Umfassender Leitfaden zur Video-Anonymisierung: Schutz der Privatsphäre bei gleichzeitiger Werterhaltung der Daten

Bartłomiej Kurzeja
10.7.2025

In der heutigen überwachungsreichen Umgebung sind Videoaufnahmen in öffentlichen Räumen, Unternehmensumgebungen und sogar privaten Einrichtungen allgegenwärtig geworden. Während diese Aufzeichnungen legitimen Zwecken wie Sicherheit und Analyse dienen, erfassen sie gleichzeitig sensible personenbezogene Daten, die unter strenge DSGVO-Bestimmungen fallen. Die Video-Anonymisierung hat sich als entscheidende Lösung für diese Datenschutz-Herausforderung entwickelt und ermöglicht es Organisationen, visuelle Daten zu nutzen und gleichzeitig die Persönlichkeitsrechte zu respektieren.

Da die Datenschutzbestimmungen weltweit verschärft werden, ist die Frage, wie man Videos anonymisieren kann, für Unternehmen aller Branchen von größter Bedeutung geworden. Die unsachgemäße Handhabung identifizierbarer Informationen in Videoinhalten kann zu schwerwiegenden Strafen führen, wobei DSGVO-Bußgelder bis zu 20 Millionen Euro oder 4% des weltweiten Jahresumsatzes erreichen können. Dieser Leitfaden untersucht umfassende Ansätze zur Video-Anonymisierung, von traditionellen Methoden bis hin zu modernsten KI-gestützten Lösungen, die die Einhaltung der Vorschriften gewährleisten und gleichzeitig den Nutzen der Daten bewahren.

Person, die an einem runden Tisch auf einem Laptop tippt, trägt eine Uhr und gestreifte Hemdsärmel. Schwarz-Weiß-Bild.

Was ist Video-Anonymisierung und warum ist sie für die DSGVO-Konformität unerlässlich?

Video-Anonymisierung ist der Prozess des Entfernens oder Verschleierns personenbezogener Daten (PII) aus Videomaterial, einschließlich Gesichter, Nummernschilder und anderer identifizierender Merkmale. Dieses technische Verfahren verwandelt Aufnahmen mit personenbezogenen Daten in anonymisierte Inhalte, die gespeichert, verarbeitet oder analysiert werden können, ohne die Persönlichkeitsrechte zu beeinträchtigen.

Gemäß Artikel 4 der DSGVO umfassen personenbezogene Daten ""alle Informationen, die sich auf eine identifizierte oder identifizierbare natürliche Person beziehen"". Dies schließt ausdrücklich Gesichtsbilder und andere visuelle Identifikatoren ein, die in Videos erfasst werden. Durch die Implementierung geeigneter Anonymisierungstechniken können Organisationen diese Aufnahmen effektiv aus dem Geltungsbereich der DSGVO entfernen, da wirklich anonymisierte Daten nach der Verordnung nicht mehr als personenbezogene Daten gelten.

Im Gegensatz zur Pseudonymisierung, die rückgängig gemacht werden kann, verändert eine echte Anonymisierung die Daten dauerhaft in einer Weise, die eine Re-Identifizierung verhindert, selbst wenn sie mit zusätzlichen Informationen kombiniert werden. Diese Unterscheidung ist für die Compliance entscheidend, da nur ordnungsgemäß anonymisierte Daten nicht unter die strengen DSGVO-Anforderungen für die Verarbeitung personenbezogener Daten fallen.

Eine schwarze Überwachungskamera an einer Wand mit einem Binärcodemuster im Hintergrund.

Welche Schlüsseltechniken gibt es für die Gesichtsverschleierung in Videoinhalten?

Die Gesichtsverschleierung stellt die häufigste und erkennbarste Form der Video-Anonymisierung dar. Es existieren mehrere Techniken mit unterschiedlichen Effektivitätsgraden und Rechenanforderungen:

Gauß'sche Unschärfe wendet eine mathematische Funktion an, die einen weichen Unschärfeeffekt über Gesichtsregionen erzeugt und dadurch identifizierende Merkmale wirksam verdeckt, während die allgemeine Präsenz einer Person erhalten bleibt. Diese Methode bietet ein Gleichgewicht zwischen Datenschutz und Kontextbewusstsein im Filmmaterial.

