Riconoscimento facciale: cos'è, come funziona e applicazioni

Il riconoscimento facciale è una delle tecnologie più discusse nel campo della sicurezza, della biometria e delle investigazioni. È già presente nella vita quotidiana, dallo sblocco dello smartphone ai controlli aeroportuali, ma assume un significato molto più delicato quando viene utilizzato per identificare una persona in un’indagine, analizzare immagini di videosorveglianza o confrontare un volto con un database.

Il punto centrale non è soltanto tecnico. Non basta chiedersi se un algoritmo sia “preciso”. La domanda corretta è: in quale contesto viene usato, su quali immagini, con quale database, con quali controlli umani e con quali conseguenze giuridiche?

In ambito investigativo, infatti, il riconoscimento facciale può essere uno strumento utile, ma non dovrebbe essere confuso con una prova automatica e definitiva.

Cos’è il riconoscimento facciale e perché è diverso da una semplice fotografia

Quando si parla di riconoscimento facciale si fa riferimento a un sistema capace di analizzare un volto e trasformarlo in un dato matematico.

Il volto non viene osservato come farebbe una persona: viene misurato, codificato e confrontato.

Dal volto al template biometrico

Un sistema di face recognition acquisisce un’immagine o un fotogramma video, rileva la presenza del volto, individua punti caratteristici come occhi, naso, bocca e contorno del viso, quindi crea un template biometrico: una rappresentazione numerica delle caratteristiche facciali.

Questo template può essere confrontato con un altro template o con un archivio più ampio. In termini pratici, il software calcola una distanza matematica o un punteggio di similarità. Più i valori sono vicini, più il sistema considera probabile che le immagini appartengano alla stessa persona. Ma “probabile” non significa “certo”.

Verifica 1:1, identificazione 1:N e riconoscimento in tempo reale

Uno dei fraintendimenti più comuni riguarda le diverse modalità d’uso. La verifica 1:1 serve a controllare se una persona è chi dichiara di essere: ad esempio, volto contro documento o volto contro profilo registrato. L’identificazione 1:N, invece, confronta un volto sconosciuto con molti volti presenti in un database. È il caso più delicato nelle indagini, perché aumenta il rischio di falsi positivi.

Diverso ancora è il riconoscimento facciale in tempo reale, che analizza flussi video live in luoghi pubblici. Proprio questa modalità è tra le più sensibili per il rischio di sorveglianza di massa. L’AI Act europeo prevede limiti molto stringenti per l’identificazione biometrica remota in tempo reale da parte delle forze dell’ordine, ammessa solo in situazioni circoscritte e con garanzie specifiche.

Come funziona la tecnologia: 2D, 3D, infrarossi e reti neurali

Per comprendere i limiti del riconoscimento facciale bisogna distinguere tra sistemi diversi. Non tutte le tecnologie hanno la stessa accuratezza, la stessa resistenza agli errori o lo stesso livello di sicurezza.

Riconoscimento facciale 2D

I sistemi 2D lavorano su immagini piane, simili a quelle prodotte da una normale telecamera. Analizzano distanze, proporzioni e caratteristiche visibili del volto. Sono più semplici da implementare, ma anche più vulnerabili a variabili come scarsa illuminazione, volto ruotato, bassa risoluzione, compressione video, ombre, occlusioni, cappelli, occhiali o mascherine.

In un’indagine reale, queste condizioni sono frequenti. Le immagini CCTV non sono sempre nitide, frontali o acquisite in condizioni ideali. Per questo il riconoscimento facciale applicato a filmati di videosorveglianza richiede cautela, competenza tecnica e verifica indipendente.

Riconoscimento facciale 3D e infrarossi

I sistemi 3D e a infrarossi acquisiscono informazioni sulla profondità del volto. Invece di limitarsi all’immagine bidimensionale, misurano la struttura tridimensionale, rendendo più difficile ingannare il sistema con una semplice fotografia o un video.

È il principio usato da molte tecnologie avanzate di autenticazione biometrica. Tuttavia, nell’ambito investigativo non sempre si dispone di immagini 3D: spesso si lavora su filmati già acquisiti da telecamere standard. Questo significa che la qualità della fonte resta decisiva.

Reti neurali, invecchiamento e variazioni del volto

I sistemi moderni usano reti neurali e modelli di deep learning per riconoscere pattern complessi. Possono tollerare alcuni cambiamenti, come barba, taglio di capelli, trucco leggero o normale invecchiamento. Ma non sono infallibili. Interventi estetici, variazioni marcate di peso, scarsa qualità dell’immagine o somiglianze anatomiche possono ridurre l’affidabilità.

Riconoscimento facciale nelle investigazioni: strumento utile, non scorciatoia probatoria

Nel campo investigativo il riconoscimento facciale può accelerare l’analisi di grandi quantità di immagini, individuare possibili corrispondenze e orientare ulteriori attività. Ma il suo valore dipende da come viene usato.

Un match non è una prova definitiva

Il risultato di un algoritmo dovrebbe essere considerato un lead investigativo, cioè una pista da verificare. Non dovrebbe trasformarsi automaticamente in identificazione certa, richiesta di misura restrittiva o conclusione probatoria.

Questo punto è essenziale per investigatori privati, aziende, studi legali e soggetti coinvolti in contenziosi. Un match deve essere interpretato insieme ad altri elementi: orari, luoghi, testimonianze, caratteristiche fisiche, abiti, alibi, log digitali, immagini aggiuntive, impronte, dati documentali o altre evidenze forensi.

Falsi positivi, falsi negativi e bias

Un falso positivo si verifica quando il sistema associa erroneamente due persone diverse. Un falso negativo si verifica quando non riconosce la stessa persona in due immagini. Entrambi i casi sono critici, ma nelle indagini il falso positivo può avere conseguenze particolarmente gravi: sospetti infondati, danno reputazionale, errori investigativi o, nei casi estremi, provvedimenti ingiusti.

