Il riconoscimento dei soggetti tramite intelligenza artificiale affonda le sue radici nella storia della visione artificiale, una disciplina nata negli anni Sessanta insieme ai primi esperimenti di elaborazione digitale delle immagini. Oggi la stessa tecnologia decide dove mettere a fuoco una fotocamera mirrorless, quando una telecamera stradale deve segnalare un pedone e come un’app riconosce un uccello da una fotografia. Questo articolo ripercorre le tappe che hanno portato fin qui, spiega come funziona un sistema di rilevamento di persone, animali e veicoli, e riassume le regole europee che dal 2024 ne disciplinano l’uso.
In Sintesi
- La visione artificiale parte negli anni Sessanta con il rilevamento dei bordi e arriva alle reti neurali profonde passando per LeNet-5 (1998), SIFT (1999) e HOG (2005).
- La svolta è del 2012: AlexNet vince la sfida ImageNet con un errore top-5 di circa il 15%, contro il 26% circa del secondo classificato.
- L’object detection evolve da R-CNN (2014) a YOLO (2015-2016), fino a DETR (2020), il primo detector basato su transformer.
- Persone, animali e veicoli richiedono dataset diversi: da Pascal VOC e ImageNet a iNaturalist, KITTI e Cityscapes.
- Nelle fotocamere moderne lo stesso principio alimenta l’autofocus con riconoscimento del soggetto.
- L’AI Act europeo è in vigore dal 1 agosto 2024: vieta l’identificazione biometrica remota in tempo reale a fini di polizia negli spazi pubblici, salvo le eccezioni previste dal testo, e tratta come ad alto rischio molti altri usi biometrici.
Le origini della visione artificiale
Negli anni Sessanta i computer erano macchine enormi e costose, con una capacità di calcolo minima rispetto a quella di uno smartphone attuale. La curiosità scientifica spingeva comunque verso un’idea che all’epoca sembrava quasi fantascienza: far «vedere» le macchine.
I primi studi si concentravano su operazioni elementari come il rilevamento dei bordi e la segmentazione di forme geometriche. Il filtro di Sobel e il filtro di Prewitt, messi a punto tra la fine degli anni Sessanta e i primi anni Settanta, furono tra i primi tentativi di estrarre informazione strutturale da un’immagine. Funzionavano con una convoluzione elementare applicata a immagini in scala di grigi, per individuare le variazioni di intensità luminosa. Riconoscere un soggetto complesso come una persona o un animale restava un obiettivo lontano, ma quelle tecniche costruivano il fondamento teorico dei decenni successivi.
Negli anni Ottanta la ricerca ricevette un impulso decisivo dai lavori di David Marr, che propose una rappresentazione della visione a più livelli: uno schizzo primario con bordi e contorni, uno schizzo 2.5D con profondità e orientamento delle superfici, e infine un modello tridimensionale completo. L’idea influenzò la progettazione degli algoritmi di riconoscimento perché mostrava la percezione visiva come una sequenza di trasformazioni gerarchiche.
Negli anni Novanta arrivarono le prime reti neurali convoluzionali (CNN), grazie al lavoro di Yann LeCun. Il modello LeNet-5, del 1998, fu applicato al riconoscimento di cifre scritte a mano, ma contiene già gli ingredienti delle reti attuali: filtri convoluzionali che estraggono caratteristiche locali, condivisione dei pesi che riduce il numero di parametri da apprendere, strati successivi che compongono forme sempre più complesse.
Prima dell’affermazione del deep learning, il riconoscimento dei soggetti poggiava su descrittori progettati a mano. SIFT (Scale-Invariant Feature Transform), introdotto da David Lowe nel 1999, individuava punti chiave stabili rispetto a variazioni di scala e rotazione. HOG (Histogram of Oriented Gradients), proposto nel 2005 da Navneet Dalal e Bill Triggs per il rilevamento dei pedoni, descriveva la forma di un oggetto attraverso la distribuzione delle direzioni dei gradienti. Erano metodi molto efficaci per il loro tempo, ma richiedevano che un ricercatore decidesse in anticipo quali caratteristiche contassero, e questo limitava la capacità di generalizzare a soggetti e condizioni nuovi.