Pixelierung (Mosaikeffekt) ersetzt Gesichtsbereiche durch große, farbige Quadrate, die detaillierte Merkmale vollständig maskieren. Obwohl sie visuell störender als die Gauß'sche Unschärfe ist, bietet die Pixelierung eine stärkere Anonymisierung für Hochrisikoszenarien, in denen eine vollständige Gesichts-Deidentifizierung erforderlich ist.

Fortschrittlichere Techniken umfassen das Ersetzen von Gesichtern durch Avatare oder stilisierte Darstellungen, das Anwenden von einfarbigen Masken oder den Einsatz von Deep-Learning-Methoden, die synthetische Ersetzungen generieren können, während ein natürliches Erscheinungsbild erhalten bleibt. Die geeignete Technik hängt vom spezifischen Anwendungsfall und dem erforderlichen Datenschutzniveau ab.

Black and white image of a classic alarm clock on a dark surface, showing 10:10, against a plain background.

Wie funktioniert die automatische Kennzeichenverschleierung bei der Videoverarbeitung?

Die Kennzeichenverschleierung ist unerlässlich für Videoaufnahmen in öffentlichen Räumen, insbesondere für Organisationen, die Dashcams, Sicherheitskameras mit Blick auf Parkbereiche oder Straßenüberwachung nutzen. Moderne Kennzeichen-Anonymisierungssysteme verwenden spezialisierte Texterkennung (OCR), die speziell für die Erkennung und Verarbeitung alphanumerischer Zeichen auf Fahrzeugkennzeichen entwickelt wurde.

Der Prozess folgt typischerweise drei Hauptschritten: Erkennung des Kennzeichenbereichs innerhalb von Frames, Erkennung der Kennzeichenzeichen und Anwendung geeigneter Unschärfe- oder Maskierungseffekte. Fortschrittliche Systeme können Kennzeichen über mehrere Frames hinweg verfolgen und so eine konsistente Anonymisierung während einer Videosequenz gewährleisten, selbst wenn sich Fahrzeuge durch die Szene bewegen.

Lokale Software-Lösungen für die Kennzeichen-Anonymisierung bieten erhebliche Vorteile für Organisationen mit strengen Datensicherheitsanforderungen, da sie die Notwendigkeit eliminieren, sensibles Filmmaterial zur Verarbeitung an externe Server zu übertragen. Dieser Ansatz behält die vollständige Kontrolle über die Daten bei und gewährleistet die Einhaltung von Datenlokalisierungsanforderungen, die in bestimmten Rechtsordnungen gelten können.

Eine Collage aus Nummernschildern verschiedener US-Bundesstaaten, darunter Utah, New Jersey, Massachusetts und weitere, in einem Gittermuster angeordnet. Schwarzweiß.

Welche Vorteile bietet KI-gestützte Video-Anonymisierung gegenüber manuellen Methoden?

Traditionelle manuelle Anonymisierung umfasst die Frame-für-Frame-Bearbeitung durch menschliche Bediener, ein Prozess, der für große Mengen an Videoinhalten schnell unpraktisch wird. KI-gestützte Lösungen revolutionieren diesen Workflow durch Automatisierung und bieten mehrere überzeugende Vorteile:

  • Drastische Reduzierung der Verarbeitungszeit, wobei KI-Systeme in der Lage sind, stundenlange Aufnahmen in Minuten statt in Tagen zu anonymisieren
  • Konsistente Anwendung von Datenschutzmaßnahmen über alle Frames hinweg, wodurch menschliche Fehler oder Übersehen eliminiert werden
  • Skalierbarkeit für die Verarbeitung massiver Videoarchive oder kontinuierliche Verarbeitung eingehender Aufnahmen
  • Fortschrittliche Tracking-Fähigkeiten, die die Anonymisierung aufrechterhalten, während sich Subjekte durch Szenen bewegen

Moderne Deep-Learning-Modelle erreichen bemerkenswerte Genauigkeit bei der Erkennung von Gesichtern und anderen Identifikatoren unter verschiedenen Lichtbedingungen, Winkeln und teilweisen Verdeckungen. Diese Systeme verbessern sich kontinuierlich durch Training mit diversen Datensätzen und übertreffen zunehmend die menschliche Leistung bei gleichzeitiger Verarbeitung von Inhalten mit Maschinengeschwindigkeit.

Eine Person mit Guy-Fawkes-Maske und Kapuzenpullover steht auf einer verschneiten Straße mit geparkten Autos und Wohnhäusern und schaut auf ein Smartphone.

