Herausforderungen der Video-Anonymisierung in Smart-City-Umgebungen: Balance zwischen Überwachung und Datenschutz

Mateusz Zimoch
8.7.2025

Mit zunehmender Digitalisierung urbaner Räume stellt die Verbreitung von Überwachungskameras und automatisierten Monitoringsystemen ein erhebliches Datenschutzdilemma dar. Smart Cities sind auf umfangreiche visuelle Datenerfassung angewiesen, um Verkehrsmanagement, Sicherheit und städtische Dienstleistungen zu verbessern – aber zu welchem Preis für die Privatsphäre des Einzelnen? Mit Fahrzeugen, die mit 360-Grad-Kameras ausgestattet sind und Straßen scannen sowie Bilder von geparkten Autos aufnehmen, um Parkgebühren zu überprüfen, verschwimmt die Grenze zwischen öffentlicher Sicherheit und Verletzung der Privatsphäre zunehmend.

Die Herausforderungen der Video-Anonymisierung in diesen Umgebungen gehen weit über einfache technische Hürden hinaus. Sie umfassen komplexe rechtliche Anforderungen gemäß DSGVO, ethische Überlegungen zur Überwachung und die praktische Implementierung datenschutzfördernder Technologien. Da Kommunen ihre intelligenten Verkehrssysteme (IVS) ausbauen, war es noch nie so wichtig, ein Gleichgewicht zwischen effektiver Überwachung und dem Schutz des Grundrechts der Bürger auf Privatsphäre zu finden.

Dieser Artikel untersucht die vielschichtigen Herausforderungen der Video-Anonymisierung in intelligenten städtischen Umgebungen und bietet Einblicke, wie Städte die Compliance wahren und gleichzeitig visuelle Daten für verbesserte Dienstleistungen nutzen können.

Welche Datenschutzrisiken bergen Überwachungssysteme in Smart Cities?

Die Überwachungsinfrastruktur in Smart Cities schafft beispiellose Datenschutzrisiken für die Bürger. Hochauflösende Kameras an Kreuzungen, im öffentlichen Nahverkehr und in Fahrzeugen zur Parkraumüberwachung erfassen Gesichtsmerkmale, Kennzeichen und Verhaltensmuster ohne ausdrückliche Zustimmung der Aufgezeichneten. Diese Systeme arbeiten oft kontinuierlich und schaffen umfangreiche Sammlungen identifizierbarer personenbezogener Daten.

Der Umfang der Datenerfassung ist besonders besorgniserregend. Eine typische mittelgroße Stadt könnte Tausende von Kameras in ihrer Infrastruktur einsetzen, die potenziell täglich identifizierbare Informationen über Tausende von Personen erfassen. Ohne angemessene Anonymisierung entsteht ein umfassendes Überwachungsnetzwerk, das die Bewegungen, Gewohnheiten und Kontakte der Bürger verfolgen kann.

Wenn dieses Bildmaterial mit Dritten geteilt wird – sei es mit kommunalen Unternehmen, Medien oder beauftragten Dienstleistern – vervielfacht sich das Risiko von Datenschutzverletzungen exponentiell. Jede Weitergabe ungeschützter visueller Daten erhöht das Potenzial für unbefugten Zugriff oder Missbrauch.

Eine flauschige weiße Wolke schwebt in einem minimalistischen Betonraum mit Treppe und wirft Schatten im Sonnenlicht, das durch eine Öffnung strömt.

Wie wirkt sich die DSGVO auf Videoüberwachung im öffentlichen Raum aus?

Die Datenschutz-Grundverordnung (DSGVO) klassifiziert Gesichtsbilder und Kennzeichen als personenbezogene Daten, was bedeutet, dass sie eindeutig unter den regulatorischen Schutz fallen. Artikel 5 der DSGVO legt Grundprinzipien der Datenminimierung und Zweckbindung fest, die sich direkt darauf auswirken, wie Videoüberwachung in Smart-City-Umgebungen implementiert und verwaltet werden kann.

