Parecer Padre Lancellotti Atualizado Com Anexos
Parecer Padre Lancellotti Atualizado Com Anexos
Parecer Padre Lancellotti Atualizado Com Anexos
__________________________________________________________________
REVISTA FORUM
JORNAL ESTADÃO
PODER 360
CONSULENTES
ATUALIZADO
___________________________________________________________________________________________
NCFA - Núcleo de Computação Forense Aplicada (UFABC) Sede: Av. dos Estados, 5001
4o andar, Bloco L - Santo André, SP, CEP 09210-580 Tel.: (11) 3356-7676 (ramal 7676)
PARECER
EMITIDO EM 15 DE JANEIRO
Do elemento periciado e seus entornos
Atendendo à solicitação da Revista Fórum e do Jornal ESTADÃO, foi analisado um
vídeo referente a uma montagem com sons, fotos, trechos de vídeos e textos, com
duração de 1 minuto e 47 segundos, a qual trazia fotos públicas do atual presidente Luiz
Inácio Lula da Silva e do Padre Júlio Renato Lancellotti, com trechos de um vídeo
supostamente atribuído ao Padre em questão e com acusações graves de pedofilia,
sendo que os trechos de vídeo utilizados nessa montagem já foram, no passado, produto
de uma perícia bastante incipiente - e contratada de forma particular – cujo laudo foi
emitido em em 31 de outubro de 2020 pelo perito aposentado Onias Tavares de Aguiar.
Do contexto
Logo no inicio do ano de 2024, e antes dos eventos de comemoração do governo federal
relativo aos ataques terroristas conhecidos como '8 de Janeiro', houve uma
movimentação no contexto político centralizada na câmara municipal de São Paulo
devido a tentativa de instauração de uma CPI visando supostos desvios de recursos
associados às organizações-não-governamentais de apoio à população em situação de
rua da região conhecida como Cracolândia, também na cidade de São Paulo.
Muitos ataques em mídias sociais foram proferidos contra a figura pública de um dos
atuantes junto a essa população de rua, justamente o Padre Júlio Renato Lancellotti, com
motivações de cunho políticas comprovadas (vide a montagem em sí, objeto dessa
análise, que traz a figura do então presidente da república associada diretamente ao
padre).
Dentre os diversos tipos de ataques, que foram desde acusações de incentivador da
miséria e cafetão da pobreza, passando por suposto desvio de dinheiro público e
culminando em acusações de pedofilia, com o caso em específico dos objetos dessa
análise, queira pela publicação da vídeo-montagem incitando que o padre estaria
participando de supostas sessões de pedofilía ou mesmo pelo tal laudo de 2020, que diz
atribuir a figura do padre a prática de pedofilia através da perícia de um vídeo de origem
indeterminada, na qual um celular é apresentado em um vídeo por sua vez exibindo
outros vídeos – o que se trata de uma técnica criminosa de produção de provas forjadas
sem a possibilidade de criar rastros de perícia digital forense.
Ademais, nenhum menor foi atribuído ao suposto fato, diga-se de passagem, e nenhuma
investigação criminal esta em curso sobre isso, sendo que até mesmo o tal laudo de 2020
conclui que muito provavelmente nunca houve um menor afetado, e sim alguma pessoa
se passando por um menor usando um perfil fake.
Das fontes do material periciado
A vídeo-montagem foi divulgada em 5 de janeiro de 2024, na rede social X (antigo
Twitter) na conta do ex-candidato Rafael Moreno (RafaelMorenoSS), conforme mostra
imagem abaixo, com 707 mil visualizações após o primeiro dia de divulgação:
Embora no momento da emissão desse laudo a fonte original na rede social não esteja
mais disponível online - por infringir regras da plataforma como exibição de nudismo
adulto - a vídeo-montagem foi digitalmente armazenada pelos pesquisadores através da
plataforma Verifact (www.verifact.com.br) a qual realiza o registro validado das
informações em redes sociais para uso em finalidades jurídicas e forenses. Foi gerado
então um arquivo de vídeo a partir da captura de tela por essa plataforma validadora, com
duração de 1 minuto e 47 segundos, primeiro objeto da análise desse laudo pericial.
O segundo objeto de análise dessa perícia trata do antigo laudo de 2020, relativo à
perícia particular contratada por indivíduo que permaneceu anônimo no laudo, que
“vazou” apenas 4 dias depois da publicação da vídeo-montagem (objeto primeiro de
nossa análise).
O “vazamento” do material se deu também na rede X, através do canal SPACE
LIBERDADE, com mais de meio milhão de visualizações no primeiro dia, conforme
imagem abaixo. O link para obtenção do aquivo do laudo já não está mais disponível no
momento da criação desse laudo, embora o post na rede X ainda esteja ativo. Notar que
se trata de novo canal criado pelos mesmos autores de um canal anterior, já fechado
anteriomente por ordem do STF, como eles mesmos comentam na descrição do canal.
Video-montagem
Submetemos a vídeo-montagem exibidia no X em 5 de janeiro à técnica padrão ouro de
verificação de artefatos de recompressão, conceituadamente o método forense mais
indicado para determinação se houve manipulação digital do material após sua geração
original, conhecida como ELA (error level analysis – do ingês análise de nível de erro)*
*[https://resources.infosecinstitute.com/topics/digital-forensics/error-level-analysis-detect-
image-manipulation/].
Usando o ano de 2020 como base, procuramos por ferramentas de criação de deepfakes
dessa mesma época, e encontramos a DeepFaceLab, uma ferramenta que iniciou em
2018 mas se tornou bastante madura e estável no ano de 2020, a qual poderia
eventualmnete ter sido utilizada para forjar a aparência do Padre Júlio Renato Lancellotti
sob os vídeos em questão, uma vez que os mesmos fossem criados com autor de porte
corporal e idade similares, assim como condição capilar apropriada. A figura a seguir
destaca que a ferramenta adotada se enquadra no período de tempo de produção do
material e dos laudos em questão, através de sua página pública no portal GitHub.
Passamos então à etapa da nossa análise na qual o objetivo seria criar um novo
deepfake a partir de material público do padre e de uma outra figura pública conhecida,
utilizando para isso uma tecnologia de software e hardware disponível em 2020.
Utilizando uma CPU I7-3770 (de 2012), com 16GB de memória DDR3 e uma placa de
vídeo marca NVIDIA Titan XP (de 2017), treinamos o algoritmo por 9 horas e meia.
O resultado obtido pode ser ilustrado por um dos frames abaixo, extraído do vídeo de 20
segundos produzido nesse experimento, no qual substituímos o rosto do Padre Júlio
Renato Lancellotti pelo rosto do ator de jornada nas estrelas Patrick Stewart, usando
apenas equipamentos e softwares disponíveis no ano de 2020, época da produção do
laudo questionado.
Embora as ferramentas dessa época, ao contrário das atuais, pudessem oferecer indícios
visuais de adulteração digital ou falsidade ideológica, um artifício muito comum aos
falsários desse período era justamente aplicar filtros gaussianos com intuito de borrar as
imagens produzidas por geração de tecnologias deepfake e assim tentarem disfarçar sua
origem real. Salvo alguns trechos com maior nitidez e que não apresentavam rosto e
corpo em conjunto (passível de montagem manual e edição simples), os trechos do vídeo
periciado em 2020, nos quais são apresentados rosto e corpo, são todos, sem exceção,
borrados, como apresentaremos nas figuras das páginas a seguir, antes da conclusão.
CONCLUSÃO
Portanto, as evidências indicam que os vídeos e montagens NÃO PERTENCEM AO
SUPOSTO ACUSADO, Padre Júlio Renato Lancellotti, após constatação de montagens
sobre vídeos para simular vídeo-chamadas. Tais vídeos ainda poderiam ter sido
elaborados com tecnologias deepfake, dada a grande oferta de material público com o
rosto do padre, suficiente para treinar um sistema de geração falso usando essa
tecnologia mesmo na época em questão, em 2020.
A justificativa do perito anterior, Onias Tavares de Aguiar, no laudo de 2020, de que as
imagens em seu laudo foram desfocadas por baixa resolução do celular de origem (visto
que o material em se tratou da filmagem de um celular o qual exibiu os supostos vídeos –
o que na verdade também é um artifício para ocultar rastros digitais forenses), sem fazer
qualquer menção ao fato da técnica de borramento ser um indício cabal de tentativa de
ocultação de geração por tecnologias deepfake, como apresentado nesse laudo em
detalhes, invalida por completo seu laudo, o qual determinamos aqui, nessa nova perícia,
ser SEM VALOR FORENSE OU POR SUA VEZ, JURÍDICO.
Somado à constatação de montagem, edição e divulgação de material adulterado para
simular uma vídeo-chamada e imputar assim o crime de pedofilia, essa perícia constata
que o ex-candidato deputado estadual, Rafael Moreno, incorreu no crime de provocar a
ação de autoridade, comunicando-lhe a ocorrência de notícia-crime ou de contravenção
que sabe não se ter verificado, com pena de detenção, de um a seis meses, ou multa.
Caso seja necessário, outras análises poderão ser eventualmente apresentas em parecer
técnico complementar. Os consulentes, ao receberem, utilizarem ou divulgarem o
presente parecer ou as informações nele contidas, automaticamente concordam em
assumir exclusivamente para si as responsabilidades pertinentes, comprometendo-se a
isentar e proteger os pesquisadores do Núcleo de Computação Forense Aplicada de
qualquer reivindicação eventualmente resultante.
Encerra-se o presente parecer técnico que contém 12 folhas, sendo esta, datada e
assinada eletronicamente.
Santo André, 15 de janeiro de 2024
Do NOVO contexto
O contexto político é praticamente o mesmo, com a única novidade de ter sido o vereador
responsável pela proposta da CPI mencionada no contexto do parecer anterior, Rubinho
Nunes, o contratante dessa nova perícia.
NOVA METODOLOGIA
Nossa nova metodologia, dividida em 2 partes, está listada a seguir:
Analisar (e concordar ou contestar, quando cabível), os elementos do novo parecer
emitido pelos peritos e publicado na revista Oeste por contratação do vereador
Rubinho Nunes, emitido com base no novo material (divulgado por eles inclusive);
Realizar nossas análises avançadas - dentro de nossas áreas de expertise –
aplicadas ao novo material fornecido e apresentar nossos resultados
(anteriormente havíamos analisado uma vídeo-montagem criada com base nesse
material, pois o mesmo não havia sido divulgado ao público ou mesmo
compartilhado por outros peritos);
Análise dos elementos apresentados no novo parecer
Nessa seção vamos apresentar, um a um, cada elemento do novo parecer, o qual
analisou o suposto video original.
A primeira ação efetiva no parecer deles foi a extração dos frames do suposto vídeo
original em questão, na qual apresentam páginas e páginas com fotos em miniatura dos
frames extraídos, sem qualquer menção em todo o relatório quanto ao áudio contido na
mídia em questão, o qual foi completamente ignorado, mesmo existindo um canal de
áudio associado à midia, como veremos na seção sobre isso em nosso próprio o parecer.
É estabelecida então a data desse novo material, com base em notação que aparece em
frames da própria gravação no celular, como sendo 26 de fevereiro de 2019, sendo
apresentado o recorte do frame abaixo:
Obviamente tal suposição deveria levar em conta primeiro a validação quanto a não
adulteração do material de vídeo, mas isso foi realizado e é apresentado mais à frente.
Nossa única contestação nesse primeiro aspecto é que os peritos assumiram como sendo
o ano de 2019 a produção desse novo material sem nenhum embasamento para tal, pois
mesmo em sendo comprovadamente sem edição o video e o frame apresentado acima,
ele NÃO apresenta o ANO em questão, apenas o dia, hora e o mês. Vamos classificar a
partir de agora, e de forma numerada as falhas cometidas pelos peritos.
FALHA 1: ASSUMIR O ANO DE PRODUÇÃO DO MATERIAL SEM RESPALDO NAS
EVIDÊNCIAS VISUAIS (LEMBRANDO QUE ARQUIVOS DE COMPUTADOR PODEM
FACILMENTE TER SUAS DATAS ALTERADAS SEM DEIXAR RASTROS).
Na sequência, apresentam a lista de softwares online sob os quais submeteram os
frames extraídos do vídeo em questão. Nós consideramos satisfatória a análise
apresentada, e ao contrário da primeira vídeo-montagem analisada na primeira versão
desse parecer, o novo material NÃO apresentou indícios de edição ou montagem.
Concordamos com os peritos nesse ponto em questão, pois realizamos a repetição das
analises apresentada por eles. Embora apenas a análise de ELA a 95% não seja
suficiente para acusar edições (ela apenas analisa o conteúdo de cada frame, sem
averiguar a ocorrências de anomalias nas imagens inter-frames), nós testamos o video
apresentado quanto a essas anomalias e as mesmas não foram encontradas,
determinando que o vídeo realmente NÃO sofreu montagem. Lembramos que isso por sí
só não implica na hipótese dos peritos de que o suposto acusado seja realmente culpado.
Até o momento caracterizou-se - pela primeira vez nesse caso – divulgação de material
sem traços de edição.
Contorno facial: Atestam similaridade no contorno facial, o que não pode ser
avaliado frente ao material analisado, visto que sequer a curvatura do topo da
cabeça pode ser observada nos frames mais nítidos, que não sofreram distorções
e aberrações óptico-geométricas em funcão de falhas na quantização e distância.
Altura da calvície: Aqui indicam a calvicie total como indicador de similaridade, sem
levar em consideração a simples possibilidade do indivíduo no vídeo ter
RASPADO a cabeça para uma possível encenação de ato fraudulento, no caso da
hipótese (desconsiderada totalmente pelos peritos) de uso de um sósia, pessoa
parecida com o suposto acusado.