Un altro passo avanti fu il rilevatore di volti di Viola e Jones, presentato nel 2001. Combinava feature semplici calcolate in tempo molto breve con una cascata di classificatori, e permise per la prima volta di trovare i volti in tempo reale su hardware ordinario. Da quella famiglia di algoritmi discendono i primi sistemi di rilevamento dei volti nelle fotocamere compatte.
Dataset, ImageNet e la svolta del deep learning
Nello sviluppo del riconoscimento visivo i dataset hanno contato quanto gli algoritmi. Caltech-101, presentato nel 2004 da Li Fei-Fei, Rob Fergus e Pietro Perona, raccoglie circa 9.000 immagini in 101 categorie di oggetti più una classe di sfondo, con un numero di immagini per categoria compreso tra 40 e 800 circa. Offrì per la prima volta una base comune su cui confrontare i metodi. Pascal VOC, avviato nel 2005, aggiunse annotazioni con bounding box e una procedura di valutazione condivisa per il rilevamento di oggetti. ImageNet, presentato nel 2009, portò la scala a oltre 14 milioni di immagini annotate in più di ventimila categorie.
Alla base di ImageNet nacque la competizione ImageNet Large Scale Visual Recognition Challenge (ILSVRC), che per anni ha fatto da banco di prova. Nel 2012 AlexNet, una CNN profonda addestrata su GPU da Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton, ridusse l’errore top-5 da circa il 26% del secondo classificato a circa il 15%. Fu il segnale che il deep learning superava nettamente i descrittori costruiti a mano, e da quell’anno quasi tutta la ricerca sul riconoscimento visivo si spostò sulle reti neurali profonde.
Il percorso complessivo si legge in tre blocchi. Dagli anni Sessanta agli anni Novanta dominano filtri e geometria, nei primi anni Duemila descrittori progettati a mano abbinati a classificatori statistici, dal 2012 in poi reti profonde che imparano le caratteristiche direttamente dai dati. Questa evoluzione procede a scatti, e ogni scatto dipende dalla coincidenza di tre condizioni: idee teoriche, dati abbondanti e potenza di calcolo.
Evoluzione tecnologica e milestone nell’object detection
Riconoscere un soggetto significa spesso anche localizzarlo, e in alcuni casi ritagliarne il contorno con precisione. Il compito di individuare gli oggetti presenti in un’immagine, indicandone posizione e classe, prende il nome di object detection.
Nei primi anni Duemila il metodo dominante era la sliding window: l’immagine veniva percorsa da una finestra a dimensione fissa, e ogni regione era valutata da un classificatore come una Support Vector Machine (SVM) addestrata su feature HOG. L’approccio era onesto ma lento, perché richiedeva di analizzare migliaia di finestre a più scale.
Nel 2014 R-CNN (Regions with CNN features), di Ross Girshick e colleghi, cambiò impostazione. Invece di esaminare ogni finestra possibile, generava un numero limitato di proposte di regioni e le classificava con una CNN. Sul benchmark Pascal VOC 2012 raggiunse una mAP del 53,3%, con un miglioramento relativo superiore al 30% rispetto al miglior risultato precedente. Restava però lento, perché richiedeva più fasi di addestramento separate.
Fast R-CNN (2015) unificò classificazione e regressione delle bounding box in un’unica rete, mentre Faster R-CNN introdusse il Region Proposal Network (RPN), che genera le proposte con la stessa rete usata per riconoscere. Con questi modelli il rilevamento divenne un processo end-to-end, e la famiglia fu estesa nel 2017 da Mask R-CNN, che aggiunge la segmentazione del contorno dell’oggetto.
Nel 2015 comparve YOLO (You Only Look Once), presentato alla conferenza CVPR del 2016. Tratta il rilevamento come un problema di regressione: la rete osserva l’immagine una sola volta, la divide in una griglia e predice direttamente coordinate e classi. Gli autori dichiarano 45 fotogrammi al secondo per il modello base e 155 per la variante Fast YOLO, un’elaborazione abbastanza veloce da seguire un video in tempo reale. Dalla prima versione sono seguite molte revisioni, tra cui YOLOv3, YOLOv5 e YOLOv8, fino alle serie più recenti usate in applicazioni industriali e in sistemi embedded.