Für Kommunen und ihre Auftragnehmer bedeutet dies die Implementierung technischer und organisatorischer Maßnahmen, um sicherzustellen, dass aufgezeichnete Videos den Datenschutzanforderungen entsprechen. Videomaterial muss rechtmäßig, transparent und nur für festgelegte Zwecke verarbeitet werden. Darüber hinaus müssen Organisationen darauf vorbereitet sein, Anfragen auf Auskunft gemäß Artikel 15 zu erfüllen, die Einzelpersonen das Recht geben, auf ihre von diesen Systemen erfassten personenbezogenen Daten zuzugreifen.

Verstöße gegen die Compliance haben erhebliche Konsequenzen. Neben potenziellen Bußgeldern von bis zu 4% des weltweiten Jahresumsatzes riskieren Organisationen einen Vertrauensverlust in der Öffentlichkeit und mögliche Klagen von betroffenen Personen.

Eine belebte Straßenszene in Schwarzweiß mit Fußgängern, Autos und hohen Gebäuden. Entlang des Bürgersteigs stehen blattlose Bäume.

Was sind die technischen Herausforderungen bei der Echtzeit-Gesichtsverschleierung in der Videoüberwachung?

Die Implementierung einer effektiven Gesichtsverschleierung in dynamischen Videoumgebungen stellt mehrere technische Hürden dar. Herkömmliche Anonymisierungsmethoden haben oft Schwierigkeiten mit Echtzeitverarbeitungsanforderungen, variablen Lichtbedingungen und mehreren sich bewegenden Subjekten in unterschiedlichen Entfernungen zu Kameras.

Rechenressourcen stellen eine weitere erhebliche Einschränkung dar. Die Echtzeit-Videoverarbeitung erfordert erhebliche Rechenleistung, insbesondere bei der gleichzeitigen Verarbeitung mehrerer hochauflösender Videostreams. Diese Herausforderung wird in mobilen Anwendungen wie Fahrzeugen zur Parkraumüberwachung verstärkt, die möglicherweise über begrenzte On-Board-Verarbeitungskapazitäten verfügen, während sie erhebliche Mengen an Filmmaterial generieren.

Darüber hinaus erfordert die Aufrechterhaltung der Anonymisierungsgenauigkeit bei gleichzeitiger Bewahrung der Videoqualität für den beabsichtigten Analysezweck ausgeklügelte Algorithmen, die zwischen schutzbedürftigen Elementen (Gesichter, Kennzeichen) und solchen, die für die Analyse benötigt werden (Fahrzeugtypen, Verkehrsmuster, Parkraumnutzung), unterscheiden können.

Die Silhouette einer Überwachungskamera, die auf einem Mast vor einem bewölkten Himmel montiert ist, wobei die Sonne im Hintergrund teilweise sichtbar ist.

Kann KI die Video-Anonymisierungsprozesse verbessern?

Künstliche Intelligenz hat die Möglichkeiten der Video-Anonymisierung durch fortschrittliche Objekterkennungs- und Tracking-Algorithmen revolutioniert. Moderne KI-Systeme können Gesichter und Kennzeichen mit bemerkenswerter Genauigkeit identifizieren und unkenntlich machen, selbst unter schwierigen Bedingungen wie teilweiser Verdeckung oder schlechter Beleuchtung.

Machine-Learning-Modelle verbessern sich kontinuierlich durch Training mit vielfältigen Datensätzen und ermöglichen so den Umgang mit der Variabilität in realen Überwachungsszenarien. Diese Systeme können mehrere Objekte gleichzeitig verarbeiten und gleichzeitig eine zuverlässige Verfolgung über Frames hinweg gewährleisten, was eine konsistente Anonymisierung während einer Videosequenz sicherstellt.

On-Premise-KI-Lösungen bieten besondere Vorteile für datenschutzsensible Anwendungen, indem sie alle Daten lokal verarbeiten, ohne sie an externe Cloud-Server zu übertragen. Dieser Ansatz minimiert die Exposition ungeschützter personenbezogener Daten und nutzt gleichzeitig fortschrittliche Anonymisierungsfunktionen.

Vier an einer Wand montierte Überwachungskameras, die in die gleiche Richtung ausgerichtet sind, mit unscharfem Laub im Vordergrund.