Escolhemos um vídeo aonde o padre foi filmado no dia 20 de janeiro de 2019 - disponível
no YouTube (e com captura e rastreio devidamente registrados junto ao processo de
arquivamento de provas forense desse caso, assim como todo material aqui citado,
embora os HASHs se reservarm apenas para uso no futuro laudo oficial da justiça, se e
quando, requisitados aos autores). Nessa data, temos a mais fidedigna representação
pictográfica comprovável, tanto do semblante como das características físicas do padre
Lancellotti, com relação a data de produção do suposto vídeo de acusação, a pouco mais
de 1 (hum) mês de sua produção, datada aqui como sendo 26 de fevereiro de 2019 (se
podemos confiar no ano).
Orelha esquerda do padre Júlio (lóbulo liso) Orelha direita do indivíduo no video (lóbulo rugoso)
6. Lábios, dentes e fala: O formato labial em geral deve ser avaliado usando técnicas
forenses avançadas para demonstrar a discrepância entre os indivíduos. Resta
saber por qual motivo os peritos evitaram falar desse assunto no laudo elaborado
por eles, pois o formato labial é um importante fator de auxílio na eliminação de
suspeitos (ao passo que pode eliminar um suspeito, mas não tem poder para
culpá-lo, pois mesmo sendo igual entre suposto acusado e provas forenses
devidamente coletadas, expressam características comuns em grande parte da
população). Por fim, nesse levantamento de tudo que ficou fora da análise dos
peritos, não podemos deixar de mencionar os dentes, ou a ausência deles na
análise. É praticamente de conhecimento popular que a arcada dentária é
extremamente importante na identificação forense, e em todo material
apresentado, os dentes do individuo filmado não aparecem uma única vez, assim
como ele não fala nada também. Evitar o uso da voz atrapalha a análise forense. A
ausência dessas, caracteristicas acendem um alerta à qualquer perito sobre a
possibilidade de fraude processual; porém foi apenas ignorada por eles.
FALHA 5: REALIZAÇÃO DE ANÁLISE PROSOPOGRÁFICA INCOMPLETA E
TENDENCIOSA, IGNORANDO FATORES CONTRÁRIOS AO SEU INTERESSE.
Finalizadas as tais análises prosopográficas por parte dos peritos, iniciam agora
em seu relatório a chamada análise de adornos (pulseiras e óculos) e de ambiente.
Com relação aos adornos, como pulseira e óculos, sequer vamos dedicar mais do
que essas linhas para explicar o quão inválidos são esses itens como provas
forenses, pois no caso de um eventual grupo mal intencionado estar produzindo
esse tipo de prova forense falsa, dada sua facilidade de obtenção e determinação,
visto que a vida do suposto acusado é publicada em suas redes sociais
constantemente, não havendo dificuldade em mimetizar seus itens pessoais, ou
até mesmo seus itens de decoração e mobiliário, na medida do possível. Já com
relação ao ambiente, foram destacados os seguintes itens:
Uma vez que foram finalmente descartadas às hipóteses de uso de tecnologias deepfake
(graças à inspeção detalhada do novo material divulgado), nossa nova linha de
investigação se direcionou à eliminar por completo a hipótese de possível produção de
material fraudado com intuito de incriminação do possível suspeito. Caso eliminada essa
hipótese, se e somente se isso ocorresse, nossa linha de investigação seria direcionada a
comprovar a participação do suspeito em questão... mas não antes disso, pois todos são
inocentes até que se prove o contrário.
Lembro ainda que todo esse material já passou pelo devido processo judicial, tendo feito
parte de um inquérito de investigação oficial, e foi devidamente arquivado sem produzir
resultados, por falta de materialidade das provas. Mais recentemente, nessa mesma
semana, até mesmo a Arquidiocese já arquivou essa suposta denúncia novamente,
sendo que o caso segue apenas de interesse de cunho eleitoreiro, visto sua resolução
impactar diretamente na disputa dos pólos partidários nacionais, uma vez que o suspeito
é um grande apoiador de uma vertente (e também apoiado por ela), e muito atacado pela
outra vertente política, agravando a polarização da política na qual o país mergulhou na
última década.
Determinação da idade do indivíduo no vídeo por ferramenta forense internacional
Nossa universidade possui acesso ao serviço web Yoti´s Facial Age, e devido alto custo
de assinatura ($1.000,00 dólares por ano) nós usufruímos de uma cortesia da empresa
para essas análises. Dada à sua eficácia em comprovar idades apenas por imagens da
face para situações sensíveis, como controlar acesso de crianças ou validar idades de
suspeitos em tribunais, o Yoti’s foi a nossa primeira abordagem técnica para o caso em
questão, sendo que enviamos para eles, além das imagens de controle (não relacionadas
ao caso), fotos do Padre Lancellotti datadas do ano em questão, 2019, assim como fotos
de rosto do indivíduo do vídeo (as mais nítidas e sem oclusão possíveis). Eles nos
retornaram em carácter urgente com o resultado de 67 anos para o Padre e 63 (~62,8)
para o indivíduo do vídeo, respeitadas a devida margem de erro para essa idade, de
cerca de 3,5 anos. O whitepaper completo da Yoti’s está nos apêndices desse
documento.
Notar que mesmo dentro da margem de erro, não seria possível o indivíduo do vídeo ter a
mesma idade que o Padre, algo que foi avaliado pelo software americano, mas que
também é visivel nas análises, pela ausência de rugas de expressão e manchas de pele.
Idades Estimadas pelo serviço web americano Yoti´s Facial Age
Idade 61 62 63 64 65
Indivíduo (62,8)
Idade 65 66 67 68 69
Padre (67,0) *
*Idade correta do padre em 2019, dentro da margem de erro de 3,5 anos do software.
Criação da visão de perfil do indivíduo no vídeo utilizando aprendizado de máquina
Uma vez que o vídeo analisado não trouxe nenhuma visão de perfil do rosto do individuo
que o protagoniza, e em sendo esse tipo de visão crucial para nossa análise, fizemos uso
dessa tecnologia para tentar comparar o rosto do individuo com o rosto do padre, a fim de
averiguar possíveis discrepâncias. Inicialmente realizamos a modelagem do rosto do
Padre, de frente e de perfil. Foi utilizado uma foto de janeiro de 2019 do padre. Na
sequência, incluímos também as visões geradas para o indivíduo em questão, também de
frente e de perfil.
É possivel notar claramente a variação dos rostos, visto que agora temos o artificio da
tridimensionalidade. Apenas assitindo o video em questão, e sob um único ponto de vista
proveniente pelo campo de visão da câmera do celular, perdemos nossa capacidade
binocular de inferir paralaxe captando luz que foi coletada de um único sensor, no caso, a
câmera do celular. Já utilizando nossa visão estéreo, é muito mais díficil de ser enganado.
Ou seja, uma pessoa pode ser facilmente confundida com outra em uma video
conferência, mas o mesmo não acontece em um encontro presencial, devido à nossa
visão estéreo.
Abaixo seguem então as visões frontais da modelagem 3d utilizando fotos do rosto.
Chegamos aqui em nossa última análise técnica avançada quanto ao material periciado, e
vamos analisar um item que foi negligenciado em todas as perícias realizadas até agora:
o áudio embutido no vídeo.
Embora seja possível ouvir o áudio durante a execução do vídeo com um software
reprodutor de mídias qualquer, o som está muito baixo, de forma que para uma boa
análise utilizamos o software gratuito Goldwave para importar o som diretamente a partir
do arquivo de vídeo, o mesmo disponibilizado nos links de DROPBOX do laudo dos
peritos da revista OESTE.
Uma vez carregado o áudio, ele pode ser reproduzido com o botão de PLAY do software.
Notem que os primeiros 16 segundos estão quase nulos, devido a uma falha em algum
dos microfones da vídeo-chamada realizada, à qual foi gravada por um dos celulares. Os
diversos picos de ruído são condizentes com as trocas de cena na tela da gravaçao,
indicando que o áudio também é original à gravação, não tendo sofrido edição.
Digo isso, por conta das afimações que vamos fazer a seguir. Pela pericia inicial, de
Onias Tavares, da época em que tudo que existia era o vídeo desse vídeo, sem acesso
aos canais de som, ficou estabelecido que se o tal menor M.N.R. existisse, ele teria
estudado na escola EEPSG Prof. Daniel Vernano em São Paulo, conforme mostra o
frame 942 extraído da primeira perícia, cujo teor completo também se encontra nos
apêndices desse documento. Imagina-se então que o suposto um adolescente resida
proximo à sua escola – regra para escolas públicas.
Logo, tudo indica que pelo menos um (ou até mesmo os dois) participante(s) da gravação
NÃO SE ENCONTRAVA(M) nas imediações das regiões esperadas, dentro dos pleitos
dos laudos que acusam o Padre Lancellotti, e se situavam próximo a algum aeroporto
nacional.
CONCLUSÃO
Mais uma vez as evidências apresentadas aqui indicam que o Padre Júlio Renato
Lancellotti NÃO PODE SER ATRIBUÍDO COMO PROTAGONISTA DO VÍDEO EM
QUESTÃO em face apenas dos relatos técnicos dos pareceres que assim o pediram,
pois todos eles incorreram em falhas grosseiras ao tentarem imbuir essa comprovação,
ignorando completamente elementos periciais importantíssimos, os quais poderiam
elucidar uma linha de investigação à qual tais pareceres também ignoraram por completo,
que seria a mera fraude tradicional por formação de quadrilha e elaboração de material
falso, análoga à tentativa de fraude ocorrida contra o candidato João Doria durante as
eleições de 2017, que desde então, demonstrou a atuação ativa de quadrilhas que
realizam esse tipo de ação de imputação fraudulenta da autoria de crimes à pessoas
inocentes, sempre em períodos que antecedem às eleições. Embora não seja um
deepfake, o vídeo apresentado ainda é fraudulento.
Foram demonstradas aqui diversas comprovações técnicas que apontam para a
existência de um eventual IMPOSTOR, o qual aparece nos vídeos em questão, em se
tratando de um homem branco, idade aproximada de 68 anos atualmente (tinha 63 anos
na ocasião da produção dos vídeos), com feições similares às do acusado, sob certas
condições e ângulos ideais, e pertencente a uma eventual quadrilha de criminosos, a qual
lucra com a criação e revenda de material falso áudio-visual e de cunho sexual, para
políticos de campos adversários, com possível tratação de revenda desse tipo de material
por canais da deepweb, para atingir seus compradores e permanecerem no anônimato.
O material provavelmente foi produzido em casa ou stúdio de gravação, no qual tentou
mimetizar ao máximo às características dos ambientes do Padre Lancellotti (amplamente
divulgadas nas redes sociais dele), porém não conseguiram itens como um sofá similar,
quadro, santa de madeira correta, etc. Diminuiram ao máximo a exposição do IMPOSTOR
no vídeo, para evitar quaisquer aspectos que possibilitassem identificar a fraude de forma
simples, apenas por inspeção visual (como as papadas do pescoço do padre, ausentes
no IMPOSTOR). O último aspecto foi o receio na liberação do material, o qual muitos
políticos afirmaram deter sua possem por anos, mas que só agora o divulgaram, o que só
mostra que, nem mesmo quem tinha esse material tinha certeza de sua veracidade, e
aliás, tinham medo de se comprometerem por falsa denúncia de crime, o que no Brasil,
também é um crime, aliás. Por fim, a análise do áudio determinou a proximidade de um
dos participantes estar na região de um aeroporto de grande porte, devido ao pouso ou
decolagem de um avião ser ouvido ao fundo, o que não coincide com nenhuma narrativa
imputada pelas perícias que acusam o Padre.Ou seja, Júlio Renato Lancellotti é inocente.
Yoti Facial
Age Estimation
White Paper Full version
December 2023
Executive summary
Yoti’s facial age estimation technology can determine a person’s age from an image of their face, with
no need for a physical document check or human intervention. It is accurate across all skin types and
genders.
Yoti’s facial age estimation technology is built in accordance with the GDPR principle of ‘privacy by
design’. An individual cannot be identified by Yoti nor can we infer anything else about a person. It
also encourages data minimisation as only a facial image is needed to estimate the user’s age. Yoti
immediately deletes all images of users.
Yoti’s True Positive Rate1 (TPR) for 13 to 17 year olds correctly estimated as under the age of 25 is
99.91% and there is no discernible bias across genders or skin tones. The TPRs for female and male
13 to 17 year olds are 99.85% and 99.96% respectively. The TPRs for skin tones 1, 2 and 3 are 99.92%,
99.89% and 99.93% respectively. Globally, regulators can be confident that users can only access
content appropriate to their age.
The TPR for 6 to 12 year olds correctly estimated as under the age of 13 is 96.99%. The TPRs for
female and male 6 to 12 year olds are 96.35% and 96.34% respectively. The TPRs for skin tones 1, 2
and 3 are 96.36%, 98.37% and 96.84% respectively. Therefore, there is no material bias in this age
group either.
Yoti’s facial age estimation is performed by a ‘neural network’, which is trained to be able to estimate
a human’s age by analysing a their face. The technology is accurate for 6 to 12 year olds, with a mean
absolute error (MAE) of 1.4 years, and an MAE of 1.4 years for 13 to 17 year olds. Regulators focus
on these two age ranges ensure that under 13s and under 18s cannot have access to age restricted
goods and services.
When developing new technology, Yoti takes its ethical responsibilities very seriously. The data used
to train the algorithm (images of faces, month and year of birth) are obtained during the onboarding
process for Yoti’s apps. This is done in accordance with GDPR guidelines. We also perform consented
data collection exercises and purchase consented data from vetted suppliers where we require
training data in efforts to ensure equality of performance across the population. See page 24,
Appendix.
