Si vous avez la chance d’avoir un billet pour un événement au Madison Square Garden à New York – par exemple, un match des finales de la NBA – un aspect de votre visite consistera à faire scanner votre visage par un système de reconnaissance faciale.
Les grands sites événementiels utilisent de plus en plus cette technologie. Certains, comme le Madison Square Garden, s’en servent à des fins de surveillance , et d’autres, comme le Citizens Bank Park à Philadelphie, pour proposer aux visiteurs une entrée sans billet .
L’adoption de la technologie de reconnaissance faciale est en hausse et se généralise dans la vie quotidienne, des bus aux bâtiments publics . L’Administration de la sécurité des transports (TSA) a déployé la toute dernière technologie de reconnaissance faciale aux points de contrôle de sécurité de nombreux aéroports. L’agence indique que ce nouveau système sera également utilisé dans les villes américaines qui accueilleront des matchs de la Coupe du monde de football de 2026 .
L’utilisation croissante de la reconnaissance faciale a accru les inquiétudes concernant sa précision et ses biais . Cependant, mes recherches sur cette technologie au sein du Laboratoire de vision de l’Université de Dayton m’ont permis de constater que les modèles d’apprentissage profond avancés ont rendu les systèmes de reconnaissance faciale plus précis et fiables. Ces modèles d’IA, entraînés sur des centaines de millions d’images de visages, affichent une précision supérieure à 99 % dans des environnements contrôlés, tels que les téléphones portables, les aéroports et les postes frontières.
Principes de base de la reconnaissance faciale
La reconnaissance faciale se déroule en trois étapes : localiser un visage dans une image ou une vidéo, créer une empreinte faciale répertoriant ses caractéristiques principales (forme du visage et points de repère comme les yeux, le nez et la bouche) et enregistrer la texture de la peau. Cette empreinte est ensuite comparée à celles d’une base de données, stockée par exemple dans un smartphone, une banque ou un hôpital, afin de vérifier l’identité d’une personne ou d’autoriser l’accès.
Dans le monde physique, ces systèmes sont plus rapides et plus simples que la présentation d’une pièce d’identité. En ligne, ils sont plus faciles que la saisie d’un identifiant et d’un mot de passe. La reconnaissance faciale réduit également considérablement les risques de falsification ou de fraude par rapport aux cartes d’identité ou aux mots de passe.
Les progrès technologiques sont le fruit de divers projets de recherche. FaceNet , un modèle d’apprentissage profond développé par Google, a amélioré la reconnaissance des visages partiellement ou totalement masqués sur les images. DeepFace , un système de reconnaissance faciale révolutionnaire basé sur l’IA et développé par Facebook AI Research, atteint un niveau de vérification aussi élevé que celui des humains.
NeoFace , un algorithme d’IA très précis développé par NEC, est intégré à Mobile Fortify , le système de reconnaissance faciale mobile utilisé par le service américain de l’immigration et des douanes pour identifier les personnes.
Réduire les faux positifs et les faux négatifs
Les conditions réelles, telles qu’un éclairage insuffisant, des angles de vue difficiles, des expressions faciales extrêmes, le port d’un masque ou de lunettes de soleil, et une mauvaise qualité d’image, peuvent encore nuire aux performances et entraîner des erreurs d’identification. Les faux positifs et les faux négatifs sont les deux principales sources d’erreur. Un faux positif se produit lorsqu’une personne est associée par erreur à une autre personne dans une base de données. Un faux négatif se produit lorsqu’une personne n’est pas trouvée dans une base de données, alors que son image y figure.
Les faux positifs sont particulièrement problématiques dans le domaine de la sécurité. Ils peuvent entraîner des accusations injustifiées, de la discrimination ou des détentions arbitraires. En 2025, une femme de 50 ans, résidant dans le Tennessee, a été arrêtée et emprisonnée pendant six mois à cause d’un système de reconnaissance faciale basé sur l’intelligence artificielle qui l’a, à tort, impliquée dans une enquête pour fraude bancaire dans le Dakota du Nord. Les faux négatifs peuvent, quant à eux, inciter les autorités à refuser des services à des personnes qui y ont droit.
La précision peut être compromise si les modèles sont entraînés sur des données ne reflétant pas la démographie réelle. Une étude de 2025 a démontré que les systèmes entraînés sur des bases de données publiques où les personnes à la peau foncée sont sous-représentées présentent une précision de reconnaissance moindre . Ce type de biais involontaire dans les données d’entraînement peut conduire à des erreurs d’identification, notamment pour les femmes, les personnes de couleur, les jeunes et les personnes âgées . Un rapport a révélé que les systèmes de reconnaissance faciale utilisés par 42 agences gouvernementales américaines identifiaient à tort les visages d’Afro-Américains et d’Américains d’origine asiatique 10 à 100 fois plus souvent que les visages de personnes blanches , ce qui a parfois conduit à des arrestations injustifiées .
La précision diminue également lorsque les personnes portent un maquillage prononcé, ainsi que chez les jeunes enfants et les personnes âgées, car leurs traits caractéristiques évoluent plus rapidement que chez les adultes d’autres âges. L’équilibrage des ensembles de données , par la collecte d’images plus représentatives de l’âge, du sexe et de l’origine ethnique, et la mise à jour régulière des bases de données, peuvent améliorer la précision et produire des résultats plus équitables .
Ajuster les images avant leur envoi pour comparaison – par exemple, modifier leur luminosité – peut également améliorer la précision. Les yeux se plissent naturellement dans l’obscurité ou sous une lumière très vive. Les logiciels de traitement avancés peuvent reproduire ce comportement afin d’améliorer la capacité du système de reconnaissance faciale à extraire les traits du visage à partir de l’image.
La technologie de reconnaissance faciale est de plus en plus performante pour identifier les personnes dont le visage est partiellement masqué. B. Hayes/NIST
Un visage complet à partir de données partielles
Les humains sont capables d’identifier une personne même si une partie de son visage est masquée par des lunettes de soleil ou un masque. Le cerveau accorde plus d’importance aux détails visibles. Si les logiciels de reconnaissance faciale pouvaient apprendre à faire de même, cela réduirait les faux positifs et les faux négatifs, notamment lorsque les caméras ne capturent qu’une partie du visage.
Les expressions faciales peuvent aussi être utiles. Il peut être difficile de reconnaître instantanément un ami du collège qu’on n’a pas revu depuis des années, mais si ce dernier sourit, ce changement d’expression peut immédiatement faciliter le souvenir.
Des chercheurs développent une méthode de reconnaissance faciale, appelée analyse volumétrique directionnelle , qui capture les mouvements subtils des muscles du visage, ainsi que les clignements des paupières, dans des images successives d’une vidéo. Elle suit l’évolution des points de repère du visage au fil du temps, ainsi que le contexte d’observation, ce qui peut améliorer la précision de la reconnaissance.
Les chercheurs développent également des systèmes tridimensionnels d’intelligence artificielle plus précis, capables de capturer la géométrie exacte d’un visage, notamment les contours des orbites, du nez et du menton. Ces travaux pourraient déboucher sur des techniques anti-usurpation d’identité empêchant les systèmes de reconnaissance faciale de se tromper sur les faux visages générés par ordinateur et leurs opérateurs humains.
Moins d’erreurs d’identité
Abstraction faite des questions de confidentialité, de cybersécurité et des problèmes persistants de biais, une chose est claire : la technologie de reconnaissance faciale s’améliore. Ce qui promet moins d’erreurs et, par conséquent, moins de conséquences graves.