Was ist der reale Fall von Parküberwachungskameras und Datenschutz?

Betrachten wir ein modernes Parküberwachungssystem: Fahrzeuge, die mit mehreren Kameras ausgestattet sind, patrouillieren kontinuierlich durch die Stadtstraßen, fotografieren automatisch geparkte Autos und erfassen Kennzeichen. KI-Algorithmen gleichen diese Kennzeichen dann mit Zahlungsdatenbanken ab, um Fahrzeuge ohne gültige Parkgenehmigungen oder Zahlungen zu identifizieren.

Ohne angemessene Anonymisierung schaffen diese Systeme riesige Datenbanken mit Fahrzeugstandorten, die möglicherweise sensible Informationen über die Bewegungen, Gewohnheiten und Verbindungen von Personen preisgeben. Die regelmäßigen Parkplätze einer Person könnten ihren Arbeitsplatz, besuchte Gesundheitseinrichtungen oder religiöse Institutionen offenlegen.

Datenschutzkonforme Implementierungen erfordern das automatische Unkenntlichmachen aller personenidentifizierbaren Informationen mit Ausnahme der spezifischen zu überprüfenden Kennzeichen, mit strengen Datenaufbewahrungsrichtlinien, die sicherstellen, dass Bilder gelöscht werden, sobald ihr unmittelbarer Zweck erfüllt ist.

Luftaufnahme einer Stadt bei Nacht, die beleuchtete Straßen und Gebäude in einem komplexen Gittermuster zeigt.

Wie findet man die Balance zwischen Videoanalysebedürfnissen und Datenschutzanforderungen?

Das richtige Gleichgewicht zwischen analytischem Nutzen und Datenschutz erfordert ein sorgfältiges Systemdesign. Effektive Lösungen verwenden oft Ansätze zur differentiellen Privatsphäre, die aggregierte Muster bewahren, während individuelle Identitäten verschleiert werden.

Ein vielversprechender Ansatz umfasst die Verarbeitung von Videos in mehreren Phasen: eine erste Phase, die benötigte Analysedaten (wie Fahrzeugzählungen oder Verkehrsfluss-Muster) extrahiert, gefolgt von sofortiger Anonymisierung vor jeglicher Speicherung oder Weitergabe. Diese Methodik stellt sicher, dass personenidentifizierbare Informationen niemals in permanenten Aufzeichnungen existieren.

Organisationen müssen auch angemessene Zugangskontrollen implementieren, die einschränken, wer nicht-anonymisiertes Filmmaterial einsehen kann, mit umfassenden Prüfpfaden, die jede Zugriffsinstanz dokumentieren. Diese technischen Schutzmaßnahmen sollten durch klare Richtlinien zur Datennutzung, -aufbewahrung und -weitergabe ergänzt werden.

Luftaufnahme eines Parkplatzes mit geparkten Autoreihen. Eine Person geht mit einem Telefon in der Hand zwischen den Autos hindurch. Schwarz-Weiß-Bild.

Was sind die besten Praktiken zur Anonymisierung von Überwachungsaufnahmen vor der Weitergabe an Dritte?

Vor der Übertragung von Videos an Dritte – seien es kommunale Unternehmen, Medien oder beauftragte Dienstleister – ist eine gründliche Anonymisierung unerlässlich. Dies sollte die automatische Erkennung und Unkenntlichmachung aller Gesichter und Kennzeichen umfassen, mit Überprüfungsprozessen, um sicherzustellen, dass keine identifizierbaren Informationen verbleiben.

Grundsätze der Datenminimierung sollten die Weitergabepraktiken leiten. Nur Filmmaterial, das direkt für die legitimen Bedürfnisse des Dritten relevant ist, sollte übertragen werden, mit zeitlichen und räumlichen Einschränkungen, wann immer möglich. Wenn beispielsweise ein Bauunternehmen Verkehrsmusterdaten in der Nähe einer Baustelle benötigt, sollte es nur anonymisierte Aufnahmen von relevanten Kameras während relevanter Zeiträume erhalten.