SSD (Single Shot MultiBox Detector) propose un compromesso simile a quello di YOLO, con una gestione migliore degli oggetti di scala diversa grazie a mappe di feature a più risoluzioni. Nel 2020 DETR (Detection Transformer), di Nicolas Carion e colleghi di Facebook AI Research, portò i transformer nell’object detection: formula il rilevamento come predizione diretta di un insieme di oggetti, elimina componenti progettate a mano come la soppressione dei non massimi e la generazione di anchor, e sul dataset COCO raggiunge prestazioni confrontabili con Faster R-CNN.
Le fasi principali si riassumono in quattro epoche: le feature manuali (HOG, SIFT), le CNN con proposte di regioni (R-CNN e derivati), i modelli in tempo reale (YOLO, SSD) e i transformer (DETR). Ogni epoca ha spostato in avanti il compromesso tra velocità e accuratezza, trasformando il riconoscimento dei soggetti da esercizio accademico in tecnologia industriale.
Come funziona oggi un sistema di riconoscimento
Un rilevatore moderno si compone di tre parti. Il backbone è una rete convoluzionale o un transformer che trasforma i pixel in mappe di caratteristiche, via via più astratte. Un secondo blocco, spesso chiamato neck, combina le mappe a diverse risoluzioni, così che un oggetto piccolo e uno grande vengano trattati con lo stesso rigore. La testa di rilevamento, infine, produce per ogni candidato una bounding box, una classe e un punteggio di confidenza.
Poiché la rete propone spesso più riquadri per lo stesso oggetto, molti sistemi applicano un passaggio di soppressione dei non massimi, che tiene il riquadro più sicuro e scarta quelli molto sovrapposti. Architetture come DETR evitano questo passaggio assegnando a ogni oggetto una sola predizione in fase di addestramento.
La qualità si misura con due grandezze. L’IoU (Intersection over Union) è il rapporto tra l’area di intersezione e l’area di unione tra riquadro previsto e riquadro reale: vale 1 quando coincidono e 0 quando non si toccano. La mAP (mean Average Precision) media la precisione su tutte le classi e su una o più soglie di IoU. Il benchmark COCO, per esempio, calcola la media su soglie di IoU comprese tra 0,5 e 0,95, e per questo premia i sistemi che localizzano bene l’oggetto.
Un modello apprende da migliaia o milioni di immagini annotate. La data augmentation moltiplica gli esempi con rotazioni, ritagli, variazioni di luminosità e contrasto, mentre il transfer learning riparte da una rete già addestrata su un dataset ampio, come ImageNet, e la adatta a un dominio specifico con pochi dati. Per questo oggi si può costruire un riconoscitore di una singola specie di uccello o di un particolare modello di veicolo senza ricominciare da zero.
L’evoluzione è stata resa possibile dall’hardware specializzato. Le GPU e, più di recente, acceleratori come le TPU consentono di addestrare modelli con centinaia di milioni di parametri su dataset di milioni di immagini, e hanno portato l’esecuzione dei modelli leggeri anche su smartphone e fotocamere.
Gli errori più comuni hanno cause ricorrenti. Gli oggetti molto piccoli o parzialmente nascosti vengono mancati, soggetti con pose insolite risultano ambigui, e un cambio di condizioni rispetto ai dati di addestramento, come nebbia, controluce o immagini notturne, può far calare in modo netto l’accuratezza. Questo fenomeno, detto domain shift, spiega perché un modello molto preciso su un benchmark possa deludere in un contesto reale.
Persone, animali e veicoli: dataset e applicazioni
Persone, animali e veicoli sono tre ambiti distinti ma strettamente collegati nella storia della visione artificiale. Ognuno ha richiesto approcci specifici, dataset dedicati e soluzioni tecniche mirate, perché le caratteristiche visive e le variabili ambientali sono molto diverse.