This iteration of the algorithm continues to show improvements in accuracy. Yoti has invested
significant time and resources to reduce bias. As a result, Yoti is now able to show that there is no
material bias for those aged between 6 and 17. We have made a lot of progress on accuracy for the
whole population over 40, especially skin tones 2 and 3. Our aim being to ensure facial age estimation
is as fair as possible. Finally, Yoti is starting to retire old training and testing data to meet regulatory
standards.
1. True Positive Rate - the probability that an actual positive will test positive, such as an 18 year old being correctly
estimated to be under the age of 25.
We are pleased to report that our algorithm continues to show improvements in accuracy. There are still
some small deviations in this trend, best explained by demographic changes in the underlying training and
testing data (see page 24 for a detailed discussion).
Key takeaways
● TPR for 13 to 17 year olds correctly ● Training data is collected in accordance with
estimated as under 25 is 99.91%. GDPR.
Skin tones
For skin tone, our research team tagged the images using a scheme based on the widely used Fitzpatrick
dermatological scale (see p27 for further information). The Fitzpatrick scale uses six bands from Type I
(lightest) to Type VI (darkest). At the moment we present our data in three bands (based on Fitzpatrick
Types I & II, Types III & IV, and Types V & VI).
6-12 1.3 1.4 1.7 1.4 1.2 1.3 1.4 1.3 1.4
13-17 1.3 1.5 1.7 1.5 1.0 1.4 1.6 1.3 1.4
18-24 2.4 2.3 2.4 2.4 1.9 1.9 2.0 1.9 2.1
25-70 2.8 3.2 3.9 3.3 2.6 3.1 3.2 2.8 3.0
6-70 2.5 2.7 3.3 2.9 2.2 2.6 3.0 2.6 2.7
Gender
Female Male All
Skin Tone (Fitzpatrick Scale)
Age
Type Type Type Type Type Type
I & II III & IV V & VI All I & II III & IV V & VI All
Average Average Average
MAE MAE MAE MAE MAE MAE MAE MAE MAE
6 1.2 1.7 1.9 1.6 1.3 1.8 1.8 1.6 1.6
7 1.3 1.5 1.4 1.4 0.9 1.3 2.0 1.4 1.4
8 1.5 1.1 1.7 1.4 1.5 1.5 1.2 1.4 1.4
9 1.4 1.4 1.6 1.5 1.6 1.1 1.2 1.3 1.4
10 1.3 1.3 1.5 1.4 1.1 1.1 1.4 1.2 1.3
11 1.0 1.3 2.0 1.5 1.1 0.9 0.9 1.0 1.2
12 1.3 1.5 1.6 1.4 1.0 1.4 1.1 1.2 1.3
13 2.0 2.5 2.5 2.3 1.5 1.7 1.9 1.7 2.0
14 1.4 1.6 2.2 1.7 1.2 1.6 2.0 1.6 1.7
15 1.2 1.3 1.7 1.4 1.0 1.2 1.6 1.2 1.3
16 1.0 1.1 1.3 1.2 0.8 1.1 1.2 1.1 1.1
17 1.1 0.9 1.0 1.0 0.8 1.1 1.1 1.0 1.0
18 1.4 1.2 0.9 1.2 1.1 1.3 1.2 1.2 1.2
19 1.8 1.9 1.6 1.8 1.5 1.5 1.5 1.5 1.6
20 2.3 2.3 2.1 2.3 1.9 1.8 2.0 1.9 2.1
21 2.7 2.7 2.2 2.5 2.1 2.0 1.9 2.0 2.3
22 2.7 2.6 2.8 2.7 2.1 2.1 2.3 2.2 2.4
23 2.9 2.7 3.5 3.0 2.2 2.1 2.3 2.2 2.6
24 2.7 2.9 3.7 3.1 2.4 2.2 2.6 2.4 2.8
25 2.8 2.8 3.5 3.0 2.0 2.1 2.4 2.1 2.6
26 2.4 2.8 3.3 2.8 2.0 2.1 2.3 2.2 2.5
27 2.6 2.8 4.4 3.3 2.0 2.1 2.4 2.2 2.7
28 2.5 3.0 3.5 3.0 2.0 2.2 2.6 2.2 2.6
29 2.5 2.8 4.1 3.1 2.1 2.6 2.7 2.5 2.8
30 2.8 2.8 3.6 3.1 2.1 2.4 2.8 2.4 2.7
Gender
Female Male All
Skin Tone (Fitzpatrick Scale)
Age
Type Type Type Type Type Type
I & II III & IV V & VI All I & II III & IV V & VI All
Average Average Average
MAE MAE MAE MAE MAE MAE MAE MAE MAE
31 3.0 3.5 4.4 3.6 2.1 2.5 2.3 2.3 3.0
32 2.9 3.2 4.4 3.5 2.2 2.6 2.5 2.5 3.0
33 3.1 3.6 3.8 3.5 2.6 2.9 2.7 2.7 3.1
34 2.8 3.5 3.8 3.4 2.4 3.0 2.8 2.7 3.1
35 3.1 3.6 5.0 3.9 2.4 2.8 2.8 2.7 3.3
36 2.3 2.5 4.9 3.3 2.6 2.7 3.0 2.8 3.0
37 3.4 3.6 3.6 3.5 2.4 2.9 3.1 2.8 3.2
38 2.2 2.6 3.9 2.9 2.3 3.2 2.9 2.8 2.9
39 2.8 3.7 3.5 3.3 2.6 2.7 4.0 3.1 3.2
40 2.6 2.6 3.8 3.0 2.7 2.4 3.3 2.8 2.9
41 2.4 2.6 3.0 2.7 2.4 3.0 2.8 2.7 2.7
42 2.4 2.6 3.3 2.8 2.4 2.7 3.1 2.7 2.7
43 2.7 2.7 4.2 3.2 2.5 2.6 2.7 2.6 2.9
44 2.6 2.6 3.5 2.9 2.4 2.5 3.3 2.7 2.8
45 2.7 2.8 3.7 3.0 2.4 3.1 2.5 2.7 2.9
46 2.9 2.7 3.8 3.1 2.7 3.2 3.4 3.1 3.1
47 3.3 3.2 3.9 3.5 2.7 3.1 3.5 3.1 3.3
48 3.1 2.6 3.2 3.0 2.7 2.9 3.3 3.0 3.0
49 3.1 2.8 4.3 3.4 3.1 3.1 3.3 3.1 3.3
50 2.9 2.3 4.8 3.3 2.9 2.8 3.5 3.0 3.2
51 3.0 2.4 6.0 3.8 2.7 2.9 3.7 3.1 3.5
52 2.9 2.7 4.6 3.4 3.1 2.9 4.7 3.6 3.5
53 3.0 2.8 3.8 3.2 3.1 3.4 3.7 3.4 3.3
54 2.9 2.9 4.2 3.4 2.9 3.5 3.8 3.4 3.4
55 2.8 3.5 3.4 3.2 2.6 3.5 3.7 3.3 3.2
Gender
Female Male All
Skin Tone (Fitzpatrick Scale)
Age
Type Type Type Type Type Type
I & II III & IV V & VI All I & II III & IV V & VI All
Average Average Average
MAE MAE MAE MAE MAE MAE MAE MAE MAE
56 2.8 3.6 3.1 3.2 2.6 3.5 4.0 3.4 3.3
57 3.0 2.9 4.5 3.5 2.8 3.1 3.5 3.1 3.3
58 2.4 2.6 5.2 3.4 2.6 3.6 3.8 3.3 3.4
59 2.5 3.2 3.7 3.1 2.5 3.2 3.5 3.1 3.1
60 2.2 3.3 3.3 2.9 2.6 3.1 4.4 3.4 3.2
61 2.5 4.1 3.5 3.4 2.3 3.1 3.2 2.9 3.1
62 2.1 4.4 2.3 3.0 2.4 3.2 4.1 3.2 3.1
63 2.4 3.2 4.3 3.3 2.5 3.0 5.1 3.5 3.4
64 2.6 4.1 3.9 3.5 2.6 3.0 3.8 3.1 3.3
65 2.6 2.7 2.7 2.7 2.3 3.3 3.6 3.1 2.9
66 2.9 3.0 4.2 3.4 2.8 4.2 4.3 3.7 3.6
67 3.5 3.1 5.0 3.9 3.3 4.3 4.9 4.2 4.0
68 3.6 3.3 2.5 3.1 3.6 4.6 5.8 4.6 3.9
69 3.7 4.8 4.2 3.8 4.2 0.6 2.9 3.5
70 4.0 6.0 2.9 4.3 3.5 6.5 8.8 6.3 5.3
Avg 2.5 2.8 3.3 2.9 2.2 2.6 2.9 2.6 2.7
Appendix 28
More on how it works 13
Our facial age estimation is designed with user privacy and data minimisation in mind. It does not
require users to register with Yoti, or provide any documents to prove their identity. It is unable to
personally identify an individual, it simply estimates a person’s age from analysing their face.
The images are not stored, not re-shared, not re-used and not sold on. Images are immediately,
permanently deleted according to GDPR best practice, and we do not use them for our own learning or
training purposes. This is externally reviewed as part of our SOC2 / PAS1296 assessment under control
PAS-2.
In a retail setting, facial age estimation can be used at a point-of-sale terminal with a dedicated camera,
letting a consumer choose to prove age at a self-checkout without the need for staff assistance. This is
not only quicker and less of a nuisance for shoppers, but can greatly reduce friction between hundreds
of millions of shoppers and hundreds of thousands of retail staff each day.
For general online use, it can be embedded into web pages or incorporated into apps, and receive an
image of the user’s face from a webcam connected to their computer or the camera in their mobile
device. This is ideal for controlling access to age-restricted gaming, social media, e-commerce, online
dating, gambling and also adult content (pornography).
Facial age estimation can play an important role in safeguarding children online. As well as preventing
minors from accessing adult content, it can prevent predatory adults from entering social media spaces
designed for children and teenagers. This is illustrated by Yoti’s partnership with the Yubo social
networking platform. Yubo uses facial age estimation within its app to help identify user profiles where
there is suspicion or doubt about the user’s age, and flags these cases to its moderation team.
A further potential use is at the entrances to age-restricted premises such as bars, nightclubs and
casinos. In this kind of application, facial age estimation offers clear advantages – it does not get
fatigued on a long shift,2 and it cannot show favour to personal friends, or bias against individual
customers. It is very hard for under 18s to ‘fool’. It also reduces the burden on staff to try and estimate
customer ages and it reduces abuse to staff.
2. Studies have shown that the objectivity of human judgement of this kind can be significantly affected by hunger and fatigue – for
example, see Danziger, Levav, Avnaim-Passo (2011) Extraneous factors in judicial decisions, PNAS April 26, 2011 108 (17) 6889-6892;
https://doi.org/10.1073/pnas.1018033108
The user does not have to register to use the service or need to provide any information about
themselves - they simply present their face in front of the camera. Their image is not stored locally, for
example on a point-of-sale terminal, but is instead securely transmitted to the Yoti backend server
(currently hosted in the United Kingdom) and secured by TLS 1.2 encryption. After the age estimation
is performed, the captured facial image is deleted permanently. The image is not viewed by any Yoti
staff.
Although Yoti’s facial age estimation works by processing a facial image, under the GDPR definition of
biometric data, it is not a ‘biometric’ method of age checking. Our means of processing does not
allow the “unique identification or authentication of a natural person” - instead it simply returns an age
estimate and deletes the captured image.
In GDPR terms, Yoti is a data processor for the facial age estimation service. The relying party (Yoti’s
customer) is the data controller. As such, the data controller will decide the lawful basis for their use
of facial age estimation (if required under EU or UK privacy law). In many jurisdictions, the individual
will need to provide consent. The facial age estimation user interface is configurable so that relying
parties can build in this request for consent. This feature is enabled by default for our US customers.
https://www.youtube.com/watch?v=6KCUO2vln3M
© 2023 Yoti Ltd 10
Tackling the challenge of age determination
In a medical sense, 'ageing' refers to the physiological changes we experience as we grow from
children to adults. The rate at which human bodies 'age' in this way is influenced by numerous
external factors other than simply the passage of time. Quality of diet and nutrition, exposure to
disease, adverse environmental conditions, use of narcotics, physical labour, stress, lack of sleep can
all contribute to how we 'age'.
Throughout different countries, ethnicities, and socio-economic groups, there are large variations in
how individuals are exposed to these ageing factors.
There are currently no entirely reliable medical or forensic methods to determine human age. Two of
the more commonly attempted medical techniques focus on trying to ascertain whether the subject is
above or below the legal age of maturity. These are X-ray or Magnetic Resonance Imaging of bone
structure in the wrists (the degree to which the cartilage between the carpal bones has ossified) and
dental X-rays (examining the maturity of wisdom teeth).3
However, both are expensive to carry out and have a typical margin of error of at least two or three
years, and for individuals with an atypical history to the general population, the error can be
significantly worse. Due to this unreliability, their use has proved controversial. For instance,
immigration authorities attempt to differentiate between child and adult refugees without
documentation.
Other medical techniques examine ‘biomarkers’ taken from blood or tissue samples. Examples
include measuring the degree of DNA methylation present, the length of the ‘telomere’ portion of
chromosomes, or the serum levels of the metabolite C-glycosyl tryptophan. Whilst these techniques
tend to provide good indicators of ageing processes in an individual, they do not correlate reliably with
their chronological age from date of birth.
Ultimately, it could be argued that much of the difficulty in trying to measure ‘age’ (that is, a person’s
chronological age from their date of birth) arises because ‘age’ defined in this way is an arbitrary
quantity that does not mean anything definite in physiological terms. Science can accurately measure
the extent to which a person’s body has aged (that is, to what extent it has developed, grown, matured
and decayed), but cannot always reliably determine how many years it took for their body to arrive at
that state.