Il NIST ha evidenziato differenze nei tassi di falso positivo tra gruppi demografici in diversi algoritmi, con variazioni legate a età, sesso e origine etnica. Questo non significa che ogni sistema sia inutilizzabile, ma conferma la necessità di test, audit, soglie adeguate e supervisione esperta.

SARI, CCTV e banche dati: il nodo italiano

In Italia, il dibattito sul riconoscimento facciale investigativo ruota anche intorno al SARI, Sistema Automatico di Riconoscimento Immagini, utilizzato in ambito di pubblica sicurezza.

SARI Enterprise e SARI Real Time

Il sistema SARI è stato descritto come capace di confrontare immagini provenienti da fonti investigative con immagini presenti in banche dati di polizia, come l’AFIS. La distinzione tra uso in differita e uso in tempo reale è decisiva: analizzare un’immagine dopo un evento è diverso dal monitorare in diretta i volti di persone presenti in uno spazio pubblico.

Sul SARI Real Time, il Garante Privacy ha espresso parere non favorevole, rilevando l’assenza di una base giuridica adeguata e il rischio di una forma di sorveglianza indiscriminata o di massa.

Catena di custodia e trasparenza

In un contesto investigativo serio, non conta solo il risultato dell’algoritmo. Conta anche la catena di custodia: da dove proviene il file, chi lo ha acquisito, se è stato modificato, quale software è stato usato, con quali parametri, quale soglia di similarità è stata impostata e quali risultati alternativi sono emersi.

Questo è un punto centrale anche per le indagini difensive e per la consulenza tecnica: la tecnologia può essere utile solo se è documentabile, verificabile e contestualizzata.

Privacy, GDPR e AI Act: perché il volto è un dato sensibile

Il volto non è una password. Se una password viene compromessa, si cambia. Se viene compromesso un dato biometrico, la situazione è molto più complessa.

Dati biometrici e basi giuridiche

Il gdpr considera i dati biometrici usati per identificare in modo univoco una persona come categorie particolari di dati. Il trattamento è vietato in linea generale, salvo specifiche condizioni di liceità, come consenso esplicito valido, interesse pubblico rilevante o altre basi previste dalla normativa. Inoltre, nei trattamenti ad alto rischio può essere necessaria una DPIA, cioè una valutazione d’impatto sulla protezione dei dati.

In ambito investigativo, questo significa che non basta avere una tecnologia disponibile: bisogna verificare proporzionalità, necessità, finalità, conservazione, sicurezza, accessi e cancellazione dei dati.

AI Act, aeroporti e caso FaceBoarding

L’AI Act rafforza il quadro europeo, distinguendo gli usi dell’intelligenza artificiale in base al rischio. La biometria rientra spesso tra gli ambiti più sensibili, soprattutto quando riguarda identificazione remota, accesso a servizi o spazi pubblici.

Il caso FaceBoarding di Milano Linate è utile per capire il principio: il Garante non ha vietato in assoluto il riconoscimento facciale in aeroporto, ma ha contestato una specifica implementazione ritenuta non conforme, anche in relazione alla conservazione centralizzata dei dati biometrici e al controllo effettivo da parte dei passeggeri.

In un blog investigativo, un approfondimento su AI act e investigazioni biometriche diventa quindi essenziale per chiarire la differenza tra innovazione lecita e uso sproporzionato.

Deepfake, furto di identità digitale e nuove minacce biometriche

Il riconoscimento facciale non riguarda solo la sicurezza fisica. Entra sempre più spesso anche nel campo della cybersecurity, dell’OSINT, della reputazione online e della protezione dell’identità.

Quando il volto viene usato contro la persona

La diffusione di immagini online può alimentare rischi di furto di identità digitale. Foto pubbliche, video social, immagini aziendali e contenuti personali possono essere raccolti, manipolati o usati per impersonare una persona.

Il problema diventa ancora più grave con i deep fake, contenuti sintetici creati con intelligenza artificiale per simulare volto, voce o comportamento di un soggetto. In scenari aziendali, familiari o giudiziari, un video apparentemente credibile può diventare uno strumento di frode, ricatto, disinformazione o danno reputazionale.

AI nelle investigazioni e verifica delle fonti

L’uso di AI nelle investigazioni può aiutare a rilevare anomalie, confrontare immagini, analizzare metadati e verificare la coerenza di un contenuto digitale. Ma anche qui vale la stessa regola: nessun automatismo.

Ogni risultato deve essere validato con metodo investigativo, competenza forense e lettura del contesto.

Conclusioni: tecnologia potente, ma solo se governata

Il riconoscimento facciale non è né una soluzione miracolosa né uno strumento da demonizzare in modo assoluto. È una tecnologia potente, utile in alcuni contesti e rischiosa in altri. Può supportare attività di sicurezza, identificazione e analisi investigativa, ma deve essere usata con criteri rigorosi: qualità delle immagini, controllo umano qualificato, trasparenza, basi giuridiche solide, minimizzazione dei dati e verifiche indipendenti.

Nel settore investigativo, il punto decisivo è evitare che un risultato probabilistico venga presentato come certezza. Il volto può orientare un’indagine, ma non deve sostituire l’indagine. Proprio per questo, la competenza tecnica e legale diventa il vero discrimine tra un uso corretto della biometria e un uso potenzialmente dannoso.

Per aziende, privati e studi legali, comprendere il riconoscimento facciale significa proteggersi meglio: dagli errori, dagli abusi, dalle frodi digitali e dalle nuove forme di identificazione non autorizzata.