Dataset storici e moderni
Dopo i dataset generalisti già citati, ogni ambito ha prodotto raccolte specializzate. Per i soggetti naturali, iNaturalist (sfida del 2017) propone immagini scattate da osservatori in contesti reali, con una distribuzione molto sbilanciata verso poche specie comuni e una lunga coda di specie rare. Questo costringe i modelli a gestire occlusioni, mimetismo e variabilità di luce, condizioni molto lontane da quelle controllate dei primi benchmark.
Per i veicoli, la spinta è arrivata dalla videosorveglianza urbana e soprattutto dalla guida autonoma. KITTI (2012) e Cityscapes (2016) forniscono immagini catturate da telecamere montate su veicoli, con annotazioni per auto, camion, biciclette e pedoni. Più di recente MEVDT (Multi-Modal Event-based Vehicle Detection and Tracking), pubblicato nel 2024, ha introdotto un approccio diverso: 63 sequenze di scene stradali reali con circa 13.000 immagini in scala di grigi, circa 5 milioni di eventi registrati da una camera ibrida DAVIS 240c e circa 10.000 etichette di oggetti. Le camere a eventi non producono fotogrammi interi ma registrano i singoli cambiamenti di luminosità, e questo le rende adatte a condizioni di luce difficili e movimenti rapidi.
Tecniche di annotazione e sfide
Le annotazioni si sono evolute dalle semplici bounding box ai keypoints per le pose umane e alle maschere di segmentazione per la segmentazione semantica, che assegna una classe a ogni pixel. Nel caso delle persone la sfida principale è la variabilità di postura, abbigliamento e illuminazione. Per gli animali pesano la diversità morfologica e gli sfondi complessi. I veicoli sono più uniformi nella struttura, ma cambiano molto con la prospettiva e vengono spesso occlusi in ambito urbano.
La generalizzazione è il banco di prova decisivo. I modelli addestrati su dataset controllati falliscono spesso in contesti reali, dove la luce, il movimento e la densità degli oggetti variano senza regole. Per attenuare il problema si ricorre alla data augmentation e al transfer learning, ma nessuna delle due soluzioni sostituisce dati di addestramento raccolti nelle condizioni in cui il sistema lavorerà davvero.
Applicazioni storiche e contemporanee
Per le persone le prime applicazioni sono state la videosorveglianza e il controllo accessi, poi estese all’identificazione biometrica basata sul volto. Negli anni Dieci queste tecnologie sono entrate in aeroporti e spazi pubblici, sollevando questioni etiche e normative ancora aperte.
Il riconoscimento degli animali ha un ruolo crescente nella conservazione della biodiversità: analizzare le immagini delle fototrappole, contare gli individui di una specie, riconoscere un singolo animale dai suoi segni distintivi. Anche progetti come Earth Species Project estendono l’idea oltre le immagini, verso l’analisi dei segnali bioacustici.
Per i veicoli l’applicazione più rilevante è la guida autonoma, che richiede il riconoscimento e anche la previsione del movimento degli altri utenti della strada. I sistemi di guida assistita e autonoma combinano reti neurali con sensori diversi. Alcune aziende, come Waymo, integrano le telecamere con LIDAR e radar, mentre altre, come Tesla, puntano su un approccio basato soprattutto sulle telecamere.
Visti dall’alto, i tre filoni procedono in parallelo e tendono a convergere, perché i modelli moderni addestrati su dati molto vari riconoscono più classi contemporaneamente. Sono diventati tecnologia di uso quotidiano in settori che vanno dalla sicurezza alla mobilità, fino alla tutela ambientale.
Il riconoscimento dei soggetti in fotografia
Per un fotografo il risultato più concreto di questa storia è l’autofocus con riconoscimento del soggetto. Molte fotocamere mirrorless recenti, di diversi produttori, usano reti neurali per riconoscere persone, volti e occhi, e in molti modelli anche animali e veicoli. Il sistema individua il soggetto, ne segue il movimento fotogramma dopo fotogramma e sposta l’area di messa a fuoco di conseguenza. Il principio è quello dell’object detection descritto sopra, adattato per funzionare su un processore interno alla fotocamera e con tempi di risposta di pochi centesimi di secondo.