3. Biological evaluation methods to assist in assessing the age of unaccompanied assylum-seeking children;
https://www.gov.uk/government/publications/methods-to-assess-the-age-of-unaccompanied-asylum-seeking-children/biological-evaluatio
n-methods-to-assist-in-assessing-the-age-of-unaccompanied-asylum-seeking-children-accessible
The most obvious visual cues include bone structure (bones grow and develop as we pass from child
to adulthood), skin (wrinkles, elasticity), hair colour (greyness), male baldness or facial hair after
puberty. However, whatever the detailed nature of the visual cues, the more general point is this: as
humans, we simply learn “that’s what people of a particular age look like”. As we go through life, we
encounter other people, we see what they look like and we sometimes learn how old they are. This
can have varying degrees of precision (e.g. “a baby”, “14”, “mid-40s”, “79” and so on). We accumulate
this information and experience throughout our lives, which our brains can use it to make quick
intuitive judgements. The extent of our previous experiences - familiarity - is an important factor in
how good our guesses are. We are more accurate at guessing the age of someone from our own
familiar peer group than from one we’ve not encountered.
However, whilst some people are good at estimating age, others struggle. This variability can frustrate
people who are often age estimated and asked to provide physical proof of age. There are also many
other practical issues such as the need to prove the age of children, particularly online; or where the
requirement could be to estimate the age of a person in a image or video.
A study in this area reported an MAE in human guesses of 4.7 years across an age range of 0 to 70.4
Across an age range of 16–70, this rose to an MAE of 7.4 years.
It is worth emphasising that, although we might be able to retrospectively rationalise or refine our
guess at someone’s age, our initial judgement is more or less intuitive. We are not consciously
following some step-by-step, rule-based method (for instance “add five years if there are wrinkles” - or
“add ten years for grey hair”). In effect, we don’t know how we do it. Our brains process the image and
form an instinctive judgement in line with what we’ve learnt from past experience and faster than any
conscious deliberation or systematic evaluation of facial features.
This ‘black box’ approach to describing our cognitive process (that is, simply training our brain with
data, without considering how it works) can be employed as a successful technique in machine
learning too.
4. H. Han, C. Otto, X. Liu and A. K. Jain (2015) Demographic Estimation from Face Images: Human vs. Machine
Performance, IEEE Trans. PAMI, Vol. 37, No. 6, 1148–1161 https://doi.org/10.1109/TPAMI.2014.2362759. See also Clifford CWG, Watson
TL, White D. (2018) Two sources of bias explain errors in facial age estimation. R. Soc. open sci. 5:180841.
http://dx.doi.org/10.1098/rsos.180841 and Voelkle, Ebner, Lindenberger & Riediger (2012) Let Me Guess How Old You Are: Effects of Age,
Gender and Facial Expression on Perceptions of Age. Psychology & Aging, 27 No.2 265–277. https://doi.org/10.1037/a0025065
The quality of the training data is crucial to any machine learning process. To train our facial age
estimation algorithm, we use millions of images from Yoti users who have opted in to this use of their
data. The process is explained to them at onboarding, and is discussed in more detail on p23 in the
Appendix to this paper. They are able to opt out of this research at any time simply by selecting ‘Opt
Out’ in the Yoti app’s settings. Most of our users want to make their lives safer and simpler, and so
they understand that us using their data for internal research purposes is how we are able to improve
and develop the products and technology to achieve this. We publish white papers that demonstrate
such applications. We do not scrape any websites for unconsented use of such images and
approximated ages to train our age estimation model.
These research images are tagged with only two attributes taken from a verified ID document that the
user has uploaded: their gender and their month and year of birth. Supported documents include
passports, driving licences and national ID cards. We believe the size, diversity and verified age
accuracy of this data set gives our technology an advantage over competing solutions.
Humans tend to underestimate the ages of older people and overestimate the age of younger people.
As we ourselves get older, our ability to estimate accurately also tends to decrease. When viewing a
succession of faces, a person’s judgement is often influenced by the faces they have just seen - this
isn’t a problem that affects facial age estimation. These problems clearly have particular implications
for the provision of age-restricted goods and services, where we need to check whether people are
above or below a required legal age.
Currently, the MAE across the entire data set (when de-skewed to give equal weighting to male and
female subjects for all 65 age years) is 2.7 years and is just 1.4 for 13 to 17 year olds. Further detail
on our algorithm’s accuracy, broken down by gender, skin tone and each year of age, is presented in
this paper’s appendix.
The vast majority of organisations who need to check age must verify whether individuals are over the
ages of 13, 18 or 21. However, there are other very important requirements for checking individuals
are under an age of interest. We recognise that we still have further to go to reduce bias for older age
groups, particularly for individuals with skin tone V & VI. However, these older individuals are not
materially impacted when the age of interest is for example 18 or 21 and the thresholds are usually 25
or 30 respectively.
There is a clear need for regulators to ensure MAEs are measured independently and consistently to
ensure trust in the accuracy of models.
6-12 1.3 1.4 1.7 1.4 1.2 1.3 1.4 1.3 1.4
13-17 1.3 1.5 1.7 1.5 1.0 1.4 1.6 1.3 1.4
18-24 2.4 2.3 2.4 2.4 1.9 1.9 2.0 1.9 2.1
25-70 2.8 3.2 3.9 3.3 2.6 3.1 3.2 2.8 3.0
6-70 2.5 2.7 3.3 2.9 2.2 2.6 3.0 2.6 2.7
To manage the potential for errors, we If it estimates that the customer is below 30,
recommend using facial age estimation as part they will then be directed into a user flow where
of a strategy. An example of this is the British they need to present documentary proof of their
Beer & Pub Association’s ‘Challenge 21’ scheme, age. For example, a customer could use their
which is already widely adopted by publicans and Yoti app that is pre-verified to their passport,
their bar staff in England and Wales.6 This works driving licence or national ID card, or in a retail
as follows: certain goods and services can only setting, revert to an existing ID check by staff.
be sold to customers over a particular age (e.g. Other, less privacy protecting, checks are
18 years old). However, it is difficult for human frequently used online, such as a credit card
staff to be sure whether someone is over 18 just check, mobile phone check or an identity
by looking at them. Conversely, it is fairly easy to verification check using ID documents.
tell if someone is significantly older than 18, and
customers in this age range would find it an Since early 2019, we have reviewed the
unjustifiable inconvenience to have to show ID to appropriate size of buffer for a number of use
prove their age. Therefore, the store’s policy is to cases. We have come to the conclusion that
only require customers to prove their age if they this depends on a number of variables. The
appear to be under 21. Most supermarkets in primary one is the demographic of users. The
England use a Challenge 25 policy. under-18 age group is the chief area of concern
for regulators globally in terms of age restricted
Facial age estimation can be configured to work goods and services. Given the improvements in
with legal age thresholds in a similar way. Unlike accuracy of facial age estimation for this
human staff, facial age estimation’s capacity for demographic, for the 13-25 age band we
error is well quantified statistically. This makes it suggest a buffer of 3–5 years as an appropriate
easier to choose a suitable buffer that is buffer for highly regulated sectors (e.g. adult
comfortably outside the technology’s margin of content, gambling, alcohol, tobacco).
error. The system can then be configured to Alternatively, no buffer may be deemed fine for
estimate whether customers are above or below social media or gaming use cases.
that threshold.
In some countries, more cautious regulators
As an example, in the USA, selling alcohol is may initially look for a higher buffer. For a
restricted to over 21s. It is common practice for jurisdiction with legal age restriction of 18 and a
retailers to challenge people who appear to be threshold set to 28 (a 10 year buffer) we would
under 40. In this case, a retailer using facial age currently have a 0.0% error rate.7 With a
estimation might choose to set an initial threshold set to 25 years, the current error rate
threshold of 30. If it estimates that the customer is 0.1%. For a threshold of 21 years, the error
is at least 30 years old, then no further age rate is 1.2%.
checking is required. Using our current algorithm,
this would provide a positive error rate of 0.03%
and a false negative rate of 0.03%. This
compares very favourably with human staff.6
6. See https://beerandpub.com/campaigns/challenge-21/
7. For more information see page 38
Public acceptance of AI
technologies
When discussing the accuracy of facial age
estimation, it is worth considering a general point
about machine learning and the public’s attitude
to AI technologies of all kinds, namely how
unforgiving humans tend to be in regard to
mistakes made by AI.
Dim lighting is not helpful; bright ambient light works best. Our research has found that beards and
facial disfigurements can have a minor impact, but do not materially affect estimated ages. In
response to the COVID-19 pandemic, we have been researching how facial age estimation copes
when a person is wearing a mask covering the lower half of the face. The results suggest that whilst
accuracy is somewhat reduced, acceptable performance can usually still be achieved as long as an
appropriate safety buffer is used.
222 4 19 97.5%
Countries and Scripts Languages Success
territories globally
● Participating supermarkets confirmed they support digital age verification and would
welcome legislative change in this area.
● There were no reported sales of underage customers purchasing age restricted items
when using our age verification technology.
● Informed consent was gathered from all customers, who were given a choice whether to
use the technology or present an ID document to a member of staff.
● The majority of shoppers who used Yoti digital proof of age solutions liked the technology
and would use it again, once available.
● Digital age verification technology provided an opportunity to reduce the number of
physical age interventions, giving retail staff more time to monitor other activities,
including spotting proxy sales.
● Yoti’s facial age estimation is more accurate than humans which reduces the risks of
incorrectly estimating the age of shoppers.
● Yoti’s facial age estimation is more inclusive because anyone who looks over the required
age threshold does not need to carry around a physical ID to prove their age.
● Digital age verification supports the ability for retailers to achieve the Licensing Objectives.
● Around 99,800 used either facial age ● Digital proof of age and facial age
estimation or digital ID app. No underage estimation technology should be permitted
sales were identified. for alcohol sales. It was more accurate and
● Independent test purchases by two retailers, consistent compared to age verification
using 18 to 19 year olds, demonstrated a undertaken by retail staff.
100% rejection rate using Yoti. ● Yoti's technology improved compliance
● All four supermarkets deemed the use of rates, which if repeated across all stores
Yoti FAE and digital ID proof of age would reduce the chance of selling alcohol
successful adding that Yoti technology: to minors.
○ Was more accurate & consistent than ● Lower sales of alcohol to minors will protect
humans in assessing whether a customer children from harm and consequently may
needed a Challenge 25 check. reduce anti-social behaviour in the
○ Supports the licensing objective of community.
protecting children from harm. ● Yoti's 100% pass rate is higher than the pass
○ Has the potential to support the other rate in conventional age verification checks.
licensing objectives. ● The use of digital proof of age technology
○ Has the potential to reduce conflict that has the potential to reduce conflicts
could be aimed at staff as the technology between customers and retail staff.
reduced the number of interactions for
physical checks between staff &
customers.
● Compliance with the age check approvals
process and age verification policies was
higher when trialing digital age checks
compared to physical age checks.
● After an initial increase in staff workload
supporting customers with the new process,
staff workload then reduced freeing up
colleagues for other customer-facing
activities.
8. https://rasg.org.uk/digital-proof-of-age-and-the-use-of-technology-for-alcohol-sales/
20
The UK’s Age Appropriate Design Code is driving a global movement to design online interaction ‘age
appropriately’ across the 4 C’s - content, conduct, contact or contract.9 The challenge for designers
and platforms is to enable young people to be supported to thrive online whilst also enabling age
appropriate interaction, protecting against detrimental content, protecting against grooming and
supporting age appropriate content moderation. We can support platforms to recognise child users
and not employ nudge techniques, encourage children to provide unnecessary personal data, or make
a child’s real time location publicly available. Children should no longer be encouraged to stream to
large groups of unknown adults.
There are a growing number of countries and states around the world also reviewing legislation for a
range of age restricted goods and services, particularly age assurance for access online. Notably, the
Californian Age-Appropriate Design Code Act will become effective from 1st July 2024 with
significant fines for non-compliance. There are also social media, gaming and adult content sites
already using Yoti’s facial age estimation to successfully prevent children from accessing their
websites.
Obtaining consented data to develop our software to accurately estimate the ages of 6 to 12 year olds
has been a significant challenge. We have worked hard to ethically obtain parental consent to use
anonymous images of children in our training data. This consists of facial images with month and
year of birth. For 16 our MAE results are 1.1 years. For 6-12 year olds, our MAE results are 1.4 years,
meaning it could be used effectively for triaging access to 13+ apps.
We will continue to invest more to improve our accuracy to make the internet safer for young people.
9. Livingstone, S. and Stoilova, M. “The 4 Cs, Classifying Online Risk to Children.” SSOAR, 2021. https://doi.org/10.21241/ssoar.71817.
Equally important questions are how secure is the process? Can it be spoofed or are bad actors able to
hack into the system to override checks, images or results? There’s little point in estimating the age of a
face accurately if it’s not a real face in front of the camera.
This is why it is important to use a combination of technologies to secure a high level of assurance.
There are a number of threat vectors illustrated in the diagram below.
Data capture attack threats
Data capture
1 3
Yoti
Liveness Secure image capture Secure image capture
Solution
Step 1 as a direct spoofing attack - an attempt to present an image, mask or video, often called a
presentation attack. This is an attempt to spoof a check by appearing older or appearing to be another
person. To overcome this we use our NIST 2 certified liveness technology.10 This ensures that the
person undertaking the check is a real person and not someone wearing a mask, or someone
presenting a picture or screen of another (older or younger) person to the camera.
Steps 2 & 3 illustrate a newer, more sophisticated, but relatively easy way for technically competent
individuals to spoof the system. They are called injection attacks. An injection attack involves injecting
an image or video designed to pass authentication, rather than the technology using the one captured
on the device camera. Using free software and some limited technical ability, a bad actor is able to
overwrite the image or video of the camera with pre-prepared images.