Formelle Datenverarbeitungsvereinbarungen müssen mit allen Empfängern geschlossen werden, die erlaubte Verwendungen, erforderliche Sicherheitsmaßnahmen und Empfängerverantwortlichkeiten gemäß DSGVO klar darlegen. Diese Vereinbarungen sollten ausdrücklich jeden Versuch verbieten, den Anonymisierungsprozess rückgängig zu machen.

Ein Münzfernglas steht an einer Uferpromenade, im Hintergrund sind eine verschwommene Stadtlandschaft und ein fliegender Vogel zu sehen. Schwarzweißbild.

Wie sollten Organisationen mit Anfragen auf Auskunft zu Videoaufnahmen umgehen?

Wenn Einzelpersonen ihr Recht auf Auskunft gemäß Artikel 15 der DSGVO ausüben, stehen Organisationen vor der komplexen Aufgabe, relevantes Filmmaterial zu identifizieren und bereitzustellen, während sie gleichzeitig die Privatsphäre anderer Personen schützen müssen, die möglicherweise in denselben Aufnahmen erscheinen.

Die Einrichtung eines rationellen Prozesses für die Bearbeitung dieser Anfragen ist unerlässlich. Dies umfasst typischerweise Verifizierungsverfahren zur Bestätigung der Identität des Anfragenden, Suchmechanismen zur Lokalisierung relevanter Aufnahmen und Überprüfungsprozesse, um sicherzustellen, dass die Privatsphäre anderer Personen durch geeignete Anonymisierungstechniken gewahrt bleibt.

Organisationen sollten automatisierte Tools implementieren, die eine bestimmte Person über mehrere Videoquellen hinweg basierend auf Suchparametern lokalisieren können und dann selektive Anonymisierung anwenden, die in den bereitgestellten Aufnahmen alle außer der anfragenden betroffenen Person schützt.

Schwarzweißbild einer an einer Gebäudewand montierten Überwachungskamera, nach oben gerichtet, mit einem bewölkten Himmel im Hintergrund.

Welche Anonymisierungslösungen funktionieren am besten für intelligente Verkehrssysteme (IVS)?

Intelligente Verkehrssysteme erfordern Anonymisierungslösungen, die große Mengen an Videodaten verarbeiten können, ohne die Analysefähigkeiten zu beeinträchtigen. On-Premise-Softwarelösungen bieten in diesem Kontext besondere Vorteile, indem sie sensible Daten innerhalb des Sicherheitsperimeters der Organisation halten und gleichzeitig die notwendigen Verarbeitungsfunktionen bereitstellen.

Effektive IVS-Anonymisierung verwendet typischerweise einen mehrschichtigen Ansatz, mit verschiedenen Zugriffsebenen und Anonymisierung, die je nach spezifischem Anwendungsfall angewendet werden. Zum Beispiel könnte die Verkehrsflussanalyse vollständig anonymisierte Daten verwenden, während die Parkraumüberwachung unter streng kontrollierten Bedingungen Zugriff auf bestimmte Kennzeichen benötigen könnte.

Integrationsfähigkeiten sind ebenfalls entscheidend, da Anonymisierungslösungen nahtlos mit der bestehenden IVS-Infrastruktur zusammenarbeiten müssen, einschließlich verschiedener Kameratypen, Netzwerkkonfigurationen und Analysesoftware.

Belebte Straße in einer Stadt mit alten Gebäuden, Hängelampen und Fußgängern. Die Szene ist in Schwarzweiß.

Wie können Kommunen die DSGVO-Konformität in Videoüberwachungssystemen sicherstellen?

Kommunen sollten mit umfassenden Datenschutz-Folgenabschätzungen (DSFA) beginnen, bevor sie Videoüberwachungssysteme implementieren oder erweitern. Diese Bewertungen identifizieren potenzielle Datenschutzrisiken und etablieren Maßnahmen zur Risikominderung, bevor Systeme in Betrieb gehen.

Die Implementierung von Privacy-by-Design-Prinzipien stellt sicher, dass Schutzmaßnahmen von Grund auf in Systeme integriert werden, anstatt sie nachträglich hinzuzufügen. Dazu gehören standardmäßige Anonymisierungseinstellungen, strenge Zugangskontrollen und angemessene Datenaufbewahrungsrichtlinien.