La stessa tecnologia lavora anche dopo lo scatto. I software di gestione e sviluppo usano il riconoscimento dei soggetti per proporre maschere automatiche di cielo, persone e sfondi, per catalogare le immagini per contenuto e per ricercare una fotografia scrivendo una parola chiave invece di scorrere cartelle. Per un archivio fotografico grande, come quelli dei giornali o dei musei, significa ridurre di molto il tempo di catalogazione.
Funzionalità del genere hanno limiti precisi. Il riconoscimento funziona meglio con soggetti ben visibili e contrastati, e peggio con soggetti piccoli nel fotogramma, parzialmente coperti, in controluce o in condizioni di luce scarsa. In fotografia sportiva e naturalistica conviene perciò conoscere il comportamento del proprio sistema e verificare in anticipo come reagisce a soggetti ravvicinati o a più soggetti sovrapposti. Il fotografo resta chi decide la composizione: l’algoritmo individua il soggetto più probabile, e può non coincidere con quello che si vuole mettere a fuoco.
Sfide etiche e regole: dal dibattito all’AI Act
La storia del riconoscimento dei soggetti comprende un lungo confronto con questioni etiche, sociali e giuridiche. Quando il riconoscimento facciale si è diffuso in contesti pubblici, a partire dagli anni Dieci, sono emerse preoccupazioni legate alla privacy, alla sorveglianza di massa e al rischio di discriminazione algoritmica.
Prime regolamentazioni e dibattito pubblico
Nel maggio 2019 San Francisco è diventata la prima grande città statunitense a vietare l’uso del riconoscimento facciale da parte della polizia e delle agenzie cittadine, citando i rischi per i diritti civili. Poco prima, nel 2018, lo studio Gender Shades di Joy Buolamwini e Timnit Gebru aveva misurato le prestazioni di tre sistemi commerciali di classificazione del genere: le donne con la pelle più scura risultavano il gruppo più spesso classificato in modo errato, con tassi di errore fino al 34,7%, mentre per gli uomini con la pelle più chiara l’errore massimo era dello 0,8%. La causa principale stava nei dataset di addestramento, sbilanciati nella composizione dei soggetti.
Il dibattito si è intensificato con la diffusione di sistemi di videosorveglianza intelligente in vari paesi, tra cui la Cina, che hanno posto la questione dell’uso del riconoscimento per il controllo sociale e spinto organizzazioni internazionali a chiedere linee guida etiche.
L’AI Act europeo e le categorie di rischio
Il punto di svolta normativo è l’AI Act europeo, entrato in vigore il 1 agosto 2024 e applicabile in generale dal 2 agosto 2026, con diverse eccezioni graduate nel tempo. Il regolamento classifica i sistemi in base al rischio: pratiche vietate (rischio inaccettabile), sistemi ad alto rischio, obblighi di trasparenza per alcuni usi e rischio minimo per tutti gli altri. Le pratiche vietate si applicano dal 2 febbraio 2025 e comprendono l’identificazione biometrica remota in tempo reale in spazi accessibili al pubblico a fini di attività di contrasto, entro i limiti e con le eccezioni stabilite dal testo. Un’ulteriore pratica vietata, sulla generazione di immagini intime o di materiale pedopornografico, si applica dal dicembre 2026.
I sistemi ad alto rischio, tra cui rientrano molti usi dell’identificazione biometrica remota e delle applicazioni in ambito lavorativo e scolastico, sono soggetti a obblighi di documentazione tecnica, gestione del rischio e sorveglianza umana. Il regolamento europeo del luglio 2026 noto come Digital Omnibus on AI ha spostato le date di applicazione per questa categoria: dal 2 dicembre 2027 per gli usi elencati nell’allegato III e dal 2 agosto 2028 per i sistemi integrati in prodotti regolamentati. Resta in vigore l’obbligo di valutare l’impatto sui diritti fondamentali (FRIA) per alcune categorie di utilizzatori di sistemi ad alto rischio, e va coordinato con la valutazione d’impatto sulla protezione dei dati prevista dal GDPR (DPIA).