Yoti has developed a solution, called SICAP (Secure Image CAPture) for which we have been granted a
patent, that makes injection attacks much more difficult for imposters. It is a new way of adding
security at the point an image is being taken for a liveness check.11
Yoti’s facial age estimation technology complies with both EU GDPR, and also our own ethical
approach to user data and privacy. KJM (Kommission für Jugendmedienschutz), the German
regulator, approved Yoti’s facial age estimation for age assurance for online age-restricted content in
November 2021. When clients use facial age estimation to verify the ages of their users, Yoti acts as
the data processor and our clients are the data controllers. Our clients therefore need a legal basis to
use facial age estimation according to their own jurisdiction.
The Yoti Age Portal has a built-in consent option so clients can easily collect consent if that is the
lawful basis under which they operate.
Yoti's facial age estimation does not involve the processing of special category data - this has been
confirmed by the UK Information Commissioner's Office. This is because the age estimation model is
unable to allow or confirm the unique identification of a person as it has not been trained to so.
Therefore, it is not being used for the purpose of identification which is the key test for special
category data.
Put simply, if you put the same face into the model several times, the model would have no idea it is
the same face (and no way of working that out) and would give slightly different age estimation
results each time. The model is not trained to recognise any particular individual’s face, but instead to
categorise a presented face into an age.
For more information about why Yoti's facial age estimation does not process biometric data, please
see our blog here.
Following feedback from regulators and academics, we now include AE standard deviation as an
additional measurement of accuracy. Standard deviation can add qualification to the mean by
saying, for example, we have a low deviation, i.e. our error rate is consistent.
A higher standard deviation tells us that the errors are spread over a bigger range. A lower
standard deviation indicates errors across the data tend to be of a similar range (or more
standard).
By publishing both, we hope to help both relying parties and regulators to form a better view of
‘how accurate is age estimation?’. For full standard deviation results by age band please refer to
page 33.
In addition, at the request of one of our clients, our May 2022 white paper was independently verified
by the ACCS for our measurement methodology and accuracy of our results. The ACCS said that:
“The training, testing and results reporting presented in the Yoti white paper have been independently
validated by ACCS, who have certified that Yoti have deployed appropriate methodologies to analyse the
performance of their Facial Age Estimation algorithm, including ensuring appropriate separation of
machine learning training data, testing data and validation data.”
NIST clarified that they are distinguishing between facial recognition technology and facial analysis
technology. Facial recognition (identifying who is in an image) now sits in the Face Recognition
Technology Evaluation (FRTE) program.13 Facial age estimation and liveness (establishing what is in a
picture) now sit in the Face Analysis Technology Evaluation (FATE) program.14
We submitted the FAE model published in this paper to NIST in September and we expect the results
of the evaluation to be published in February 2024.
It is also notable that facial age estimation is the only AI or machine-learning age assurance method
that NIST is evaluating at this stage. This signifies the growing recognition of the suitability and
maturity of the solution for a growing number of settings.
Yoti has already been evaluated for NIST Level 2 with MyFace, our proprietary passive liveness
solution.
In December 2023 Ofcom announced their draft guidance on highly effective age checks to stop
children accessing online adult content. The guidance stated that operators must take care to
implement privacy-preserving age assurance systems.
Facial age estimation has been recognised by Ofcom as a highly effective method for this purpose.
Other methods include open banking, uploading ID documents, mobile network operator age checks
and digital ID wallets. Ofcom recognise that although there are a number of other age estimation
methods exist at this stage, only facial age estimation is sufficiently mature and widely used.
12. https://pages.nist.gov/frvt/html/frvt_age_estimation.html
13. https://pages.nist.gov/frvt/html/frvt_age_estimation.html
14. https://pages.nist.gov/frvt/html/frvt_pad.html
At Yoti, we take our ethical responsibilities when The German Association for Voluntary
developing new technology very seriously. Self-Regulation of Digital Media Service Providers
(FSM) awarded us its Seal of Approval for our
Our Data Protection Officer has completed a age verification solutions.16
formal Privacy and Ethics Impact Assessment for
Yoti’s age-checking solutions, which is available We have hosted four roundtable sessions to get
on request to potential clients. It covers Yoti both feedback from a range of industry practitioners
as a data controller for our own use of on the unintended consequences of our
age-checking solutions with our own users, and approach. At our 4th roundtable, we welcomed
as a data processor when offering age-checking over 60 attendees from 12 countries including 6
solutions to corporate customers.
regulators, 16 NGOs dealing with child safety,
data & AI, 4 universities, several representatives
We have set up an internal Ethics & Trust
from global platforms and consultancies
Committee with members from several different
areas of our business, to consider ethical issues
related to our technology and its uses. We used We also actively engage with organisations
frameworks such as ‘Responsible 100’ and representing various minority groups to seek their
‘Consequences Scanning Model’ as starting views and input, including the UK transgender
points for the scope of these considerations. charity, Sparkle and LGBTQ non-profit Mosaic.
Findings of the committee are shared with our
senior management teams, Board of Directors We have asked the US Centre for Democracy &
and Guardian Council. Technology for a workshop with full access to
our CTO and tech team, and we have sought
comment from the World Privacy Forum and the
External scrutiny Future of Privacy Forum.
We have obtained an ISAE 3000 assurance report
from one of the top four global auditing firms,
validating our age-checking services as in
accordance with the British Standards
Institution’s PAS 1296 code of practice.15
15. PAS 1296: 2018 Online age checking—Provision and use of online age check services—Code of Practice. Available from the British
Standards Institute shop.bsigroup.com.
16. https://www.fsm.de/de/fsm.de/yoti
© 2023 Yoti
© 2023
Ltd Yoti Ltd 28
Data used to build the model (‘training data’)
Since early 2015 Yoti has invested significantly in building a leading R&D team who work on a variety
of AI initiatives.
The current production model of facial age estimation (December 2023) was built using a training
data set taken mainly from users of the Yoti apps (excluding US users). We provide information to the
users at onboarding stage about our use of biometrics with links to further information. This include
the Privacy Notice where the use of user data by our R&D team for internal research is extensively
detailed.15 The images overleaf display the current onboarding screen and the screen where users can
opt out of their data being used for R&D.
Any user can go to the app settings at any time and opt out of R&D use of their data. This prevents
further data from that user being sent to R&D. It deletes all the data associated with that user that is
on the R&D server and available for R&D to use. We have chosen to automatically delete the existing
data when a user opts out or deletes their account, even though this is not a legal requirement under
the research provision in GDPR article 17(3)(d).16 We employ a privacy-by-design approach. This
means that although we can find the data of a specific user to action the data deletion, there is no way
to recreate a specific user’s identity from that data.
To enhance our coverage of particular demographics, Yoti has previously gathered further age-verified
images with consent in Nairobi, Kenya. Through the Share2Protect campaign, parents and children
were able to support the extension of facial age estimation to 6-13 year olds.17 We have also
purchased further parent consented child facial images, with month and year of birth, and we
undertook thorough due diligence on all our data sources.
In 2021, Yoti was part of the ICO Sandbox to extend our facial age estimation AI programme to those
under 13 who don’t have ID documents.18 Ending in May 2022 the ICO has since published their exit
report. Our participation helped the ICO gain insights into age assurance for young people . It also
helped them to understand that facial age estimation does not process special category data. The
ICO have updated their guidance on special category data as a result of this sandbox.19
15. https://www.yoti.com/privacypolicy
16. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with
regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data
Protection Regulation) https://eur-lex.europa.eu/eli/reg/2016/679/oj
17. https://www.yoti.com/blog/protecting-kids-safer-internet-day-2021/
18. https://ico-newsroom.prgloo.com/news/ico-supports-projects-to-strengthen-childrens-privacy-rights
19. https://ico.org.uk/media/for-organisations/documents/4020427/yoti-sandbox-exit_report_20220522.pdf
We provide information to users at onboarding about our use of biometrics. This includes links to further information,
including the full privacy notice, where the use of user data for R&D is extensively detailed. Users can opt out of their data
being used for R&D ny Yoti at any time, via the settings on the app.
© 2023 Yoti
© 2023
Ltd Yoti Ltd 30
Data used for testing
Our testing data is also taken from Yoti users worldwide (excluding US users) in the same manner as
the training data. We strive to ensure that it represents as broad a demographic as possible,
considering age, gender and skin tone. This gives us confidence that the results presented in this
white paper are reproducible in a wide variety of real world situations.
Effectively, this measures the skin’s ability to tan (or its susceptibility to burn). You would not use a
face for this test, you’d use a bit of the body that is normally always clothed. There is reasonably good
correlation between ability to tan or burn and ethnicity.
Therefore, there is a much weaker correlation between those with darker skin tones and those with
the ability to tan. For those who have been out in the sun, the skin tone of their face can often be one
or two scale degrees darker than their unexposed skin.
The majority of the tagging was performed using a manual process, with some data tagged
automatically. We have put quality procedures in place to help ensure our manual tagging is reliable
and free from bias.
For each age, we present the mean absolute error (MAE) in six classes: female (with three different
skin tones), and male (with three different skin tones).
● the average MAE for females (of all skin tones), calculated as (MAE for Types I & II) + (MAE for
Types III & IV) + (MAE for Types V & VI) ÷ 3
● the average MAE for males (of all skin tones), calculated as (MAE for Types I & II) + (MAE for
Types III & IV) + (MAE for Types V & VI) ÷ 3
● the overall average MAE, calculated as (weighted average MAE for females + weighted
average MAE for males) ÷ 2
The average aims to deskew the test data set in order to present equal contributions from the three
skin tone groupings and both genders.
Skin tone
scale
20. Fitzpatrick, T, (1988) The Validity and Practicality of Sun-Reactive Skin Types I Through VI. Archives of Dermatology 1988; 124 (6):
869–871
Gender
Female Male All
Age Skin Tone (Fitzpatrick Scale)
Band Type Type Type Type Type Type
I & II III & IV V & VI All I & II III & IV V & VI All
Average Average Average
SD SD SD SD SD SD SD SD SD
6-9 1.2 1.2 1.2 1.2 1.0 1.1 1.3 1.1 1.1
10-12 1.1 1.3 1.5 1.3 0.9 1.1 1.2 1.1 1.2
13-15 1.1 1.2 1.2 1.2 0.8 1.6 1.4 1.2 1.2
16-17 1.2 1.0 1.1 1.1 0.8 1.5 1.2 1.2 1.1
18-24 1.6 1.7 1.7 1.7 1.3 1.6 1.8 1.6 1.6
25-29 2.2 2.4 2.8 2.4 1.7 1.8 2.0 1.8 2.1
30-39 2.3 3.0 3.4 2.9 1.8 2.1 2.3 2.1 2.5
40-49 2.3 2.7 3.2 2.8 2.0 2.5 2.5 2.3 2.5
50-60 2.2 2.5 4.1 2.9 2.2 2.6 3.0 2.6 2.8
60-70 2.2 3.3 2.7 2.7 2.1 3.0 3.2 2.8 2.8
All 1.9 2.3 2.6 2.3 1.7 2.1 2.3 2.0 2.1
A higher standard deviation tells us that the errors are spread over a bigger range. A lower
standard deviation indicates that errors across the data tend to be of a similar range (or more
standard).
It is worth noting that although the magnitude of error may appear larger for older age bands, when
this is as a percentage of the subject’s age, it often is more accurate in relative terms. For instance, an
error of 2 years for a 15 year old is a 13% error, whereas an error of 2 years for a 50 year old is an error
of 4%. This is illustrated in the chart below.
We have sufficiently high volumes of training data for males of all skin tones from ages 6 to 29 - our
average MAE for 6 to 29 year old males is 2.1. For I (lightest) skin tone males the MAE is 1.9, for skin
tone II males 2.0, and for III (darkest) skin tone males it is 2.3. This means there is less than 5%
difference between the highest and lowest skin tone accuracy rates across these 24 years of age. We
have since evened up the data between males and females, in particular females with the darkest skin
ton. Our corresponding MAE for 6-- to 29 year old females is 1.7. It is 1.5 for skin tone I females, 1.7
for skin tone II females and is highest at 1.8 for skin tone III females.
A key age of regulatory interest is teenagers. When we started publishing MAE values for this age
bracket in April 2019, our MAE was 2.9. Some stakeholders felt that it was unlikely our MAE would
improve sufficiently to become an efficient age assurance technique. However, our December 2023
MAE for teenagers is now 1.4 years.
For our first set of children aged between 6 and 12, and after a much shorter period of research and
smaller training data set, the average error is now 1.4 years. We believe it is very likely that our MAE
for 6-12 year olds will improve as our training set increases. An MAE of 1.4 years means we can
already offer a highly effective age estimation solution for businesses who wish to, or are required to,
offer age appropriate design.
The charts below illustrate the significant accuracy improvements that we have observed over time.
The size and composition of our test data has itself diversified over this period too, so the
comparisons from one model’s results to the next are not absolute. However the overall trend is clear
and encouraging. Where appropriate, we will endeavour to undertake further targeted fieldwork in this
area.
N.B. From September 2021, we have revised our approach to concentrate on achieving a reduction on
bias, even where this may have a detrimental effect on accuracy.
Since our May 2022 update, we have removed some older images from both our training and testing
data sets. This is in line with our privacy policy on customer data retention, which states that if a user
has been inactive for over 3 years, we delete their data. This has two notable implications:
● Training data - where deleted data may have a skewed number of images in a certain
subcategory, the accuracy in that data range may be affected.
● Testing data - changes in this data set mean that results over time are not strictly 100%
comparable, as each model is not being tested against exactly the same set of test data.
We do not believe the change in training or testing data will materially affect the accuracy of our
model over time. We will also monitor churn of our data sets to ensure that we replace data with the
corresponding demographic that may have any significant effect on our accuracy or testing.
When dealing with age-restricted goods and services, the age of interest is what we call the age
stipulated in the relevant law or regulation. For example, in many jurisdictions, the age of interest for
buying alcohol is 18. In many use cases, we will ask ‘is this person above the age of interest?’ (e.g.