Kann lokale Video-Anonymisierungssoftware bessere Datensicherheit bieten?

Lokale Anonymisierungslösungen bieten deutliche Sicherheitsvorteile, indem sie sensible Videodaten während des gesamten Verarbeitungsworkflows in der kontrollierten Umgebung einer Organisation belassen. Dieser Ansatz eliminiert Übertragungsrisiken, die mit Cloud-basierten Alternativen verbunden sind, und bietet vollständige Transparenz bezüglich der Datenverarbeitungspraktiken.

Mit einer lokalen Bereitstellung behalten Organisationen die volle Kontrolle über Sicherheitsmaßnahmen, einschließlich Netzwerkisolation, Zugriffskontrollen und kryptografischen Schutzmaßnahmen. Dieser lokalisierte Verarbeitungsansatz ist besonders wertvoll für Organisationen, die unter strengen Datensouveränitätsanforderungen arbeiten oder besonders sensible Inhalte wie Sicherheitsaufnahmen aus eingeschränkten Bereichen verarbeiten.

Lösungen wie Gallio Pro bieten Anonymisierungsfunktionen auf Unternehmensebene mit den Leistungsvorteilen moderner KI, während die gesamte Datenverarbeitung innerhalb des sicheren Perimeters der Organisation bleibt. Dieser ausgewogene Ansatz erfüllt sowohl technische Anforderungen für effiziente Verarbeitung als auch Compliance-Anforderungen für Datensicherheit.

Person typing on a laptop, wearing a suit jacket. The image is in black and white, focusing on hands and keyboard.

Wie unterstützt die Video-Anonymisierung das Prinzip der Datenminimierung der DSGVO?

Artikel 5(1)(c) der DSGVO etabliert Datenminimierung als grundlegendes Prinzip und verlangt, dass personenbezogene Daten ""dem Zweck angemessen und erheblich sowie auf das für die Zwecke der Verarbeitung notwendige Maß beschränkt sein"" müssen. Die Video-Anonymisierung unterstützt dieses Prinzip direkt, indem sie unnötige identifizierende Informationen entfernt, während die kontextuellen und verhaltensbezogenen Daten erhalten bleiben, die legitime Geschäftsanforderungen erfüllen.

Durch die Implementierung automatisierter Anonymisierungs-Workflows können Organisationen systematisch angemessene Datenschutzmaßnahmen auf Basis vordefinierter Regeln anwenden, die mit spezifischen Verarbeitungszwecken übereinstimmen. Dies stellt sicher, dass nur die minimal notwendigen personenbezogenen Daten aufbewahrt werden, wodurch Compliance-Risiken reduziert werden, während wertvolle Videoanalysen weiterhin möglich sind.

In praktischen Anwendungen könnte dies bedeuten, Gesichter in Szenarien der Einzelhandelsanalyse zu verschleiern, wo nur Bewegungsmuster und Kundenzahlen benötigt werden, oder Armaturenbrett-Kameraaufnahmen für Verkehrsanalysen zu anonymisieren, während die Sichtbarkeit von Straßenverhältnissen und Fahrzeugbewegungen erhalten bleibt.

Person, die eine Gesichtsmaske trägt und eine Kamera ans Auge hält, scheinbar um ein Foto aufzunehmen.

Welche Branchen profitieren am meisten von automatisierten Video-Anonymisierungslösungen?

Während Datenschutzanforderungen praktisch alle Sektoren betreffen, stehen einige Branchen vor besonders komplexen Herausforderungen bezüglich Videodaten, die automatisierte Anonymisierung besonders wertvoll machen:

Einzelhandelsumgebungen erfassen umfangreiche Kundenaufnahmen für Sicherheit, Merchandising-Analyse und Geschäftsoptimierung. Anonymisierung ermöglicht es Einzelhändlern, diese visuellen Daten für Erkenntnisse über Verkehrsfluss, Produktinteraktion und betriebliche Effizienz zu nutzen, ohne die Privatsphäre der Kunden zu gefährden oder Einwilligungsanforderungen auszulösen.

Transport- und Logistikunternehmen, die Fahrzeugkameras nutzen, profitieren von der Anonymisierung, die die Privatsphäre von Fußgängern, anderen Fahrern und der Öffentlichkeit schützt, während kritische Daten für Sicherheitsanalysen, Routenoptimierung und Vorfalluntersuchungen erhalten bleiben. Dieser ausgewogene Ansatz unterstützt sowohl betriebliche Bedürfnisse als auch Compliance-Anforderungen.