Regelmäßige Compliance-Audits und Schulungsprogramme für Mitarbeiter sind ebenso wichtig für die Aufrechterhaltung der DSGVO-Konformität. Da sich regulatorische Interpretationen weiterentwickeln und neue Technologien entstehen, müssen sich auch die Datenschutzmaßnahmen entsprechend anpassen.

Luftaufnahme eines dicht besiedelten Stadtgebiets mit engen Straßen und dicht gedrängten Gebäuden, die ein komplexes, labyrinthartiges Muster bilden. Schwarzweiß.

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

Die Zukunft der Video-Anonymisierung wird wahrscheinlich durch Fortschritte im Edge Computing geprägt sein, was eine anspruchsvollere Verarbeitung direkt auf Kameras oder lokalen Geräten ermöglicht, bevor Daten übertragen oder gespeichert werden. Dieser Ansatz minimiert Datenschutzrisiken, indem sichergestellt wird, dass personenbezogene Daten den Erfassungspunkt niemals ohne Schutz verlassen.

Wir können auch nuanciertere Anonymisierungstechniken erwarten, die den analytischen Wert bewahren und gleichzeitig den Datenschutz verbessern. Anstelle von einfachem Unkenntlichmachen könnten zukünftige Systeme fortschrittliche Techniken wie den synthetischen Ersatz identifizierbarer Merkmale durch computergenerierte Alternativen einsetzen, die die Gesamtgenauigkeit der Szene beibehalten.

Da sich Datenschutzvorschriften weltweit weiterentwickeln, werden wir wahrscheinlich eine größere Standardisierung von Video-Anonymisierungsanforderungen und -technologien sehen, möglicherweise einschließlich Zertifizierungsprogrammen, die die Wirksamkeit datenschutzfördernder Lösungen validieren.

Möchten Sie sicherstellen, dass Ihre Smart-City-Initiativen vollständig konform bleiben und gleichzeitig den Datennutzen maximieren? Laden Sie unsere Demo herunter, um zu sehen, wie Gallio Pro Videomaterial automatisch anonymisieren kann, während analytische Fähigkeiten erhalten bleiben. Kontaktieren Sie uns noch heute, um Ihre spezifischen Herausforderungen bei der Video-Anonymisierung zu besprechen und zu erfahren, wie unsere On-Premise-Lösungen Ihnen helfen können, Innovation und Datenschutz in Einklang zu bringen.

Zwei schaufensterpuppenartige Figuren stehen sich unter einem Galgenmikrofon in einer Graustufenumgebung gegenüber.