‘are they over 18?’). We can then configure the facial age estimation technology to simply return a
response of ‘yes, they are 18+’ or ‘no they are not’.
However, as described earlier in this paper, facial age estimation has a margin of error, and we would
expect some false positive replies when asking if a person was above the age of interest (particularly
if their true age is close to it). For this reason, we recommend configuring a threshold age above the
age of interest, to create a safety buffer. Instead of asking facial age estimation if the person is above
the age of interest, we ask if they are above the threshold age. For an age of interest of 18, we might
choose a threshold age of 23. We ask facial age estimation whether or not people are over the age of
23. If the answer is ‘yes, they are’, we can accept with confidence that they are over 18.
Therefore, the challenge is picking an appropriate threshold for the given use case which delivers an
acceptably low false positive rate. The two tables below provide detailed statistics from our testing of
facial age estimation, showing false positive rates for different ages of young people, for a
succession of threshold ages. The first table considers a scenario where the age of interest is 18, the
second table considers an age of interest of 21.
As is to be expected, the results show that it is much easier for facial age estimation to correctly
estimate that young teenagers are below a threshold age than people who are only one year away
from it. However, when considering the acceptability of false positive rates for any given use case, the
risk involved should be considered too: for example, the potential harm in a 14 year old purchasing
alcohol is likely to be greater than for a 20 year old.
In the tables below, we also present an average false positive rate for each threshold, weighting the
value equally for each age’s contribution (regardless of the number of test subjects for that age).
Average False
Positive Rate
14 15 16 17
(weighted
Test Sample Size 3,138 7,414 10,077 10,175 equally for each
age)
Average false positives for 14 to 17 year olds (by threshold) - improvements over time
Thresholds
Jan '19 Mar '19 May '19 Jul '19 Sep '19 Dec '19 Feb '20 Aug '20 Oct '20 May '21
(years)
21 9.34% 5.23% 4.12% 2.89% 2.50% 1.65% 1.46% 1.62% 1.13% 0.89%
22 4.11% 3.20% 2.21% 1.58% 1.32% 0.78% 0.72% 0.91% 0.63% 0.45%
23 3.31% 2.05% 1.19% 0.90% 0.75% 0.40% 0.38% 0.55% 0.34% 0.25%
24 2.65% 1.39% 0.66% 0.49% 0.47% 0.24% 0.20% 0.31% 0.22% 0.15%
25 2.14% 1.04% 0.44% 0.33% 0.31% 0.15% 0.14% 0.19% 0.11% 0.10%
We have not included data since our Sep 21 update because all of the other historic data was calculated on an average MAE for all
testing data.
Earlier in this paper, when discussing the choice of a threshold age and safety buffer for use with
facial age estimation, this is framed in terms of trying to minimise false positives (effectively, where
facial age estimation is too lenient), as these carry a greater risk of harm to young people. However, it
is also sensible to consider false negative rates too, where facial age estimation is being too cautious.
Choosing higher thresholds will likely decrease false positives at the expense of causing more false
negatives. It is important for regulators (or businesses in unregulated sectors) to consider their risk
tolerance for any given deployment of facial age estimation, and choose a threshold which is likely to
deliver an acceptable balance between false positives and false negatives.
The table overleaf illustrates this for comparison against a typical ‘Challenge 25’ retail scenario, where
the ‘age of interest’ (the legal age for buying age-restricted goods) is 18.
For each threshold, the ‘false positives’ column shows the small percentage of under-age teenagers
that facial age estimation would be likely let through. The next column shows the percentage of young
people from ages 18 to 25 that facial age estimation would be likely to reject, meaning they would
have to present a physical ID to prove their age instead. This not only includes ‘false negatives’ (young
people who were actually older than the threshold, but facial age estimation incorrectly estimated
they were under it), but also ‘genuine negatives’ (where facial age estimation has correctly estimated
that the young person is over the legal age, but they are still below the chosen threshold age).
21. An analysis of abuse and violence towards retail staff when challenging customers for ID (Allen & Rudkin, 2017)
https://nfrnonline.com/wp-content/uploads/Abuse-and-Violence-Report-2.pdf.
22. ‘It’s not part of the job’: Violence and verbal abuse towards shop workers–A review of evidence and policy (Taylor, 2019)
https://assets.ctfassets.net/5ywmq66472jr/22QfMejeWYbimJ9ykX9W9h/0e99f15c0ed24c16ab74d38b42d5129a/It_s_not_part_of_the_jo
b_report.pdf.
23. Freedom from Fear: Survey of violence and abuse against shop staff in 2018 (Union of Shop, Distributive & Allied Workers, 2018)
https://www.usdaw.org.uk/2018FFFReport.
Comparison of false positives for underage teenagers versus rejection rates for young people
over the legal age of interest (18) for a selection of safety buffer thresholds
Average* False
Choice of Combined average* rejection rate (false
Positive Rate
Threshold negatives & genuine negatives)
(for ages
(years) (for ages 18-25)
14-17)
45.71%
21 1.04% (genuine negatives for 18-20 year olds ÷
false negatives for 21-25 year olds)
53.60%
22 0.68% (genuine negatives for 18-21 year olds ÷
false negatives for 22-25 year olds)
61.36%
23 0.36% (genuine negatives for 18-22 year olds ÷
false negatives for 23-25 year olds)
68.85%
24 0.20% (genuine negatives for 18-23 year olds ÷
false negatives for 24-25 year olds)
76.56%
25 0.11% (genuine negatives for 18-24 year olds ÷
false negatives for 25 year olds)
*Note that the number of subjects of each age in the test data set was not equal. Therefore to avoid skewing the results, the false positive
and false negatives figures in this table are averages, weighted equally for the contribution of each age.
Mario Gazziro1,2*, Matheus Vasques2, Eduardo Real2, João How to cite this article: Gazziro M, Vasques M,
Real E, Carmo J, Kunkel M. Automatic Hand
Carmo1 and Maria Kunkel3 Features Extraction for Forensic Purposes. J
Forensic Sci Res. 2023; 7: 077-082.
1
University of Sao Paul, Brazil
2
Federal University of ABC, Brazil DOI: 10.29328/journal.jfsr.1001054
3
Federal University of São Paulo, Brazil Copyright license: © 2023 Gazziro M, et al.
This is an open access article distributed under
the Creative Commons Attribution License, which
Abstract permits unrestricted use, distribution, and
reproduction in any medium, provided the
original work is properly cited.
This work describes a low computational cost image processing methodology for the
identification of hand features for forensic applications – like height, gender, and ethnicity for Keywords: Anthropometry; Forensic science;
suspect inference. The proposed methodology provides an adequately tailored sequence of Image processing
image and geometrical processings on pictures of hands based on critical points like fingertips,
finger valleys, and palm centers. As a result, we present the automatic measurements taken
on 416 images compared with actual measurements from a manual caliper. The proposed
approach leads to a 93.16% correlation (p - value < 0.05) related to the caliper, demonstrating OPEN ACCESS
the effectiveness of the technique.
Table 1: Related work: Hand length versus subject height correlations by country
(the correlation employed in these studies was a bivariate 2-tailed person).
Author and Year Country Subjects Correlation
[1] India 100 0.57
[2] Sri Lanka 258 0.59
[3] India 200 0.60
[4] United Kingdom 97 0.82
[5] Kashmiri 156 0.78 Figure 1: Hand length vs. subject height correlations by year (mean n =200).
The database
For the sides of the hands, for the IC variable, only women
did not report a statistical difference (p = 0.162). Only in men, Figure 5: Distribution of finger length variables (n = 854).
Figure 6: Distribution of the variables palm length and hand width (n = 854).
The desired measurement set to be extracted by our Figure 8: Preprocessing stages. (a) Original image. (b) Segmentation. (c)
approach was presented in Figure 7: lengths of little, ring, Binarized image. (d) Hand’s edge.
middle and index ingers, thumbs, and palm length and width,
both from the right and left hands.
a b
Image preprocessing
The irst stage of the process is the image segmentation
(Figure 8b). We use a suitable set of parameters to perform a
skin-color segmentation. After that, we compute a binarized
image by applying a threshold (Figure 8c). Finally, we perform
an edge detection using the Canny Algorithm (Figure 8d).
Palm center finding, finger-tips, and finger-valleys
determination
One key point in the hand’s feature extraction is to
determine the center of the palm, regardless of the length of Figure 9: Palm center finding methodology [9]. (a) Morphology medial axis. (b) (b)
ingers or the interference of wrist image. To do this, we use the Center determination.
a b a b
Figure 10: Finger-tips and finger-valleys determination [9]. (a) Finger-tips. (b) Finger-
c d
valleys.
We start with the palm length line (Figure 13a) and then Figure 12: Palm length measurement methodology. (a) Extend middle-center line.
connect all inger and thumb tips to the wrist key point (all (b) Final measure.
but the middle inger), as shown in Figure 13b. Then we
perform similar projections as we did before with the middle We start with the lines from little and index ingers and
inger but choose the nearest inger-valley for each inger and then extend its far end by about 30% (Figure 14a). In the next
thumb (Figure 13c) and inally achieve the inal measures step, we interconnect their fair ends (Figure 14b). Now we
(Figure 13d). need to extend this line on both sides in a factor of about 80%
of its original size (40% to each side), as shown in Figure 14c.
The last measure is the palm width, and its methodology
is described in Figure 14. Here we use a more sophisticated For the next step, we need to load the hand edge (presented
methodology than previous sections. It involves: in the initial preprocessing section, Figure 8d) and mask it to
the canvas image (Figure 14d). The result will produce small
• Bitwise image mask logical operations;
collision points by the intersection of images.
• Advanced image processing techniques like nearest
These small points must be dilated and then submitted to
connected components;
the nearest component analysis to detect their object centers
• Classical image processing techniques like erosion and (Figure 14e). Finally, by connecting these calculated centers,
dilatation. we ind the palm width measurement.
Statistical processes
a b We use the bivariate 2-tailed Pearson correlation method.
Deviations are shown in Figure 15.
Results
The performance of the approach developed met the
desired requirements, processing a pair of images of hands
every 20 seconds on average.
Figure 13: Other fingers measurement methodology: little, ring, index, and thumb..
(a) Start with a palm-length line. (b) Connect all tips to this line. (c) Perform all valley
projections. (d) Final measures.
a b
a b c d
c d
Figure 16: Measured correlations: automated vs. manual caliper (n = 208, p - value
= 0.01). (a) Middle finger 97%. (b) Palm length 88%. (c) Other fingers 92%. (d) Palm
width 97%.
a b
e f
Figure 14: Palm width measurement methodology. (a) Extend little and index
fingers. (b) Interconnect their far ends. (c) Extend this line on both sides. (d) Mask Figure 17: All measurements extracted from both hands: 93,16% (n = 208).
it with a hand edge. (e) Interconnect collision points. (f) Final measure. (a) Right-hand set of measures. (b) Left-hand set of measures.
The overall Pearson correlation is about 93.16% for all Despite the fact all measures have reached a level of
measurements from both hands and is presented in Figure 17. statistical signi icance, in future work, we intend to improve
further the methodologies for thumb and palm length
Discussion measurements, which presented a slightly greater deviation
Despite the fact there are a considerable number of than the others.
anthropometric studies published relating palm and inger
Reference
measures with other subject features, our work was the
1. Bhatnagar DP, Thapar SP, Batish MK. Identification of personal height
irst to automatize this process completely in order to able
from the somatometry of the hand in Punjabi males. Forensic Sci Int.
big data processing and their use in regional and national 1984 Feb;24(2):137-41. doi: 10.1016/0379-0738(84)90093-8. PMID:
anthropometric censes. Our correlation surpasses the 6706263.
superior limit from previous studies reaching 93% against the 2. Ilayperuma I, Nanayakkara G, Palahepitiya N. Prediction of personal
80% from manual methods. stature based on the hand length. Galle Medical Journal. 2009; 14(1).
3. Agrawal J, Raichandani L, Sushma k, Raichandani S. Estimation of
A still existing limitation is the automatic extraction of stature from hand length and length of phalanges. Journal of Evolution
the phalange widths, which we tried to extract but without of Medical and Dental Sciences. 2013; 2(50):9651-9656.
success in the automatic method developed. However, this 4. Guest R, Miguel-Hurtado O, Stevenage S, Black S. Exploring the
did not compromise the study, since the other articles also do relationship between stride, stature and hand size for forensic
not take these measurements into account, and it is something assessment. J Forensic Leg Med. 2017 Nov; 52:46-55. doi: 10.1016/j.
jflm.2017.08.006. Epub 2017 Aug 26. PMID: 28865387.
estimated for our future work, which could further improve
the correction achieved. 5. Samoon S, Itoo MS, Shahdad S, Jan N, Nisa G, Ahmad S. Correlation
of stature and hand length in adult kashmiri population. International
Journal of Contemporary Medical Research. 2018; 5(3):2454-7379.
Conclusion
6. Case DT, Ross AH. Sex determination from hand and foot bone
In this work, we presented a low computational cost lengths. J Forensic Sci. 2007 Mar;52(2):264-70. doi: 10.1111/j.1556-
image processing methodology for the identi ication of 4029.2006.00365.x. PMID: 17316220.
hand features for forensic applications. We found that the 7. Manning JT, Churchill AJ, Peters M. The effects of sex, ethnicity,
and sexual orientation on self-measured digit ratio (2D:4D). Arch Sex
developed approach meets the expectations since it achieves
Behav. 2007 Apr;36(2):223-33. doi: 10.1007/s10508-007-9171-6.
high correlation rates related to the test image database. PMID: 17373585.
Therefore, we believe that we have successfully created the
8. Kunkel. Brazilian Hand Database, www.mao3d.com.br, accessed in
necessary tool to be used in the next steps of the research 2023.