Smart-City-Initiativen mit Überwachung öffentlicher Räume unterliegen besonders strenger Prüfung hinsichtlich Datenschutzmaßnahmen. Automatisierte Anonymisierung ermöglicht es Gemeinden, die Stadtplanung zu verbessern, Infrastruktur zu überwachen und die öffentliche Sicherheit zu erhöhen, während sie verantwortungsvolle Datenverwaltung und Respekt für die Privatsphäre der Bürger demonstrieren.

Eine Person in weißem Outfit und Maske geht an einer Backsteinmauer vorbei, die mit zahlreichen Überwachungskameras bedeckt ist.

Wie implementiert man Echtzeit-Video-Anonymisierung für Live-Feeds?

Echtzeit-Anonymisierung stellt einzigartige technische Herausforderungen dar, bietet aber erhebliche Vorteile für Anwendungen, die sofortigen Datenschutz erfordern. Die Implementierung effektiver Echtzeit-Lösungen erfordert:

  • Hochleistungs-Rechenressourcen, oft einschließlich GPU-Beschleunigung, um Videoframes mit Aufnahmegeschwindigkeit zu verarbeiten
  • Optimierte Erkennungsalgorithmen, die Verarbeitungsgeschwindigkeit priorisieren und gleichzeitig akzeptable Genauigkeit beibehalten
  • Effizientes Speichermanagement zur Handhabung kontinuierlicher Videostreams ohne Leistungseinbußen
  • Robuste Fehlerbehandlung, die den Datenschutz auch bei Verarbeitungsproblemen gewährleistet

Organisationen, die Echtzeit-Anonymisierung implementieren, etablieren typischerweise Verarbeitungspipelines, die eingehende Videostreams erfassen, Erkennungs- und Anonymisierungseffekte mit minimaler Latenz anwenden und dann die geschützten Inhalte an geeignete Speicher- oder Betrachtungssysteme weiterleiten. Dieser Ansatz ist besonders wertvoll für Live-Überwachungsszenarien, bei denen sowohl sofortige Betrachtung als auch Datenschutz-Compliance erforderlich sind.

Durch die Verarbeitung von Inhalten am Edge vor der breiteren Verteilung können Organisationen sicherstellen, dass nur anonymisierte Versionen sensibler Aufnahmen jemals Überwachungsstationen oder Aufzeichnungssysteme erreichen. Entdecken Sie Gallio Pro für Lösungen, die sowohl Echtzeit- als auch Batch-Verarbeitungsanforderungen unterstützen.

Schild mit einem Augensymbol und dem Text „Video-überwacht“ an einer Backsteinmauer weist auf eine Videoüberwachung in der Umgebung hin.

Welche rechtlichen Anforderungen gelten für die Video-Anonymisierung unter der DSGVO?

Die DSGVO schreibt nicht explizit bestimmte Anonymisierungstechniken vor, legt aber klare Standards fest, was ordnungsgemäß anonymisierte Daten ausmacht. Gemäß der Artikel-29-Datenschutzgruppe (jetzt der Europäische Datenschutzausschuss) muss die Anonymisierung irreversibel und umfassend genug sein, um eine Re-Identifizierung durch direkte oder indirekte Mittel zu verhindern.

Organisationen müssen gründliche Risikobewertungen bei der Implementierung von Anonymisierungslösungen durchführen und dabei Faktoren wie folgende berücksichtigen:

  • Die Möglichkeit, Einzelpersonen auch nach der Anonymisierung zu identifizieren
  • Das Risiko, anonymisierte Daten mit anderen verfügbaren Informationen zu verknüpfen
  • Das Potenzial für Inferenzangriffe, die Identitäten durch Verhaltensmuster oder einzigartige Merkmale offenlegen könnten

Wenn die Anonymisierung diese strengen Anforderungen erfüllt, fallen die resultierenden Daten außerhalb des Geltungsbereichs der DSGVO, was die Compliance-Belastung erheblich reduziert. Allerdings stellt der Anonymisierungsprozess selbst eine Datenverarbeitung dar und muss bis zum Abschluss der Anonymisierung den DSGVO-Grundsätzen entsprechen.

Schwarzweißbild einer CCTV-Kamera, die auf einem Holzpfosten montiert ist und nach links zeigt. Unscharfer Hintergrund.

Wie bewertet man die Effektivität von Video-Anonymisierungssoftware?

