Sphärische Videoüberwachung und Fisheye-Kameras: Wie ein KI-Algorithmus mit verzerrten Bildern umgeht

TL;DR: Fisheye-Kameras und sphärische Kameras bieten ein sehr großes Sichtfeld, verzerren jedoch die Bildgeometrie durch Barrel Distortion bzw. tonnenförmige Verzeichnung. Dadurch kann die automatische Gesichtserkennung weniger zuverlässig sein - besonders an den Bildrändern, in Menschenmengen und bei schwachem Licht. Automatisierung bleibt sinnvoll, erfordert bei solchem Material aber eine Kontrolle durch den Operator. Gallio PRO macht Gesichter und Kfz-Kennzeichen in gespeicherten Fotos und Videos automatisch unkenntlich; alle übrigen Elemente können Sie im integrierten Editor manuell nachbearbeiten - lokal und ohne Speicherung von Logs.

Die Anonymisierung visueller Daten reduziert die Identifizierbarkeit von Personen und Fahrzeugen auf Fotos und Videoaufnahmen - in der Veröffentlichungspraxis meist durch Face Blurring und License Plate Blurring. Bei sphärischen Kameras und Fisheye-Kameras ist dieser Prozess anspruchsvoller, weil der Algorithmus kein geradlinig projiziertes Bild analysiert, sondern Material mit starker geometrischer Verzerrung. Für IT-Abteilungen, CCTV-Integratoren, Marketing-, PR- und Compliance-Teams ist das kein technisches Detail: Es beeinflusst direkt die Qualität der Erkennung, den Zeitaufwand für die manuelle Prüfung und das Risiko, Material zu veröffentlichen, in dem ein Gesicht oder ein Kennzeichen weiterhin lesbar bleibt.

Warum sind Fisheye-Bilder ein Problem für Detektionsalgorithmen?

Eine Fisheye-Kamera erfasst ein sehr großes Sichtfeld, häufig nahe 180 Grad - und in manchen Konfigurationen nach entsprechender Abbildung sogar noch mehr. Dieser Effekt entsteht auf Kosten einer nichtlinearen Raumabbildung: Gerade Linien an den Bildrändern werden deutlich gekrümmt, und Objekte verändern ihre Proportionen abhängig davon, wo sie sich im Verhältnis zur Bildmitte befinden.

Das zentrale Phänomen ist die Barrel Distortion, also die tonnenförmige Verzeichnung: Die Bildvergrößerung nimmt mit zunehmender Entfernung von der optischen Achse ab. Dadurch kann ein Gesicht am Bildrand optisch gestreckt, gestaucht oder gekrümmt wirken. Für ein Detektionsmodell ist das ein wesentliches Problem, weil die meisten Modelle überwiegend mit Bildern trainiert werden, deren Perspektive der klassischer Kameras ähnelt - nicht mit extrem deformierten sphärischen Projektionen.

Hier zeigt sich der Unterschied zwischen klassischer Videoüberwachung und sphärischer Überwachung. In einem Standardbild hat ein Gesicht eine relativ vorhersehbare Anordnung von Augen, Nase und Kontur. In einem Fisheye-Bild können diese räumlichen Beziehungen gestört sein. Je weiter sich ein Objekt vom Zentrum des Bildes entfernt befindet, desto höher ist das Risiko, dass die Erkennungsleistung sinkt.

Wie erkennt KI Gesichter in einem verzerrten Bild?

Moderne Systeme zur Anonymisierung visueller Daten arbeiten in der Regel mehrstufig. Zunächst sucht das Modell nach lokalen Merkmalen, die auf ein Gesicht oder ein Kennzeichen hindeuten. Danach klassifiziert es die erkannte Region und legt den Bereich fest, der unkenntlich gemacht werden soll. Bei Fisheye-Material funktioniert diese Pipeline nur dann zuverlässig, wenn die Eingangsqualität ausreicht und das Objekt nicht zu klein, zu stark verformt oder teilweise verdeckt ist.

In der Praxis kann der Algorithmus in der Bildmitte gute Ergebnisse liefern, an den Rändern aber schwächer werden. Das ist kein Implementierungsfehler, sondern eine natürliche Folge der Arbeit mit einem Bild, das nicht der Trainingsdatenverteilung entspricht, die für viele Computer-Vision-Modelle typisch ist. Organisationen, die Material aus solchen Quellen veröffentlichen, wählen deshalb meist einen konservativen Ansatz: Die automatische Erkennung beschleunigt die Arbeit, das Ergebnis sollte vor der Veröffentlichung jedoch geprüft werden - insbesondere bei 360-Grad-Deckenkameras, Panoramakameras in Fahrzeugen, Systemen in Hallen oder städtischen CCTV-Installationen.

Face Blurring bei Fisheye-Aufnahmen: Wo der Algorithmus gut funktioniert und wo die Leistung sinkt

Die besten Ergebnisse entstehen in der Regel dann, wenn das Gesicht relativ groß, frontal oder im Halbprofil aufgenommen, gut beleuchtet und näher an der Bildmitte positioniert ist. Die Zuverlässigkeit nimmt ab, wenn sich das Gesicht am Bildrand befindet, nur wenige Pixel einnimmt, teilweise verdeckt ist, in Bewegung aufgenommen wurde oder in einer Szene mit niedrigem Kontrast erscheint - diese Faktoren wirken kumulativ.

Bei Fisheye-Aufnahmen sind vier Situationen besonders problematisch: (1) Gesichter direkt am Bildrand; (2) Gesichter aus großer Höhe, zum Beispiel aus einer Deckenkamera; (3) dicht mit Menschen gefüllte Szenen, in denen sich Detektionsbereiche überlagern; (4) komprimiertes Material, bei dem feine Gesichtsmerkmale verloren gegangen sind.

Deshalb sollte Gallio PRO als On-Premise-Software zur Anonymisierung visueller Daten in Fotos und Videos verstanden werden - nicht als Werkzeug, das jeden Fall ohne Kontrolle durch einen Operator bedingungslos löst. Die automatische Erkennung von Gallio PRO umfasst ausschließlich Gesichter und Kfz-Kennzeichen. Die Software erkennt Logos, Tattoos, Namensschilder, Dokumente oder Inhalte auf Monitoren nicht automatisch. Solche Elemente werden im integrierten Editor manuell unkenntlich gemacht.

Empfohlener Workflow zur Anonymisierung von Fisheye-Videos in Gallio PRO - Schritt für Schritt

1. Importieren Sie das Material in Gallio PRO. Laden Sie ein gespeichertes Foto oder Video aus einer Fisheye- bzw. 360-Grad-Kamera hoch. Gallio PRO arbeitet mit Dateien, nicht mit Live-Streams und nicht in Echtzeit.
2. Optional: Prüfen Sie Dewarping vor der Detektion. Eine geometrische Korrektur kann die Erkennung von Gesichtern an den Bildrändern verbessern, fügt aber einen zusätzlichen Verarbeitungsschritt hinzu und kann Artefakte erzeugen. Die Entscheidung sollte auf Tests mit Ihrem eigenen Material beruhen.
3. Starten Sie die automatische Erkennung von Gesichtern und Kennzeichen. Gallio PRO macht Gesichter und Kfz-Kennzeichen automatisch unkenntlich - das sind die einzigen beiden Elementtypen, die automatisch erkannt werden.
4. Kontrollieren Sie Risikozonen. Prüfen Sie vor allem die Bildränder, Bereiche mit hoher Personendichte und schlecht beleuchtete Zonen. Dort ist die Detektion am wenigsten sicher.
5. Nehmen Sie manuelle Korrekturen im integrierten Editor von Gallio PRO vor, wenn der Algorithmus ein Gesicht oder Kennzeichen übersehen hat und das Objekt weiterhin identifizierbar ist. Dasselbe gilt für Elemente, die nicht automatisch erkannt werden, etwa Dokumente, Bildschirme, Namensschilder, Tattoos oder Logos.
6. Exportieren Sie das Material erst nach der abschließenden Kontrolle. Gallio PRO speichert keine Logs mit Detektionsdaten und keine personenbezogenen Daten.

Wenn Sie diesen Ablauf mit Aufnahmen aus Ihren eigenen Fisheye- oder 360-Grad-Kameras prüfen möchten, können Sie Gallio PRO kostenlos testen.

Wann ist eine manuelle Korrektur notwendig?

Bei verzerrtem Bildmaterial ist die manuelle Prüfung kein Zusatzschritt, sondern ein Standard für sichere Veröffentlichungen - insbesondere bei Aufnahmen aus einem einzelnen Fisheye-Objektiv ohne vorheriges Dewarping, bei Nachtaufnahmen und bei Aufnahmen aus großer Entfernung. Zwei Einschränkungen sind für technische Entscheider besonders wichtig: Gallio PRO macht keine ganzen Körper unkenntlich, sondern nur Gesichter und Kennzeichen, und es ist kein Tool zur Echtzeit-Anonymisierung oder zur Anonymisierung von Videostreams. Die Lösung ist für die Arbeit mit Fotos und gespeicherten Dateien vor der Veröffentlichung ausgelegt.

Dewarping oder direkte Detektion im Fisheye-Bild?

Es gibt zwei Ansätze. Der erste ist die Analyse des Bildes in der originalen Fisheye-Projektion. Dieser Prozess ist einfacher, weil keine zusätzlichen Versionen des Materials erzeugt werden, allerdings kann die Genauigkeit in extremen Bildbereichen niedriger sein. Der zweite Ansatz ist vorheriges Dewarping. Es verbessert die lokale Geometrie und erleichtert die Gesichtserkennung, fügt jedoch einen Verarbeitungsschritt hinzu und kann lokale Interpolationsartefakte verursachen. Die Wahl hängt vom Kameratyp, der Auflösung, der Szenendichte und den Anforderungen der Organisation ab. Wenn Material aus einer bestimmten Installation regelmäßig Schwierigkeiten bereitet, lohnt es sich, für ein On-Premise-Szenario und Tests mit realen Beispieldaten das Team zu kontaktieren.

Was beeinflusst die Qualität der Anonymisierung in der sphärischen Videoüberwachung?

Compliance-Aspekte bei der Veröffentlichung von Fotos und Videos

In Veröffentlichungsszenarien stellt ein auf einem Foto oder Video sichtbares Gesicht sehr häufig ein personenbezogenes Datum dar, weil es die Identifizierung einer natürlichen Person ermöglicht oder wahrscheinlich macht [1][2]. In der Compliance-Praxis gehen Organisationen daher oft davon aus, dass vor der Veröffentlichung zu prüfen ist, ob ein Bildnis anonymisiert werden sollte - es sei denn, es gibt eine klare Rechtsgrundlage für seine Offenlegung.

Die Pflicht, Gesichter unkenntlich zu machen, kann je nach Zweck der Verarbeitung und Art der Veröffentlichung aus der DSGVO, dem Zivilrecht sowie dem Urheberrecht folgen. Das Urheberrecht sieht jedoch Ausnahmen vom Erfordernis einer Einwilligung zur Verbreitung eines Bildnisses vor, insbesondere wenn:

• es sich um eine allgemein bekannte Person handelt und das Bildnis im Zusammenhang mit der Ausübung öffentlicher, gesellschaftlicher oder beruflicher Funktionen entstanden ist,
• das Bildnis der Person nur ein Detail eines Gesamtbildes darstellt, etwa einer Versammlung, einer Landschaft oder einer öffentlichen Veranstaltung,
• die Person eine vereinbarte Vergütung für das Posieren erhalten und nichts anderes vorbehalten hat.

Bei Kfz-Kennzeichen ist die europäische Praxis nicht einheitlich. Die Bewertung hängt vom Kontext und davon ab, ob die Nummer mit einer konkreten Person verknüpft werden kann. Die These, dass das Unkenntlichmachen von Kennzeichen in allen westeuropäischen Ländern aufgrund einheitlicher EU-Vorschriften verpflichtend sei, lässt sich so nicht halten. Auch in Polen ist die Situation nicht vollständig eindeutig: In manchen Fällen wird angenommen, dass ein Kennzeichen allein nicht immer ein personenbezogenes Datum darstellt; unter bestimmten Umständen kann es jedoch eine indirekte Identifizierung ermöglichen. Deshalb wählen viele Organisationen einen vorsichtigen Ansatz und setzen License Plate Blurring auch dann ein, wenn die rechtliche Bewertung vom konkreten Einzelfall abhängt.

Operative Sicherheit bei der Anonymisierung von Material

Für viele Organisationen ist neben der Detektionsqualität ebenso wichtig, ob das eingesetzte Tool selbst ein zusätzliches Datenschutzproblem erzeugt. Gallio PRO erfasst keine Logs, die Detektionen von Gesichtern und Kennzeichen enthalten, und keine Logs mit personenbezogenen Daten oder besonderen Kategorien personenbezogener Daten. Das ist relevant für Umgebungen, die operative Spuren im Zusammenhang mit der Verarbeitung visueller Materialien begrenzen möchten - passend zu den Anforderungen öffentlicher Stellen, CCTV-Integratoren und Unternehmen, die im On-Premise-Modell arbeiten, bei dem die Begrenzung von Datentransfers und die Minimierung von Metadaten zum Sicherheitsstandard gehören.

Wie Sie beurteilen, ob die automatische Detektion bei Fisheye-Aufnahmen ausreicht

Verlassen Sie sich nicht allein auf allgemeine Aussagen zur Erkennungsleistung, sondern testen Sie Ihr eigenes Material. Bereiten Sie eine Probe vor, die unterschiedliche Positionen von Gesichtern im Bild abdeckt - Zentrum und Ränder -, verschiedene Lichtverhältnisse, dichte und weniger dichte Szenen sowie, falls relevant, eine Version mit und ohne Dewarping. Vergleichen Sie die Zahl korrekt erkannter Gesichter mit den Auslassungen. Wenn an den Rändern viele Gesichter übersehen werden, ist der sichere Schluss nicht der Verzicht auf Automatisierung, sondern die Einführung einer verpflichtenden manuellen Prüfung für Material aus dieser Installation.

Fazit für Technik- und Compliance-Teams

Fisheye-Kameras erhöhen die Abdeckung einer Szene, erschweren aber die Gesichtserkennung aufgrund von Barrel Distortion und wechselnder Objektgröße im Bild. Die Automatisierung der Anonymisierung bleibt sinnvoll, weil sie die Arbeit mit großen Datenmengen erheblich verkürzt. Bei sphärischer Videoüberwachung sollte sie jedoch nicht als unbeaufsichtigter Prozess verstanden werden. Je stärker die Verzerrung, desto wichtiger ist die manuelle Kontrolle vor der Veröffentlichung.

Der sicherste Ansatz ist einfach: Automatisch ausschließlich Gesichter und Kfz-Kennzeichen erkennen und unkenntlich machen und anschließend dort manuell prüfen, wo Bildgeometrie, Beleuchtung oder Szenendichte die Modellleistung reduzieren können. So lässt sich das Fehlerrisiko senken, ohne ein falsches Gefühl vollständiger Automatisierung zu erzeugen.

FAQ - sphärische Videoüberwachung und Fisheye-Kameras

Senkt eine Fisheye-Kamera immer die Zuverlässigkeit der Gesichtserkennung?

Nicht immer. Die größten Probleme treten an den Bildrändern, bei kleinen Gesichtern, schwacher Beleuchtung und starker Kompression auf. In der Bildmitte ist die Erkennungsleistung häufig deutlich besser. Das genaue Ergebnis hängt vom konkreten Material ab.

Sollte man ein Fisheye-Bild vor der Anonymisierung zuerst korrigieren?

Manchmal ja. Dewarping kann die Geometrie von Gesichtern verbessern und die Detektion erleichtern, fügt aber einen weiteren Verarbeitungsschritt hinzu und kann Artefakte verursachen. Die Entscheidung sollte am besten auf Tests mit eigenen Aufnahmen beruhen.

Was erkennt Gallio PRO automatisch?

Die automatische Detektion umfasst ausschließlich Gesichter und Kfz-Kennzeichen. Gallio PRO erkennt Logos, Tattoos, Namensschilder, Dokumente oder Inhalte auf Monitoren nicht automatisch. Solche Elemente werden im integrierten Editor manuell unkenntlich gemacht.

Macht Gallio PRO ganze Körper unkenntlich?

Nein. Gallio PRO macht keine ganzen Körper unkenntlich. Die automatische Unkenntlichmachung betrifft Gesichter und Kfz-Kennzeichen.

Funktioniert Gallio PRO in Echtzeit auf einem Videostream?

Nein. Gallio PRO führt keine Echtzeit-Anonymisierung und keine Anonymisierung von Videostreams durch. Es ist für die Arbeit mit Material vor der Veröffentlichung vorgesehen.

Ist bei Fisheye-Aufnahmen eine manuelle Prüfung notwendig?

In der Praxis sehr häufig ja - besonders dann, wenn Gesichter nahe an den Bildrändern liegen, klein sind, teilweise verdeckt werden oder unter schwierigen Lichtbedingungen aufgenommen wurden.

Speichert das Tool Logs mit Detektionsdaten?

Nein. Gallio PRO erfasst keine Logs, die Detektionen von Gesichtern und Kfz-Kennzeichen enthalten, und keine Logs mit personenbezogenen Daten oder besonderen Kategorien personenbezogener Daten.

Weiterführende Materialien

• Anonymisierung von Videos mit Gallio PRO
• Kostenlose Demo von Gallio PRO
• Herausforderungen der Videoanonymisierung in Smart-City-Umgebungen
• Wann das Unkenntlichmachen von Gesichtern und Kennzeichen ausreichend wirksam ist - technische Parameter und Qualitätskontrolle

Dieser Text wurde vom Team von Gallio PRO erstellt - Spezialisten für Datenschutz und Video Engineering, die Anonymisierungssoftware für Sicherheitsbereiche, den öffentlichen Sektor und Medien entwickeln. Der Beitrag dient ausschließlich Informationszwecken und stellt keine Rechtsberatung dar.

Sie haben Aufnahmen aus Fisheye- oder 360-Grad-Kameras? Prüfen Sie die Detektionsqualität mit Ihrem eigenen Material.