(which will involve a massive collection of images) can be
9. Sevastopolsky A. hands-images. https://github.com/seva100/ hands-
done successfully. images. 2018.
;
;
; ;
.
ABSTRACT
The following expanded summary shows the genetic trait, dimple in the cheeks,
being a dominant genetic error. The development of this abstract was made by
studying the concept of recessive and dominant genes and by analyzing the
calculations obtained from the form applied to the students of IFC-CAS, in order to
fulfill the objective: to evaluate the truth of common sense on this subject, along with
the recessive and dominant analysis of the referred characteristic. To answer in
order to accomplish the main objective, the most qualified methodology to this
expanded summary is quantitative research. Thus, it is known that the referred
feature presents recessive predominance in individuals, regardless of where it is
inserted.
Parecer Técnico
EXAME AUDIOVISUAL
Formação:
Expertises:
SUMÁRIO
SUMÁRIO 4
I - RELATÓRIO 5
II – FINALIDADE DA PERÍCIA (OBJETIVO PERICIAL) 5
III – DO MATERIAL QUESTIONADO (OBJETO) 5
IV – DOS EQUIPAMENTOS 6
V - DOS EXAMES - A Perícia em imagem digital para a Prova 6
VI - MÉTODO 7
VII - DO RESULTADO DOS EXAMES 8
EXAME DA MÍDIA E FRAMES MQ1 8
CIRCUNSTÂNCIAS DO VÍDEO 43
DEMONSTRATIVO DOS FRAMES DA CENA QUESTIONADA 44
ANÁLISE PROSOPOGRÁFICA E IDENTIFICAÇÃO FACIAL 46
PADRÕES PARA COMPARAÇÃO FACIAL 46
COMPARAÇÃO 55
ANÁLISE DOS ACESSÓRIOS 59
PULSEIRA 62
PORTA 64
ÓCULOS 65
ALTAR/SANTOS 66
PERÍCIA DA REVISTA FORUM 71
VIII - CONCLUSÃO 78
BIBLIOGRAFIA 80
Página4 – Parecer Técnico Audiovisual
FECHAMENTO 81
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
I - RELATÓRIO
Fora solicitado aos peritos pelo vereador da capital de São Paulo, Dr. Rubens
Nunes, verificar a veracidade dos fatos referentes a uma mídia audiovisual, atribuída a
uma pessoa com características físicas semelhantes ao Padre Júlio Lancellotti,
doravante tratada como mídia questionada, bem como ao Laudo publicado na Revista
Fórum.
IV – DOS EQUIPAMENTOS
Uma evidência apresentada como imagem digital poderá ter como origem, Página6 – Parecer Técnico Audiovisual
VI - MÉTODO
1) O vídeo é iniciado com uma gravação da tela, com uma suposta conversa feita
através de aplicativo videochamada – semelhante ao aplicativo Whatsapp.
2) A câmera oscila entre as partes íntimas – em masturbaçao - e rosto – como se
houvesse algo na tela que causasse excitação ao indivíduo.
3) O vídeo oscila entre a tela da videochamada, reprodução de vídeo gravado, tela
de bloqueio (com notificações) e prints.
4) O vídeo é gravado da tela, não havendo como verificar o local dos cliques, apenas
a mudança de quadros da tela.
5) O vídeo possui 30 frames por segundo – compondo 01 minuto e 08 segundos.
Conforme os frames, que serão demonstrados a seguir.
Frame 0245 ao 325: A câmera é direcionada para a parte superior do corpo, em ato
contínuo (sem cortes), deixando aparecer o rosto do autor do ato.
Frame 0326 ao 364: A câmera é direcionada de volta para as partes íntimas, com o ato
da masturbação.
Página13 – Parecer Técnico Audiovisual
Frame 0365 ao 510: A câmera é direcionada para a parte superior do corpo, em ato
contínuo (sem cortes), deixando aparecer o rosto do autor do ato.
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Frame 509 ao 582: A partir do frame 509 aparece um aviso de problema no microfone
do espectador que grava da tela. O aparecimento e desaparecimento ocorre
gradualmente – o que confere naturalidade ao vídeo.
Frame 597 ao 599: A tela muda para o reprodutor de vídeo, conforme botão de play.
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Frame 600 a 660: Ocorre a reprodução de vídeo gravado da tela – conforme barra de
reprodução na base.
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Frame 1054 a 1061: A tela é arrastada para baixo, aparecendo a tela de bloqueio com
notificações.
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Frame 1361 a 1400: Aparece tela de reprodução de vídeo, conforme ícone de pause.
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Frame 1901 a 1965: Aparece a tela de fundo com o botão laranja do gravador de tela
(DU recorder).
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Frame 1901 a 1965: O botão do gravador é clicado, o brilho da tela é diminuído para dar
destaque aos ícones da opção de gravação de tela. Página42 – Parecer Técnico Audiovisual
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
CIRCUNSTÂNCIAS DO VÍDEO
https://revistaepoca.globo.com/Revista/Epoca/0,,EDR79779-6014,00.html
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://revistaeducacao.com.br/2022/08/05/padre-julio-lancellotti-falta-humanidade-
escolas/
https://drd.com.br/arquidiocese-de-sp-diz-estar-perplexa-com-cpi-que-mira-padre-
julio-lancellotti/
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://drd.com.br/arquidiocese-de-sp-diz-estar-perplexa-com-cpi-que-mira-padre-
julio-lancellotti/
https://reportermaceio.com.br/lula -manifesta-apoio-a-
padre-julio-lancellotti-alvo-de-cpi-das-ongs-em-sao-paulo-
e-critica-iniciativa-da-camara-dos-vereadores/
https://www.instagram.com/p/CpnyGEzpLD3/?img_index=1
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://www.instagram.com/p/CpqU3GwPa6-/
https://www.instagram.com/p/CpN2jSRuOQ6/
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://www.instagram.com/p/CpN2GkcO6Hd/
https://www.instagram.com/p/CpN2O60upcP/
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://www.instagram.com/p/Co7lgROOPJZ/
https://www.instagram.com/p/CoyATueuOjT/
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://www.instagram.com/p/CoQukhpuuXe/
https://www.instagram.com/p/CnpjU7dOW_v/?img_index=1
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://www.instagram.com/p/CkeEaSnOLcQ/
COMPARAÇÃO
https://www.youtube.com/watch?v=GY7aMU8KFBg&t=1033s
https://www.instagram.com/p/CFGE0BfnfX8/?igsh=MXJrbGJ6aDdkOThiaQ%3D%3D
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://g1.globo.com/sp/sao-paulo/noticia/2024/01/07/como-cpi-contra-padre-julio-
lancellotti-da-a-largada-na-disputa-eleitoral-em-sao-paulo.ghtml
https://www.instagram.com/p/B-j-CiqHV9o/?igsh=M2huc2FlMWtseGk4
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
https://www.instagram.com/p/BbLI5sAHolH/
PULSEIRA
PORTA
ÓCULOS
ALTAR/SANTOS
https://revistaforum.com.br/politica/2024/1/15/padre-julio-pericia-desmonta-farsa-do-
video-pode-levar-criminosos-cadeia-veja-integra-152201.html
O laudo na íntegra:
https://revistaforum.com.br/u/archivos/2024/1/15/laudo_padre_lancellotti%20(1).pdf
Folha 2
1
Hash: Uma função hash é um algoritmo que mapeia dados de comprimento variável para dados de comprimento
fixo.
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Folha 3
2
Princípio da documentação: toda amostra deve ser documentada, desde seu nascimento no local de crime, até
sua análise e descrição final, de forma a se estabelecer um histórico completo e fiel de sua origem.
3
Headline: título curto que serve para chamar a atenção do público e resumir o que será apresentado na
sequência.
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Folha 6
Folha 10 Folha 11
Folha 4
Nesse segundo objeto, o perito também não individualiza, mencionando Página74 – Parecer Técnico Audiovisual
apenas o print, sem a presença do hash e do link para o arquivo.
SCS Quadra 1 Bloco E - Edifício Ceará – sala 111
Asa Sul – Brasília/DF
fone: 61.30389358 / 4042-2392 / 9 8130-0097
www.tirotti-periciasjudiciais.com.br
Disponível em:
https://buscatextual.cnpq.br/buscatextual/visualizacv.do;jsessionid=98E2BC3
222E5AAA88E486FF72448875E.buscatextual_0
Peritos (https://www.cadastronacionaldeperitos.com/index.php/resultado-da-busca-por-
peritos) que, apesar de particular, consta com mais de 11 mil peritos particulares
cadastrados.
VIII - CONCLUSÃO
A mídia questionada (MQ1) foi examinada, frame por frame. Os frames não
apresentam indícios de montagem ou inteligência artificial. Os frames demonstram
gravação de tela, em um primeiro momento de uma conversa por videochamada, e
posterior visualização de gravações, com bloqueios de tela e notificações aparentes.
BIBLIOGRAFIA
ALBERI, Espindula. Perícia criminal e cível: uma visão geral para peritos e
usuários da perícia. 3ª ed. Campinas: Millennium Editora, 2009.
FECHAMENTO
Prof. Assinado de
forma digital por
Reginal Prof. Reginaldo
Tirotti JACQUELINE Assinado de forma
do
digital por JACQUELINE
MILA
Dados: MILA
TIROTTI:3798436 TIROTTI:37984369836
2024.01.19 9836
Dados: 2024.01.19
Tirotti
16:25:38 -03'00'
16:35:00 -03'00'
REGINALDO TIROTTI JACQUELINE TIROTTI
PERITO RELATOR PERITA REVISORA
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Exame em Vídeos
Perito:
www.onias.com.br
Breve Currículo
Verso
I - OBJETIVO DA PERÍCIA:
II - METODOLOGIA:
Propriedades do arquivo
Tamanho:
19,7 MB
Detalhes do vídeo
Tempo de
vídeo 18
minutos e 40
segundos
Largura x
altura
480 x 270
Velocidade:
29 frames por
segundo.
Propriedades do arquivo
Tamanho:
2,09 MB
Detalhes do vídeo
Tempo de
vídeo 32
segundos
Largura x
altura
480 x 720
Velocidade:
29 frames por
segundo.
Propriedades do arquivo
Tamanho:
3,56 MB
Detalhes do vídeo
Tempo de
vídeo 43
segundos
Largura x
altura
480 x 720
Velocidade:
29 frames por
segundo.
Propriedades do arquivo
Tamanho:
19,7 MB
Detalhes do vídeo
Tempo de
vídeo
18 segundos
Largura x
altura
480 x 720
Velocidade:
29 frames por
segundo.
Propriedades do arquivo
Tamanho:
1,56 MB
Detalhes do vídeo
Tempo de
vídeo
28 segundos
Largura x
altura
480 x 720
Velocidade:
29 frames por
segundo.
VI - DOS EXAMES:
Exame da Peça 1
Facebook de M.N.R.
Frame
1
Celular marca
Samsung
Mão
enluvada
Frame
295
Mão
enluvada
Frame
422
Foto de Perfil
M. N. R.
Frame
597
Fotos
M. N. R.
Frame
837
120 amigos de
M. N. R.
Frame
942
Escola que
frequentou
EEPSG
Prof. Daniel
Verano
Frame
1128
Morador de São
Paulo
Data de Nascimento
declarada:
09 de Setembro de
2004
Comentários do relator:
Frame
1698
Aplicativos
Messenger
Messenger de M.N.R.
Frame Frame
1728 1
Aplicativos
Contato registrado
Julio Renato
Lancellotti
Frame
1822
Botão de
acesso os
Acesso a conversa de dados do
usuário atribuído a usuário
Lancellotti
Comentários do relator:
Frame
1910
Usuário atribuído a
Lancellotti
Botão
Perfil
Comentários do relator:
Frame
2049
Usuário atribuído a
Lancellotti Botão
Perfil no
facebook
Frame
2123
Botão
Imagem
Perfil Facebook de
Lancellotti
Tela inicial
Frame
2204
Perfil Facebook de
Lancellotti
Tela
completa
Frame
2271
Imagens do Página
Facebook de acessada
Lancellotti com o toque
na imagem
Frame
2338
Frame
2387
Frame
2440
Imagem
Próxima Imagens do acessada
Facebook de deslizando a
Lancellotti esquerda
Frame
2552
Imagem
Próxima Imagens do acessada
Facebook de deslizando a
Lancellotti esquerda
Frame
2594
Imagem
Próxima Imagens do acessada
Facebook de deslizando a
Lancellotti esquerda
Frame
2635
Imagem
Próxima Imagens do acessada
Facebook de deslizando a
Lancellotti esquerda
Frame
2707
Imagem
Próxima Imagens do acessada
Facebook de deslizando a
Lancellotti esquerda
Frame
2736
Imagem
acessada
deslizando a
Próxima Imagens esquerda
do Facebook de
Lancellotti
Frame
2833
Fim da sequencia
de imagens
Frame
2903
Imagem
botão
Volta a pagina
principal
Frame
2961
Imagem aberta
clicando na
imagem-botão
anterior
Frame
2991
Imagem aberta
deslizando a
esquerda
Frame
3054
Imagem aberta
deslizando a
esquerda
Frame
3112
Imagem aberta
deslizando a
esquerda
Frame
3154
Imagem aberta
deslizando a
esquerda
Frame
3227
Imagem aberta
deslizando a
esquerda
Frame
3976
Perfil pessoa do
usuário
Frame
4133
Frame
4318
Frame
4444
Frame
4591
Frame
4780
Frame
4858
Frame
352
Comentários do relator:
Frame
6607
Frame
6874
Perfil no Messenger
Frame
7053
Perfil no Messenger
Frame
7262
Sequencia de
conversas
Frame
7474
Frame
7580
Frame
7742
Frame
7892
Frame
8106
Frame
8197
Frame
8331
Frame
8598
Frame
8726
Frame
8900
Frame
9114
Frame
9363
Frame
9483
Frame
9598
Frame
9773
Frame
9786
Comentários do relator:
Frame
9834
Boa tarde
2 de
Setembro
Oi
Tudo bem
Sim
E você
Mora onde? Moro no carrão
Gosto muito de seu trabalho
Chama tá
2 de
Setembro
Não chamou?
