barra S, Narducci F, Proença H:
Quis-Campi: Extendiendo el reconocimiento biométrico salvaje a entornos
de vigilancia; Actas — Conferencia Internacional sobre Análisis y
Procesamiento de Imágenes; ICIAP: Cham, Suiza; pág. 59; septiembre
de 2009.
48. Norell K, Läthén KB, Bergström P, Rice A, Natu V, O'Toole A: El efecto de
la calidad de la imagen y la experiencia forense en las comparaciones de
imágenes faciales; J Ciencias Forenses 60:331; 2015.
49. O'Toole AJ, Jiang F, Roark D, Abdi H: Predicción del desempeño humano
para el reconocimiento facial; En Chellappa R, Zhao W (Eds):
Procesamiento facial: Métodos y modelos avanzados; Elsevier/Academic
Press: Ámsterdam, Países Bajos; 2006.
50. Papesh MH, Goldinger SD: Las discrepancias de identidad poco frecuentes
suelen pasar desapercibidas; Atten Percept Psychophys 76:1335; 2014.
51. Park U, Jain AK: coincidencia y recuperación de rostros mediante biometría
suave; IEEE Trans IFS 5:406; 2010.
52. Prince JP: para examinar el uso policial emergente de sistemas de
reconocimiento facial y procedimientos de comparación de imágenes
faciales; http:// www.churchilltrust.com.au/ media/ Fellows/
2012_Prince_Jason.pdf (Consultado el 21 de noviembre de 2017).
53. Pronin E: Cómo nos vemos a nosotros mismos y cómo vemos a los demás;
Ciencia 320:1177; 2008.
54. Ricanek Jr K, Tesafaye T: MORPH: una base de datos de imágenes
longitudinales de la progresión normal de la edad adulta; Actas — 7ª
Conferencia Internacional sobre Reconocimiento Automático de Rostros
y Gestos; Sociedad de Computación IEEE: Los Alamitos, CA; pág. 341;
abril de 2006.
55. Ritz-Timme S, Gabriel P, Tutkuviene J, Poppa P, Obertova Z, Gibelli D, De
Angelis D, Ratnayake M, Rizgeliene R, Barkus A, Cattaneo C: Evaluación
métrica y morfológica de los rasgos faciales: un estudio sobre tres
poblaciones europeas; Ciencia forense Int 207:239; 2011.
56. Roelofse MM, Steyn M, Becker PJ: Identificación con foto: Rasgos
morfológicos y métricos faciales en Sudáfrica
Machine Translated by Google
33

machos; Ciencia forense Int 177:168; 2008.
57. Russell R, Duchaine B, Nakayama K: Súper reconocedores: personas
con una extraordinaria capacidad de reconocimiento facial; Psychon
Bull Rev 16:252; 2009.
58. Saks MJ, Koehler JJ: El próximo cambio de paradigma en la ciencia de
la identificación forense; Ciencia 309:892; 2005.
59. Sinha P, Balas B, Ostrovsky Y, Russell R: Reconocimiento facial por
humanos: diecinueve resultados que todos los investigadores de visión
por computadora deberían conocer; Proc IEEE 94:1948; 2006.
60. Sklar A: funciones de distribución n-dimensionales y sus márgenes;
Publicaciones del Instituto de Estadística de la Universidad de París;
1959.
61. Spaun NA: comparaciones faciales por expertos en la materia: su papel
en la biometría y su formación. Actas — 3ra Conferencia Internacional
sobre Biometría; Alguer, Italia; pág. 161; junio de 2009.
62. Spaun NA: biometría forense de imágenes y video en la Oficina Federal
de Investigaciones; Actas — Primera Conferencia Internacional IEEE
sobre Biometría: Teoría, Aplicaciones y Sistemas; Washington DC; pág.
1; septiembre de 2007.
69. Vera-Rodriguez R, Tome P, Fierrez J, Expsito N, Vega FJ: Análisis de la
variabilidad de las marcas faciales en un escenario forense; Actas —
1er Taller Internacional de Biometría y Medicina Forense; Lisboa,
Portugal; pág. 1; Abril 2013.
70. White D, Phillips PJ, Hahn CA, Hill M, O'Toole AJ: experiencia perceptiva
en comparación forense de imágenes faciales; Proc R Soc B
282:20151292; 2015; https:// www.cogsci.msu. edu/ DSS/ 2015-2016/
OToole/ OToole_2015_Perceptual.pdf (Consultado el 14 de diciembre
de 2017).
71. Wong Y, Chen S, Mau S, Sanderson C, Lovell BC: evaluación de calidad
de imagen probabilística basada en parches para la selección de
rostros y reconocimiento facial mejorado basado en video; Actas: taller
de biometría del IEEE, talleres de reconocimiento de patrones y visión
por computadora; Universidad de Colorado: Boulder, CO; pág. 81; junio
de 2011.
72. Zeinstra CG, Veldhuis RNJ, Spreeuwers LJ: Más allá del ojo del
espectador: Sobre una descripción forense de la región del ojo; Actas
— 23ª Conferencia Europea de Procesamiento de Señales (EUSIPSO);
EURASIP: Niza, Francia; pág. 779; septiembre de 2015.