Sfide etiche persistenti
Il quadro normativo non esaurisce i problemi. Il riconoscimento degli animali solleva questioni sull’uso dei dati in contesti ecologici sensibili, per esempio quando la posizione di specie protette viene resa nota. Nel caso dei veicoli, la guida autonoma pone dilemmi sulle decisioni da prendere in situazioni di emergenza, sintetizzati nel celebre «trolley problem» applicato alla mobilità.
Un’altra dimensione critica è l’alfabetizzazione sull’intelligenza artificiale: la capacità di utenti e istituzioni di capire come funzionano questi sistemi e dove falliscono. Senza questa conoscenza si rischia un’adozione acritica, che amplifica vulnerabilità e disuguaglianze.
Implicazioni storiche
Ogni fase dell’evoluzione tecnologica ha incontrato le proprie difficoltà. Negli anni Sessanta il problema principale era la scarsità di dati e di calcolo, oggi è la gestione responsabile di una tecnologia potente e diffusa. L’AI Act segna il passaggio da linee guida volontarie e regolamenti locali a una norma vincolante che definisce limiti e responsabilità. L’equilibrio tra innovazione e tutela dei diritti resta instabile e continuerà a evolversi, ma le tappe normative degli ultimi anni hanno fissato punti fermi per la governance delle tecnologie di visione artificiale.
Domande frequenti
Che differenza c’è tra classificazione, rilevamento e segmentazione delle immagini?
La classificazione assegna un’etichetta all’immagine intera, per esempio «contiene un cane». Il rilevamento indica dove si trova ogni oggetto con una bounding box e una classe. La segmentazione assegna una classe a ogni pixel, e arriva quindi al contorno preciso del soggetto.
Che cosa significa mAP e perché conta?
La mAP è la precisione media calcolata su tutte le classi e, nei benchmark più rigorosi come COCO, su più soglie di sovrapposizione tra riquadro previsto e reale. Riassume in un solo numero sia la capacità di trovare gli oggetti sia la precisione con cui li localizza.
Perché un modello preciso nei test può sbagliare nella pratica?
Perché le condizioni reali differiscono da quelle dei dati di addestramento. Luce diversa, soggetti parzialmente coperti, sfondi inediti o angolazioni rare fanno calare l’accuratezza. Per questo la qualità dei dati e la loro varietà pesano quanto l’architettura del modello.
Come fa una fotocamera a riconoscere animali e veicoli?
Usa una rete neurale addestrata su molte immagini delle categorie da riconoscere, eseguita da un processore dedicato dentro la fotocamera. Il sistema individua il soggetto, ne segue lo spostamento e guida l’autofocus. La qualità del risultato dipende dal contrasto del soggetto, dalla luce e dalla sua dimensione nel fotogramma.
Il riconoscimento facciale è vietato in Europa?
L’AI Act vieta l’identificazione biometrica remota in tempo reale negli spazi pubblici a fini di polizia, salvo le eccezioni indicate dal regolamento. Altri usi del riconoscimento biometrico rientrano tra i sistemi ad alto rischio e sono soggetti a obblighi stringenti, e restano applicabili le norme sulla protezione dei dati personali.
Che cos’è un dataset di addestramento e perché ne servono tanti?
È una raccolta di immagini annotate con le informazioni che il modello deve imparare, come classi e posizioni degli oggetti. Dataset diversi servono a coprire ambiti diversi, dalle specie animali alle scene stradali, e a rendere il modello capace di funzionare anche in situazioni nuove.
Per il quadro generale dell’evoluzione tecnica si veda la sezione La tecnologia fotografica.
Fonti
- VisionPlatform: comprendere il riconoscimento delle immagini
- Deep Learning Italia: l’evoluzione della computer vision
- GeeksforGeeks: modelli di object detection
- Girshick e altri: R-CNN, rich feature hierarchies (arXiv)
- Redmon e altri: YOLO, rilevamento in tempo reale (arXiv)
- Carion e altri: DETR, object detection con i transformer (arXiv)
- Buolamwini e Gebru: Gender Shades (PMLR, 2018)
- Commissione europea: quadro normativo sull’intelligenza artificiale
Aggiornato Ottobre 2026