2 de
Setembro
Sumiu
Data ilegível
Estou terminando umas provas e
trabalho, tudo on Line agora,
chamo já já
Ok
Data ilegível
Olá
2 de
Setembro as
19:10 hs
Boa noite
2 de
Setembro as
20:00 hs
Sumiu
Data ilegível
Frame
9833
WhatsApp de M.N.R.
Frame
9938
Botão do
perfil
Frame
9958
Botão do
perfil
Comentários do relator
Frame
10186
Imagem ampliada
no próprio celular
pelo protagonista
do vídeo
Frame
10597
Sequencia de
conversas
Frame
10686
Frame
10845
Frame
11023
Frame
11218
Frame
11520
Frame
11743
Frame
11860
Frame
12037
Frame
12313
Frame
12671
Frame
12941
Frame
13203
Frame
13361
Frame
13601
Frame
13882
Frame
14129
Frame
14475
Frame
14866
Frame
14866
Frame
15401
Frame
15750
Frame
16029
Frame
16351
Frame
16476
Frame
16886
Frame
17150
Frame
17591
Frame
17841
Frame
18343
Frame
18810
Frame
19466
Frame
19738
Frame
20349
Frame
20536
Frame
20679
Frame
20895
Frame
21206
Frame
21538
Frame
21782
Frame
22022
Frame
22294
Frame
22816
Frame
22923
Frame
23000
Frame
23208
Frame
23397
Frame
23630
Frame
23764
Frame
24019
Frame
24292
Frame
24771
Frame
24972
Frame
25634
Frame
25808
Frame
26324
O protagonista do vídeo
desliza os dedos ampliando a
imagem e focando um
objeto ao fundo. Devido a
qualidade do vídeo não foi
possível determinar o que
seria
Frame
26573
Frame
26727
Frame
26911
Frame
27317
Frame
27531
Frame
27751
Frame
28033
Frame
28136
Frame
28227
Frame
28350
Frame
28588
Frame
28601
Frame
28856
Frame
29319
Frame
29544
Frame
29783
Frame
29787
Frame
29963
Frame
30104
Frame
30250
Frame
30461
Frame
30738
Frame
30738
Frame
30130
Frame
31398
Frame
31671
Frame
31797
Frame
31987
Frame
32144
Frame
32304
Mais ou menos
Onias Tavares de Aguiar - Perito Página 103
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Que gosta de fazer?
Aí depende ... eu num gosto muito
de sair
Mais caseiro
Sou mais as vezes saio
Que bom
Precisa passear
Distrair
Vc só trabalha?
Num sai?
Pouco
Sou velho já
Mais eu gosto eu queria ser mais
velho
Quanto mais?
Com 18 acho que pode sair mais,
né
Mais não sei idade queria
Sim
Vai chegar a idade
Tomara
Mais queria já ser igual VC
Como? Idoso?
Muito bom
Vc me achou feio
?
Não achei
Lindo
Mas foto engana neh
Manda outra pra
comprovar
Vc sabe o que eh ficar?
Sim
Sabe?? Mias isso é coisa das
pessoas da minha idade kkkkk
Aí nem acredito que tô ti falando
isso
Sim
Mas sei tb
Queria te falar um coisa então
Sim
?
Cadê você
Eu tenho um poco de vergonha
Posterior te falar tudo?
Sim
Pode falar Eu tenho um pouco de vergonaha
Posso te falar tudo?
Sim
Pode falar
De todos os assuntos? Não fica
bravo tá
Não fico não
Mesmo
Quando foi?
Não tem um dia né
Não tem
É uma coisa que a gente sente
Como pensou que
seria?
Como sentiu?
Pode falar?
Sim
Pode sim
Vc guarda segredo né
Sim
Eu pensei em te beijar
Mais na boca mesmo
Sim
Gosta
Eu não sei na verdade
E errado?
Não
Eu já fiquei com menina
Mais não gostei
Entendi
Que vergonha
Gostaria de
experimentar?
Mais eu não quero com outra
pessoa
Eu queria só com você
Sim
Que mais queria?
Não sei
Lindo
Sério?
Deve ser muito
carinhoso né
Posso ser mais tímido
Quer dizer menos
Sim
?
Pode sim
Eu queria ficar com vc e fazer
mais coisas
Sim
Que bom
Tb quero
Posso de falar um coisa -
inteligível -
Sim
Onias Tavares de Aguiar - Perito Página 107
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Quer diser safada
Pode falar
Ai - inteligível - alguma coisa. Tô
com vergonha ainda
Não fica
Pode falar que é
bom
Fala vc primeiro
Eu já falei né
Manda uma foto
bem lindo
Queria pegar vc no
colo Beijar
Dar carinho
Quer?
Eu queria
Me manda uma foto você
Que mais queria?
È vc mesmo?
Sim
Claro
Vc vai gostar de mim mesmo?
Sim
Eu tô de pinto duro
Mesmo
Delícia hein
Vc me pega no colo? Eu nunca fiz
assim
Sim
Quer?
Quero
Vou te contar uma coisa
Sim
Meu primo também é que nem eu
Ele não gosta de menina
Ela gosta?
Já ficaram?
É errado eu fazer com ele?
Vc não vai ficar bravo né
Não porque
Sim
Quer?
Acho que sim
Vou levar ele tá?
Sim
Ele pode também ?
Pra faze a 3?
Sim
Eu nunca fiz
Vc tá de ponto duro?
Sim
Me manda uma foto?
Vc cam no cel?
Não posso te pedir uma coisa
Sim
Eu não te chamei pra isso juro
mas será q vc me ajuda com
Onias Tavares de Aguiar - Perito Página 109
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
algumas coisas?
Eu queria um celular com cam
O que?
Vc gosta de videozinho?
Sim
Vc mim da um celular pra filmar
pra vc?
Vou ver se consigo
Meu primo sabe filmar certo vc me
dá um bom se eu filmar nois dois?
Vou ver se consigo
Tá bem
Vc viria me visitar Eu quero
Mas só tenho coragem com meu
primo . Ele é bem safado
E aí que faria?
Vou chamar ele pra vim aí vo aí
Ele vai te chupar
Ele gosta
O que vc gosta?
De tudo
E vc?
Tem uma foto dele?
Naum mais vou tirar
Eu tô no quintal preciso entrar que
meu primo mais velho tá
desconfiado
Sim
Eu gostei que vc me falou as coisa
e eu posso falar tbb
Sim
Boa noite
Ti adoro
Lá dentro não pode
teclar?
Manda uma foto
Não dá eu não tenho câmera
Vou entrar
Ok
Olá
Onias Tavares de Aguiar - Perito Página 110
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Oiiiiiii
Oi
Tá aí?
Sim
E vc
Ahanm
Que faz agora?
Acabei de deitar
E vc
Tb vou deitar
Tá com vontade
De que
De beijar
Fazer amor
Tô
Bom né
Como eu vou saber q eh vc msm
Meu WhatsApp
Pera
Vou tomar banho
Sim
Olá
Voltei
4 de
Setembr
o de
2020
Olá
Que faz agora
No quintal e vc
Em casa
Manda uma foto
Sua vez agora neh
Pode falar
Vídeo brincando com pinto
Pode ?
Difícil
Não é
Tá bom
Q vergonha
Do que
Me achou feio
Não
Prá vc
Muito lindo lindo
Gostei
Onias Tavares de Aguiar - Perito Página 112
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Gostou mesmo?
Sim
Muito
To com vontade
Vontade
Humm
De que
De vc
Pensei q meu primo tá vindo aqui
hoje
Mais não veio
Que pena
Olá
Boa noite
Sumiu
Chamad
a de
vídeo
perdida
as 22:00
Olá
Está bem?
Sim e vc
Também
Está em casa
Sim
Que faz agora?
Acabei de sair do banho
E vc
Deve estar lindo
Tô feio
Vc acha?
Sim
Queria ver como
está
Mais você n manda nada
- ilegível -
Quer ver?
Quero
Olá
Olá
Vai dormir?
Mais tarde
E vc?
Já te mando
Tá bom
Gostou?
Não fala nada
Chamad
a de
vídeo
perdida
as 23:??
Oi
Referencia a foto anterior
Lindo
Quer
Quero
Me quer?
Delicia
Quero muito
Como?
Onias Tavares de Aguiar - Perito Página 114
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Na cama
Despido
Sem nada
E vc como quer?
Chamad
a de
vídeo
perdida
as 23:26
Chamad
a de
vídeo
perdida
as 23:??
Referencia: E vc como quer?
Me xupando
Delícia
Igual meu primo fez
Manda vc
Quero mamar nos
teus peitinhos
Vai deixar?
Chamad
a de
vídeo
perdida
as 23:37
Deixo
Vc quer
Sim
Muito
Quero logo
Quer ser meu bb?
Chamad
a de
vídeo
perdida
as 23:??
Nossa
Vc deixa eu ser seu bebê
Onias Tavares de Aguiar - Perito Página 115
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Sim
Beijar muito
Dar muito carinho
Chamad
a de
vídeo
perdida
as 23:??
5 de
Setembr
o de
2020
Manda foto
Tô com vontade
Olá
Boa noite
Oi
Boa noite
? de
Setembr
o 2020
Oiiiii
Fiquei sem cel.
Saudades
7 de
Setembr
o 2020
Tbm tô
Hj vi meu primo
Olá
Boa noite
8 de
Setembr
o 2020
Olá
Boa tarde
Oiii
Onias Tavares de Aguiar - Perito Página 116
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Ainda bem
Apareceu
Saudades
Heheh
Tbm
Vc tá bem?
Sim
Feliz em falar com
vc
Vc some
Sumo não
Eu fico pensando em
vc
Pensando como
Como vc é lindo
Carinhoso
Hummmm
Tenho vergonha
Não precisa ter
Pode falar
Vc guarda segredo?
Sim
Olá
Queria que vc fez igual meu primo
Que boka
O que?
Xupar
Sim
Onias Tavares de Aguiar - Perito Página 117
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Quer?
Sim
Como ??
Não entendi
Vc naum me quer
Quero muito
Me achou feio
Não entendi
Falo uma coisa
Vc fala outra
Vc está lendo o que
escrevo
To neh
Então
Disse que sim
Mais duvido que me achou lindo
Gostei de vc
O q tá fazendo?
Ref. Gostei de vc
Em casa agora
E vc
Que faz
Nada
Tava comendo
Sim
Tendi
Saiu hj?
Acho que fica lendo neh?
Sim
O que
O que vc escreve
Não neh kkk
Tô falando d livros
Seu bobo
Sim
Muitos
Tá bom
Vc é um doce
Vem prova
Experimentar
Onde vc está
Casa e vc
Tb
Deitado?
Vc me quer?
Quero muito
De toda forma e vc?
Também Vamos brincar de alguma coisa
Qual?
Auh toh com vergonha
Kkkk
Ontem
Olá
Tá bem?
Sim e vc
Td
Vc sumiu
Corrido hj
Onias Tavares de Aguiar - Perito Página 120
Onias Informática, Perícias e Investigações Científicas Ltda.
CNPJ nº 10.292.600/0001-24 Av. Engenheiro Caetano Álvares, 530 Cj. 3 Limão
www.onias.com.br [email protected] (11) 3855 2417 (11) 989 474 237
==============================================================
Por que
HOJE
Muito trabalho
O q rolou?
Oi
Comentários do Relator
Contato WhatsApp.
Frame
44
Frame
107
Som de
discagem
Frame
327
Senhor idoso
com óculos
nú da cintura
para cima
Comentários do relator:
Frame
327
Braço
esquerdo
desfocado
Comentários do relator:
Frame
580
Cueca
"samba-
canção"
arriada
parcialmente
Comentários do relator:
Frame
749
Comentários do relator:
Frame
858
Comentários do relator:
Frame
958
Comentários do relator:
Frame
1
Comentários do relator:
Frame
102
Comentários do relator:
Frame
261
Comentários do relator:
Frame
291
Cicatriz na
testa
"furinho" no
queixo
Comentários do relator:
Frame
345
Frame
387
"Furinho" no
queixo
Comentários do relator:
Frame
429
Comentários do relator:
Frame
521
Comentários do relator:
Frame
604
Frame
763
Frame
1308
Comentários do relator:
Exame da Peça 4
Frame
1
Frame
38
Comentários do relator:
Frame
102
Frame
123
Comentários do relator:
Frame
411
Comentários do relator:
Frame
541
Comentários do relator:
Frame
345
Frame
1
Frame
6
Comentários do relator:
Frame
158
Frame
238
Comentários do relator:
Frame
434
Frame
514
Comentários do relator:
Cicatriz na
testa
"furinho" no
queixo
Modelo de
Cicatriz na óculos
testa
Formato do
nariz
Malares
afundados e
característicos Malares
afundados e
característicos
Formato de queixo
salientes e "furinho" no
proeminentes queixo
Formato do
nariz
compatível
com o
material
questionado
Malares
afundados e
característicos
compatíveis
com o
material
questionado
Malares
afundados e
característicos
compatíveis
com o
material
questionado
Formato de queixo
salientes e "furinho" no
proeminentes queixo
compatíveis com o compatíveis
material com o
questionado material
questionado
Cicatriz na testa
compatível com o
material
questionado
Modelo de
óculos
Cicatriz na testa
compatível com o
material
questionado
"furinho" no
queixo
compatíveis
com o
material
questionado
Cicatriz na testa
compatível com o
material
questionado
Comentários do relator:
VII - CONCLUSÃO:
Sobre o Investigado.
Sobre o Vídeo:
Assim: