# Qualidade de imagem facial: a foto que reprova antes do modelo olhar Guia · UNIFOKAL · 12 de setembro de 2026 · 7 min de leitura · Antifraude O que a ISO/IEC 29794-5 padroniza, por que um escore único esconde o defeito e como a avaliação NIST IR 8485 testa a detecção de pose, exposição, oclusão e desfoque. Uma verificação falha e ninguém sabe dizer por quê. O suporte responde que o rosto não bateu, o usuário jura que é ele mesmo, e a foto fica ali, num arquivo, sem que nada no sistema saiba nomear o que há de errado com ela. Na maioria dos casos não há mistério algum: a imagem chegou fora das condições em que o modelo consegue trabalhar, e isso é mensurável antes de qualquer comparação. Qualidade de imagem facial é uma disciplina com norma própria e com avaliação pública de quem faz a medida. Ela responde a uma pergunta diferente da que o reconhecimento responde. Reconhecimento pergunta se dois rostos são da mesma pessoa. Qualidade pergunta se esta foto, sozinha, tem as propriedades necessárias para que a pergunta seguinte faça sentido. ## O que a ISO/IEC 29794-5 padroniza A série ISO/IEC 29794 trata de qualidade de amostra biométrica, e a parte 5 é a de imagem facial. A ISO/IEC 29794-5:2025, "Information technology, Biometric sample quality, Part 5: Face image data", foi publicada em abril de 2025, no comitê ISO/IEC JTC 1/SC 37. O escopo é específico. O documento estabelece requisitos para implementações que quantificam o quanto as propriedades de uma imagem de rosto estão conformes com as de uma imagem canônica, como as especificadas na ISO/IEC 39794-5:2019, e faz isso para três casos de uso declarados: coleta de amostra de referência para documento de identificação, cadastro de amostra no sistema, e imagem de consulta para resposta instantânea. Além dos requisitos, estabelece termos e definições para quantificar qualidade de imagem facial e especifica métodos para essa quantificação. O que o escopo deixa de fora importa tanto quanto. A norma não estabelece requisitos para avaliar a qualidade de pares ou sequências de imagens, e é explícita ao dizer que trata de software que inspeciona exatamente uma imagem, não de software que compara duas ou mais, como o de reconhecimento; as contas podem ser aplicadas separadamente a cada imagem de um par. Também ficam de fora a qualidade de capturas 3D, a codificação de dados de qualidade e a avaliação de desempenho dos próprios algoritmos de qualidade. E os casos de uso do escopo tratam principalmente de pessoas que consentem com o tratamento dos seus dados biométricos ou cuja captura é autorizada operacionalmente. Esse último ponto é relevante para desenho de produto no Brasil, onde a base legal do tratamento de dado biométrico não é um detalhe posterior, como discute o artigo sobre [LGPD e biometria](https://unifokal.com/blog/lgpd-biometria-base-legal). ## Um número só esconde onde está o defeito A forma mais comum de expor qualidade é um escore único, do tipo "esta foto vale 62". Ele resolve uma decisão binária, aceitar ou recusar, e não resolve nada além dela. Se o escore é baixo, o sistema não sabe se a pessoa estava de óculos escuros, se o rosto estava girado, se a foto estava subexposta ou se havia mais de um rosto no quadro. Sem esse nome, não há instrução para dar ao usuário na segunda tentativa. A alternativa é o vetor de qualidade: além do resumo, uma lista de componentes, cada um medindo um defeito específico. Foi exatamente isso que o NIST, instituto de padrões dos Estados Unidos, colocou sob teste na trilha FATE Quality Specific Image Defect Detection, relatada no NIST IR 8485, "Face Analysis Technology Evaluation (FATE) Part 11: Face Image Quality Vector Assessment", de setembro de 2023. O relatório diz que a avaliação existe para apoiar a avaliação de algoritmos de componente de qualidade que implementam as checagens da ISO/IEC 29794-5, então em desenvolvimento, e que derivam de requisitos fotográficos e de aparência anteriores. Os componentes testados pelo NIST dão a dimensão do problema. Entre eles estão número total de rostos presentes, os três ângulos de pose, olhos abertos, distância entre os olhos, resolução, boca aberta, uniformidade de fundo, subexposição, superexposição, presença de óculos comuns e de