Plantilla biométrica

Una plantilla biométrica no es una fotografía comprimida ni una contraseña disfrazada de números. Es una representación matemática diseñada para comparar rasgos humanos. Entender qué contiene, cómo se genera y qué medidas necesita es esencial para evaluar correctamente un sistema de verificación de identidad.

Cuando una persona abre una cuenta, firma una operación a distancia o recupera el acceso a un servicio, la organización necesita responder a una pregunta sencilla con consecuencias importantes: ¿es realmente quien afirma ser? En muchos procesos de alta digital, una de las comprobaciones consiste en comparar el rostro capturado en ese momento con la fotografía de un documento de identidad validado.

La comparación no se realiza mirando las dos imágenes como lo haría una persona. El sistema transforma cada muestra en una representación matemática y calcula hasta qué punto se parecen. Esa representación es la plantilla biométrica. Es una pieza central del reconocimiento facial moderno, pero no constituye por sí sola un proceso KYC, una prueba de vida ni una garantía automática de privacidad.

La distinción importa. Un sistema puede generar plantillas muy precisas y, sin embargo, fallar si la captura es deficiente, si no detecta ataques de presentación o inyección, si utiliza un umbral inadecuado o si protege mal las representaciones almacenadas. Por eso, evaluar biometría exige mirar el proceso completo, no solo el algoritmo de comparación.

¿Qué es una plantilla biométrica?

Una plantilla biométrica —también denominada patrón, firma o template— es una representación digital extraída mediante un tratamiento técnico de una característica física, fisiológica o conductual. Puede proceder del rostro, la huella, el iris, la forma de teclear o la manera de caminar, entre otras modalidades.

En reconocimiento facial, suele adoptar la forma de un vector de características: una secuencia de valores que sitúa el rostro en un espacio matemático aprendido por el modelo. Rostros de la misma persona deberían quedar relativamente próximos; rostros de personas diferentes, más alejados. Los valores no equivalen necesariamente a puntos anatómicos concretos como “distancia entre los ojos” o “anchura de la nariz”. En los modelos modernos, las características son combinaciones abstractas aprendidas durante el entrenamiento.

La AEPD describe la plantilla como una forma de escritura de una característica biométrica orientada a ser interpretada por una máquina de forma eficiente para una finalidad determinada. También recuerda que una plantilla capaz de singularizar a una persona sigue siendo un dato personal; convertir una imagen en números no la saca del ámbito del RGPD.

Muestra, plantilla y plantilla protegida no son lo mismo

• Muestra biométrica: la señal capturada por el sensor: una imagen facial, un vídeo, una huella o un audio.
• Plantilla biométrica: la representación de características extraída de esa muestra para poder compararla.
• Plantilla biométrica protegida: el resultado de aplicar mecanismos adicionales destinados a reducir riesgos de reconstrucción, vinculación entre bases de datos o reutilización tras una brecha.
• Puntuación de similitud: el valor obtenido al comparar dos plantillas. No es la identidad de la persona ni una certeza; alimenta una decisión gobernada por un umbral.

Cómo se crea una plantilla biométrica facial

Aunque cada proveedor utiliza modelos, controles y arquitecturas diferentes, un flujo facial completo suele incluir las siguientes etapas:

1. Captura de la muestra

La cámara obtiene una o varias imágenes. La calidad de entrada condiciona todo lo que ocurre después: iluminación, enfoque, resolución, pose, oclusiones, movimiento y comportamiento del sensor pueden aumentar los errores. La calidad no es un detalle cosmético; NIST señala que una fotografía deficiente puede elevar los falsos no reconocimientos y generar diferencias de rendimiento entre grupos.

2. Detección y control de calidad

El sistema localiza el rostro y comprueba si la muestra cumple requisitos mínimos. Debe rechazar, repetir o derivar la operación cuando la cara está cortada, desenfocada, demasiado oscura, fuera de ángulo o parcialmente oculta. En un proceso remoto también conviene verificar que la captura procede del canal esperado y no de una fuente virtual o manipulada.

3. Normalización y alineación

El rostro se ajusta a una referencia común: posición de ojos y boca, escala, rotación, encuadre, contraste o color. Normalizar reduce variaciones que no pertenecen a la identidad y facilita que dos capturas legítimas de la misma persona produzcan representaciones comparables.

4. Extracción de características

Una red neuronal procesa la imagen y genera el vector. La longitud del vector depende del modelo; no existe un número universal de valores que determine por sí solo la calidad o la seguridad. Un vector más largo no garantiza mayor precisión, y dos vectores de la misma longitud pueden tener prestaciones muy diferentes.

5. Protección y almacenamiento

Antes de conservar una referencia para usos posteriores, deben definirse medidas acordes al riesgo: cifrado, separación lógica de identificadores, control de claves, limitación de accesos, trazabilidad, retención, borrado y, cuando proceda, un esquema específico de protección de plantillas. La norma ISO/IEC 24745:2022 se centra en la protección de la información biométrica durante su tratamiento y almacenamiento.

6. Comparación y decisión

En una operación posterior se genera una nueva plantilla y se compara con la referencia. El comparador devuelve una puntuación; una política determina si está por encima o por debajo del umbral aceptado. Esa decisión puede combinarse con prueba de vida, validación documental, señales del dispositivo, reglas antifraude y revisión manual.

Verificación 1:1 e identificación 1:N

Los términos “reconocimiento facial” y “comparación facial” se usan a veces como si fueran intercambiables, pero describen operaciones con distinta finalidad y exposición al riesgo.

Verificación 1:1

Responde a: “¿Esta persona coincide con la referencia asociada a la identidad que presenta?” En un onboarding, puede comparar el selfie con el retrato extraído del documento de identidad. Solo hay una referencia principal en la comparación.

Identificación 1:N

Responde a: “¿Quién es esta persona dentro de una galería?” La plantilla se busca frente a múltiples referencias y el sistema devuelve uno o varios candidatos. A medida que crece la galería, aumenta el número de comparaciones y cambian los requisitos de diseño, evaluación y supervisión.
No es correcto trasladar sin más el rendimiento de un ensayo 1:1 a un escenario 1:N. NIST mantiene evaluaciones separadas y advierte de que ciertos efectos observados en 1:1 pueden amplificarse en búsquedas sobre galerías.

La decisión depende de un umbral, no de una coincidencia “exacta”

La biometría es probabilística. Dos capturas de una misma persona nunca son idénticas: cambian la luz, la cámara, la expresión, la edad, la pose y el ruido. Por eso, el sistema calcula una similitud y la compara con un umbral.

Al endurecer el umbral, disminuye la probabilidad de aceptar a un impostor, pero puede aumentar el rechazo de usuarios legítimos. Al relajarlo, mejora la comodidad, pero puede elevar el riesgo de falsa aceptación. Las dos métricas básicas son:

• FMR (False Match Rate): proporción de comparaciones entre personas distintas que superan el umbral.
• FNMR (False Non-Match Rate): proporción de comparaciones de la misma persona que quedan por debajo del umbral.

No existe un “porcentaje de acierto” único y suficiente. El resultado debe especificar conjunto de datos, condiciones de captura, umbral, FMR, FNMR, grupos evaluados y escenario operacional. ISO/IEC 19795-1 establece principios para ensayar y reportar rendimiento biométrico, mientras que NIST FRTE publica evaluaciones independientes de algoritmos faciales.
Además, FMR y FNMR miden comparaciones sin esfuerzo específico de suplantación. No sustituyen a una evaluación contra fotos impresas, pantallas, máscaras, deepfakes, cámaras virtuales o inyecciones en el flujo. La detección de ataques de presentación tiene su propio marco de ensayo en ISO/IEC 30107-3:2023.