63. Srinivas N, Flynn PJ, Vorder Bruegge RW: Identificación humana
mediante marcas faciales detectadas automática y semiautomáticamente;
J Ciencias Forenses 61:117; 2016.
64. Taigman Y, Yang M, Ranzato M, Wolf L: DeepFace: Closing the gap to
human-level performance in face verifi cation; Actas: Conferencia IEEE
de 2014 sobre visión por computadora y reconocimiento de patrones;
Colón, OH; pág. 1701; junio de 2014.
65. Tomo P, Fierrez J, Vera-Rodriguez R, Ramos D: Identifi cación mediante
regiones faciales: aplicación y evaluación en escenarios forenses;
Ciencia forense Int 233:75; 2013.
66. Tome P, Vera-Rodriguez R, Fierrez J, Ortega-Garcia J: Características
biométricas suaves faciales para el reconocimiento forense de rostros;
Ciencia forense Int 257:271; 2015.
67. Turk M, Pentland A: Caras propias para el reconocimiento; J Cogn
Neurosci 3:71; 1991.
68. Universidad de Twente: ForenFace; http:// scs.ewi.utwente. nl/ downloads/
show,ForenFace/ (Consultado el 21 de noviembre de 2017).
73. Zeinstra CG, Veldhuis RNJ, Spreeuwers LJ: Poder discriminatorio de los
descriptores característicos del FISWG en diferentes casos de uso
forense; Actas — 15ª Conferencia Internacional del Grupo de Interés
Especial en Biometría; Instituto Fraunhofer: Darmstadt, Alemania; pág.
171; septiembre de 2016.
74. Zeinstra CG, Veldhuis RNJ, Spreeuwers LJ: Examinando a los
examinadores: un experimento de verificación de cejas en línea
inspirado en FISWG; Actas — 3er Taller Internacional sobre Biometría
y Medicina Forense; Universidad de Gjøvik: Gjøvik, Noruega; pág. 1;
marzo de 2015.
75. Zeinstra CG, Veldhuis RNJ, Spreeuwers LJ: Hacia la automatización de
la individualización facial forense: Comparación de rasgos de cejas
forenses y no forenses; Actas — 35° Simposio WIC sobre Teoría de la
Información en el Benelux; Eindhoven, Países Bajos; pág. 73; mayo de
2014.
76. Zolfagharifard E: ¿Eres un súper reconocedor? http:// www. dailymail.co.uk/
sciencetech/ article-3125173 (Consultado el 21 de noviembre de 2017).

SOBRE LOS AUTORES

C. Zeinstra; D. Meuwly; A.
Ruifrok R. Veldhuis; L. Spreeuwers

Chris Zeinstra estudió matemáticas (M.Sc.) en la Universidad de Groningen (Groningen, Países Bajos), y tomó un curso especial de un año
en informática (Hons.) en la Universidad de Leiden (Leiden, Países Bajos), entre 1990 y 1998. Comenzó su carrera como ingeniero de
software en Royal Dutch Mail y como gerente de proyectos técnicos en Ericsson ETM, Países Bajos. Se unió a la Universidad de Ciencias
Aplicadas de Hanze (Groningen, Países Bajos) como profesor de informática en 2002. En 2017 obtuvo su Ph.D. por su trabajo sobre
reconocimiento facial forense, un proyecto conjunto entre la Universidad de Twente y el Instituto Forense de los Países Bajos. En este
proyecto aplicó técnicas biométricas sobre rasgos que tienen un significado forense; en particular, los descriptores característicos del
FISWG. Su doctorado los supervisores fueron Raymond Veldhuis y Luuk Spreeuwers.

Zeinstra, Meuwly, Ruifrok, Veldhuis & Spreeuwers • Reconocimiento forense de rostros: una encuesta
Machine Translated by Google
34

Didier Meuwly recibió una educación clásica (latín/filosofía) y se formó como criminalista y criminólogo (1993). Obtuvo su Ph.D. (2000) en la Escuela de
Ciencias Forenses (IPS) de la Universidad de Lausana, Suiza. Actualmente comparte su tiempo entre el Instituto Forense del Ministerio de Seguridad y
Justicia de los Países Bajos (NFI), donde es científico principal, y la Universidad de Twente, donde ocupa la cátedra del Departamento de Biometría
Forense.

Dr. Meuwly se especializa en la automatización y validación de la evaluación probabilística de evidencia forense, y más particularmente de huellas
biométricas. Anteriormente fue líder de un proyecto sobre la evaluación probabilística de la evidencia de huellas dactilares y de la sección de huellas
dactilares dentro del NFI. De 2002 a 2004, trabajó como científico forense sénior en el departamento de I+D del Servicio de Ciencias Forenses (UK-FSS),
en ese momento una agencia ejecutiva del Ministerio del Interior británico. De 1999 a 2002 fue líder del grupo de investigación en biometría de la IPS.
Es miembro fundador de dos grupos de trabajo de la Red Europea de Institutos de Ciencias Forenses (ENFSI): el Grupo de Trabajo de Análisis de Audio
y Habla Forense (FSAAWG) en 1997 y el Grupo de Trabajo Europeo de Huellas Dactilares (EFPWG) en 2000. Sigue activo dentro de la EFWPG. El Dr.
Meuwly también es miembro del consejo editorial y editor invitado de Forensic Science International (FSI).

Arnout Ruifrok recibió su M.Sc. en biología de la Universidad de Groningen (Groningen, Holanda), en 1982. En 1987 recibió su Ph.D. de la misma
universidad por su trabajo sobre la evaluación de los efectos del tratamiento térmico (hipertermia) sobre la membrana plasmática celular. En 2002 se
incorporó al Instituto Forense de los Países Bajos, donde es líder de equipo en el área de análisis de imágenes, biometría del habla y audio. Sus
principales responsabilidades son la investigación sobre las posibilidades de uso de las características biométricas en la identifi cación forense, las
aplicaciones forenses de los sistemas biométricos y la comparación facial.

De 1987 a 1992, el Dr. Ruifrok participó en proyectos de investigación sobre los efectos del calor y la radiación en tejidos tumorales y normales en
sistemas de modelos animales en el Hospital Daniel den Hoed (Rotterdam, Países Bajos) y la Universidad Radboud (Nijmegen, Países Bajos) . En 1992
se mudó a los EE. UU. para trabajar en modelos matemáticos de la respuesta a la radiación de los tejidos en el MD Anderson Cancer Center (Houston,
TX, EE. UU.), Departamento de Biomatemáticas, donde se involucró en el análisis de imágenes y el reconocimiento de patrones. De 1999 a 2002 se
incorporó al Departamento de Patología del MD Anderson, donde trabajó en el reconocimiento y la clasificación automatizados de células cancerosas y
señales de hibridación in situ. El Dr. Ruifrok participa activamente en el Grupo de trabajo científico de identificación facial.

Raymond Veldhuis se graduó de la Universidad de Twente (Twente, Países Bajos) en 1981. En 1988 recibió un Ph.D. Licenciado por la Universidad de
Nijmegen (Nijmegen, Países Bajos), con una tesis titulada “Restauración Adaptativa de Muestras Perdidas en Señales de Tiempo Discreto e Imágenes
Digitales”. El Dr. Veldhuis ahora es profesor titular de reconocimiento de patrones biométricos en la Universidad de Twente, donde dirige un equipo de
investigación en este campo.
Los principales temas de investigación son el reconocimiento facial (2D y 3D), el reconocimiento de huellas dactilares, el reconocimiento de patrones
vasculares, la fusión multibiométrica y la protección de plantillas biométricas. La investigación es tanto aplicada como fundamental.
El Dr. Veldhuis fue investigador de Philips Research Laboratories (Eindhoven, Países Bajos) y trabajó en
diversas áreas del procesamiento de señales digitales (1982–1992) y en el campo del procesamiento del habla (1992–2001).

Luuk Spreeuwers estudió ingeniería eléctrica en la Universidad de Twente (Twente, Países Bajos), de 1982 a 1988. En 1992 recibió su Ph.D. de la
Universidad de Twente con una tesis titulada "Filtrado de imágenes con redes neuronales: aplicaciones y rendimiento". Posteriormente trabajó como
postdoctorado en la Universidad de Twente y en la Academia Húngara de Ciencias (Budapest, Hungría). Actualmente, el Dr. Spreeuwers investiga el
reconocimiento facial en 2D y 3D en el grupo del Dr. Veldhuis en la Universidad de Twente. Los principales intereses actuales del Dr. Spreeuwers son el
procesamiento de imágenes basado en modelos, el reconocimiento de patrones y la biometría.

El Dr. Spreeuwers fue investigador principal (1997–1999) en el área de procesamiento de imágenes en Mindmaker Ltd.
(Budapest, Hungría). Durante 1999–2005, el Dr. Spreeuwers trabajó en segmentación y modelado 3D en el Centro Médico Universitario (Utrecht, Países
Bajos).
Los principales intereses del Dr. Spreeuwers son el procesamiento de imágenes basado en modelos, el reconocimiento de patrones y la biometría.
Posee récords mundiales en reconocimiento facial 3D en los puntos de referencia estándar de verificación e identificación utilizando datos FRGCv2 (99,3
% @FAR=0,1 % y 99,4 % rango 1).

Forensic Science Review (www.forensicsciencereview.com) • Volumen treinta, número uno • Enero de 2018