óculos escuros, artefatos de compressão, oclusão do rosto, desfoque de movimento e a distância em pixels dos olhos até cada borda da imagem. O relatório observa que as medidas implementadas com mais frequência pelos participantes foram número de rostos, os três ângulos de pose, olhos abertos e distância entre os olhos. ## Como se prova que uma medida de qualidade funciona Aqui está a parte que quase ninguém pergunta ao fornecedor. Para testar um medidor de pose é preciso saber o ângulo verdadeiro de cada foto. O NIST formou a referência por três caminhos: posicionamento de câmera, colocando o equipamento num ângulo conhecido em relação à pessoa no momento da captura; rotulagem manual, com inspeção humana e medição por software; e degradação sintética, aplicando quantidades controladas de desfoque, superexposição e subexposição a uma imagem natural. O relatório também declara a limitação desse método. Para várias medidas, como distância entre os olhos e abertura da boca, a referência vem de inspeção humana, e é uma variável contínua com erro de medição. Isso significa que o software nunca pode ser perfeito, ao contrário de um teste de reconhecimento, em que os rótulos são discretos e, idealmente, sem erro. Quem lê um resultado de qualidade precisa saber disso antes de comparar dois fornecedores por decimais. ## A prova que interessa ao negócio Componente de qualidade não é fim em si. O que justifica o investimento é a relação entre descartar imagem ruim e errar menos no reconhecimento. O NIST mede isso na seção de escore unificado do IR 8485, com um desenho experimental que vale copiar mentalmente: as comparações usam fotos de formulário de alta qualidade, do tipo usado em solicitação de visto, contra fotos de câmera de aeroporto, de qualidade média, e a qualidade é calculada apenas nas fotos de câmera. O relatório então apresenta o ganho de taxa de falso negativo em função da fração de imagens de pior qualidade descartada, para quatro valores iniciais dessa taxa: 0,5%, 1%, 2% e 5%. Essa é a curva que um comprador deveria pedir, porque ela liga a medida de qualidade ao erro que dói. O mesmo mecanismo aparece no relatório de efeitos demográficos do NIST, que registra que melhor qualidade de imagem reduz falso negativo e reduz os diferenciais entre grupos, assunto do artigo sobre [viés demográfico em reconhecimento facial](https://unifokal.com/blog/vies-demografico-em-biometria-facial). ## Reprovar cedo é um favor ao usuário, se houver segunda chance A consequência de desenho é que a checagem de qualidade pertence ao momento da captura, não ao fim do processamento. Reprovar uma foto borrada dez segundos depois de tirada, com uma instrução específica, custa uma tentativa. Reprovar a mesma foto meia hora depois, com a mensagem genérica de falha, custa o cliente. O roteiro de como transformar recusa técnica em nova tentativa está no [fluxo de recaptura](https://unifokal.com/blog/fluxo-de-recaptura-em-verificacao), e o cuidado com quem não consegue atender ao pedido está no texto sobre [acessibilidade em verificação de identidade](https://unifokal.com/blog/acessibilidade-em-verificacao-de-identidade). Vale um alerta sobre o limite: componente de qualidade mede propriedade de imagem, não intenção. Uma foto pode ser tecnicamente impecável e ainda assim ser uma tela apontada para a câmera. Qualidade e detecção de ataque são checagens diferentes, com normas diferentes, e uma não substitui a outra dentro de um fluxo de [verificação de identidade](https://unifokal.com/produto/identidade). ## Fontes citadas - ISO/IEC 29794-5:2025, Information technology, Biometric sample quality, Part 5: Face image data, comitê ISO/IEC JTC 1/SC 37, abril de 2025, cláusula de escopo - ISO/IEC 39794-5:2019, especificação de imagem facial referida pelo escopo da 29794-5 - NIST IR 8485, Face Analysis Technology Evaluation (FATE) Part 11: Face Image Quality Vector Assessment, setembro de 2023: [nvlpubs.nist.gov](https://nvlpubs.nist.gov/nistpubs/ir/2023/NIST.IR.8485.pdf) - NIST IR 8485, tabelas de medidas de qualidade, seção de limitações do método de referência e seção de escore unificado - NIST IR 8280, FRVT Part 3: Demographic Effects, dezembro de 2019, sobre o efeito da qualidade de imagem no falso negativo