Bei der Auswahl von Video-Anonymisierungslösungen sollten Organisationen sowohl technische Fähigkeiten als auch Compliance-Ausrichtung bewerten. Zu den wichtigsten Bewertungskriterien gehören:

Erkennungsgenauigkeitsraten messen die Fähigkeit des Systems, alle Instanzen personenbezogener Daten zu identifizieren, die Schutz erfordern. Hochwertige Lösungen sollten Erkennungsraten über 95% unter verschiedenen Videobedingungen erreichen, mit minimalen Falsch-Positiven, die nicht-personenbezogene Elemente unnötig verschleiern könnten.

Die Verarbeitungsleistung bestimmt, wie schnell das System Inhalte anonymisieren kann, ein kritischer Faktor für Organisationen, die große Videomengen verarbeiten. Die Bewertung sollte Tests mit repräsentativen Beispielaufnahmen einschließen, um realistische Durchsatzerwartungen für spezifische Hardware-Konfigurationen zu etablieren.

Integrationsfähigkeiten mit bestehenden Videomanagementsystemen, Speicherinfrastruktur und Workflow-Tools beeinflussen den Implementierungserfolg erheblich. Lösungen mit flexiblen APIs, Unterstützung für Standardformate und konfigurierbaren Ausgaben bieten typischerweise reibungslosere Implementierungserfahrungen.

Für lokale Lösungen sollten Hardware-Anforderungen und Skalierbarkeitsoptionen sorgfältig gegen organisatorische Ressourcen und zukünftige Wachstumsprognosen abgewogen werden. Kontaktieren Sie uns für detaillierte Spezifikationen und Kompatibilitätsinformationen für Ihre spezifische Umgebung.

Eine Reihe von Überwachungskameras ist an einer Wand montiert. Alle Kameras sind in die gleiche Richtung ausgerichtet und bilden ein symmetrisches Muster. Schwarzweißbild.

Welche zukünftigen Entwicklungen können wir in der Video-Anonymisierungstechnologie erwarten?

Das Feld der Video-Anonymisierung entwickelt sich weiterhin rapide, wobei mehrere aufkommende Technologien bereit sind, sowohl die Effektivität als auch die Effizienz zu verbessern. Fortschritte in neuronalen Netzwerkarchitekturen ermöglichen eine genauere Identifizierung von verdeckten, partiellen oder ungewöhnlichen Darstellungen von Gesichtern und anderen Identifikatoren, wodurch aktuelle Erkennungslücken geschlossen werden.

Synthetische Ersatztechnologien stellen vielleicht die bedeutendste Grenze dar, die über einfache Unschärfe hinausgeht, um sensible Elemente durch realistische, aber künstliche Alternativen zu ersetzen. Anstatt Gesichter nur zu verschleiern, generieren diese Systeme vollständig fiktive Gesichtsmerkmale, die natürlich erscheinen, aber keine Verbindung zu realen Personen haben.

Edge-Computing-Implementierungen bringen zunehmend Anonymisierungsfähigkeiten direkt zu Aufnahmegeräten und ermöglichen Privacy-by-Design-Ansätze, bei denen Aufnahmen anonymisiert werden, bevor sie jemals aufgezeichnet oder übertragen werden. Diese Verschiebung verändert grundlegend das Risikoprofil für Videosysteme, indem von vornherein die Erstellung identifizierbarer Inhalte verhindert wird.

Um an der Spitze dieser Entwicklungen zu bleiben und den effektivsten Datenschutz für Ihre Videoinhalte zu implementieren, laden Sie eine Demo unserer neuesten Anonymisierungslösungen herunter.

Schwarzweißbild eines dichten Programmcodes mit Textzeilen mit verschiedenen Funktionen und Variablen auf dunklem Hintergrund.

FAQ

Reicht das Verschleiern von Gesichtern aus, um der DSGVO zu entsprechen?

Das Verschleiern von Gesichtern allein reicht möglicherweise nicht für die vollständige DSGVO-Konformität in allen Szenarien aus. Während es den offensichtlichsten Identifikator behandelt, könnten andere Elemente wie markante Kleidung, Tattoos oder kontextuelle Informationen immer noch eine Identifizierung ermöglichen. Eine umfassende Anonymisierungsstrategie sollte alle potenziellen identifizierenden Faktoren auf Basis einer gründlichen Risikobewertung berücksichtigen.

Können anonymisierte Videos immer noch für Analysen nützlich sein?

Ja, ordnungsgemäß anonymisierte Videos behalten einen erheblichen analytischen Wert. Während die Identifizierung von Personen nicht mehr möglich ist, enthält das Material immer noch wertvolle Informationen über Bewegungsmuster, Belegungsgrade, Interaktion mit Objekten oder Umgebungen und allgemeine Verhaltenserkenntnisse, die viele Business-Intelligence-Anwendungen unterstützen.

Wie unterscheidet sich Video-Anonymisierung von Bild-Anonymisierung?

Die Video-Anonymisierung stellt zusätzliche Herausforderungen gegenüber der statischen Bildverarbeitung dar, einschließlich der Notwendigkeit, eine konsistente Anonymisierung über Frames hinweg aufrechtzuerhalten, bewegte Subjekte zu verfolgen und wesentlich größere Datenmengen zu verarbeiten. Videolösungen müssen auch zeitliche Beziehungen und variierende Sichtbarkeitsbedingungen berücksichtigen, während sich Subjekte durch Szenen bewegen.

Benötige ich eine Einwilligung, wenn Videos anonymisiert sind?

Ordnungsgemäß anonymisierte Videos, die eine Re-Identifizierung wirklich verhindern, fallen außerhalb des Geltungsbereichs der DSGVO und erfordern daher keine Einwilligung für die Verarbeitung. Allerdings stellen die anfängliche Aufzeichnung und der Anonymisierungsprozess selbst eine Verarbeitung personenbezogener Daten dar und benötigen eine rechtmäßige Grundlage nach der DSGVO, was Einwilligung oder eine andere Rechtsgrundlage sein könnte.

Was ist der Unterschied zwischen Echtzeit- und Batch-Video-Anonymisierung?

Die Echtzeit-Anonymisierung verarbeitet Videos während sie aufgenommen oder gestreamt werden, mit minimaler Verzögerung, was sie für Live-Überwachungsanwendungen geeignet macht. Die Batch-Verarbeitung behandelt voraufgezeichnete Inhalte, typischerweise mit höherer Genauigkeit, aber längeren Verarbeitungszeiten, geeignet für Archivmaterial oder nicht zeitkritische Anwendungen.

Kann die Anonymisierung bei Bedarf für legitime Zwecke rückgängig gemacht werden?

Echte Anonymisierung kann definitionsgemäß nicht rückgängig gemacht werden. Wenn eine potenzielle Umkehrung erforderlich ist, handelt es sich um Pseudonymisierung anstatt Anonymisierung, und die resultierenden Daten bleiben der DSGVO unterworfen. Organisationen, die sowohl Datenschutz als auch potenzielle Umkehrbarkeit benötigen, sollten sichere Pseudonymisierung mit strengen Zugriffskontrollen implementieren.

Wie oft sollte Video-Anonymisierungstechnologie aktualisiert werden?

Video-Anonymisierungslösungen sollten regelmäßig evaluiert und aktualisiert werden, um sich entwickelnde Erkennungsherausforderungen, Datenschutzstandards und regulatorische Interpretationen zu adressieren. Die meisten Organisationen sollten ihre Anonymisierungsfähigkeiten mindestens jährlich überprüfen, mit häufigeren Bewertungen nach signifikanten technologischen Fortschritten oder regulatorischen Änderungen.

Silhouette einer Person, die in einem schwach beleuchteten Raum an einem Schreibtisch mit mehreren Bildschirmen sitzt, auf denen zahlreiche kleine Bilder angezeigt werden.

Referenzliste

  1. Europäischer Datenschutzausschuss. (2020). Leitlinien 05/2020 zur Einwilligung gemäß Verordnung 2016/679. Verordnung (EU) 2016/679 (Datenschutz-Grundverordnung), Artikel 4, Artikel 5, Artikel 89. Artikel-29-Datenschutzgruppe. (2014). Stellungnahme 05/2014 zu Anonymisierungstechniken. Agentur der Europäischen Union für Cybersicherheit (ENISA). (2021). Datenpseudonymisierung: Fortgeschrittene Techniken und Anwendungsfälle. Information Commissioner's Office UK. (2021). Leitfaden zum KI-Audit-Framework. Ribaric, S., Ariyaeeinia, A., & Pavesic, N. (2016). De-Identifikation zum Datenschutz in Multimedia-Inhalten: Eine Übersicht. Signal Processing: Image Communication, 47, 131-151.