Referenzliste

  1. Europäischer Datenschutzausschuss (2020). Leitlinien 3/2019 zur Verarbeitung personenbezogener Daten durch Videogeräte. Version 2.0. Verfügbar unter: https://edpb.europa.eu/sites/default/files/consultation/edpb_guidelines_201903_videosurveillance.pdf Europäisches Parlament und Rat (2016). Verordnung (EU) 2016/679 des Europäischen Parlaments und des Rates vom 27. April 2016 zum Schutz natürlicher Personen bei der Verarbeitung personenbezogener Daten und zum freien Datenverkehr (Datenschutz-Grundverordnung). Amtsblatt der Europäischen Union, L 119/1. Informationsbeauftragter (2025). Leitlinien zur Videoüberwachung (einschließlich Videoüberwachung). Verfügbar unter: https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/cctv-and-video-surveillance/guidance-on-video-surveillance-including-cctv/ Europäischer Datenschutzbeauftragter (2024). Leitlinien zur Videoüberwachung. Verfügbar unter: https://www.edps.europa.eu/data-protection/data-protection/reference-library/video-surveillance_en Britische Regierung (2020). Datenschutz-Folgenabschätzungen für Überwachungskameras. Innenministerium. Verfügbar unter: https://www.gov.uk/government/publications/data-protection-impact-assessments-for-surveillance-cameras Van Zoonen, L. (2016). Datenschutzbedenken in Smart Cities. Government Information Quarterly, 33(3), 472–480. Kitchin, R. (2014). Die Echtzeit-Stadt? Big Data und Smart Urbanism. GeoJournal, 79(1), 1-14. Vanolo, A. (2014). Smartmentality: Die Smart City als Disziplinarstrategie. Urban Studies, 51(5), 883-898. Hashem, I. A. T., Chang, V., Anuar, N. B., Adewole, K., Yaqoob, I., Gani, A., ... & Chiroma, H. (2016). Die Rolle von Big Data in der Smart City. International Journal of Information Management, 36(5), 748-758. Shi, Y., Xu, G., Liu, B., & Chen, R. (2020). Videoanonymisierung und Anwendungen. Signal Processing, 168, 107384. De Lange, M., & De Waal, M. (2013). Die Stadt im Griff: Neue Medien und Bürgerbeteiligung in der Stadtplanung. First Monday, 18(11). Hukkelås, H., & Lindseth, F. (2020). DeepPrivacy: Ein generatives Adversarial Network zur Gesichtsanonymisierung. Im International Symposium on Visual Computing (S. 565–575). Springer. Ren, Z., Lee, Y. J., & Ryoo, M. S. (2018). Lernen, Gesichter zu anonymisieren, um datenschutzwahrende Aktionserkennung zu ermöglichen. Im Proceedings der European Conference on Computer Vision (ECCV) (S. 639–655). Verfügbar unter: https://arxiv.org/abs/1803.11556 Ribaric, S., Ariyaeeinia, A., & Pavesic, N. (2016). De-Identifizierung zum Schutz der Privatsphäre in Multimedia-Inhalten: Eine Studie. Signal Processing: Image Communication, 47, 131–151.Li, T. & Lin, L. (2019). AnonymousNet: Natürliche Gesichtsanonymisierung mit messbarem Datenschutz. Proceedings der IEEE/CVF-Konferenz zu Computer Vision und Mustererkennungs-Workshops. Newton, E. M., Sweeney, L. & Malin, B. (2005). Schutz der Privatsphäre durch Anonymisierung von Gesichtsbildern. IEEE Transactions on Knowledge and Data Engineering, 17(2), 232–243. Brighter AI (2025). Tiefe natürliche Anonymisierung für datenschutzfreundliche Computer Vision. Verfügbar unter: https://brighter.ai/ Sightengine (2024). Videoanonymisierung im großen Maßstab: Schutz der Privatsphäre. Verfügbar unter: https://sightengine.com/video-anonymization Irisity (2025). IRIS™ Videoanonymisierungstechnologie. Verfügbar unter: https://irisity.com/iris-platform-overview/anonymization/ Parquery (2024). DSGVO-konforme Smart-Parking-Lösungen. Verfügbar unter: https://parquery.com/parquery-and-gdpr/ Smart Parking Ltd (2024). Datenschutzrichtlinie für personenbezogene Daten. Verfügbar unter: https://www.smartparking.com/uk/personal-data-privacy-policy Eurocities (2021). Datenschutz in der Smart City. Verfügbar unter: https://eurocities.eu/latest/privacy-in-the-smart-city/ Joshi, N. (2023). Wie Smart-City-Verwaltungen die Parkraumüberwachung digitalisieren. LinkedIn. Verfügbar unter: https://www.linkedin.com/pulse/how-smart-city-governments-digitizing-parking-naveen-joshi Europäische Kommission (2025). Wann ist eine Datenschutz-Folgenabschätzung (DSFA) erforderlich? Verfügbar unter: https://commission.europa.eu/law/law-topic/data-protection/rules-business-and-organisations/obligations/when-data-protection-impact-assessment-dpia-required_en GDPR.eu (2023). Leitfaden und Vorlage zur Datenschutz-Folgenabschätzung (DSFA). Verfügbar unter: https://gdpr.eu/data-protection-impact-assessment-template/ Kamara, I. & De Hert, P. (2018). Verständnis des Balanceakts hinter dem berechtigten Interesse des Verantwortlichen: Ein pragmatischer Ansatz. Arbeitspapier des Brussels Privacy Hub, 4(6). Rahman, M. S. (2020). Die Rolle des Verantwortlichen bei der Bestimmung „hoher Risiken“ und der Datenschutz-Folgenabschätzung (DSFA) bei der Entwicklung digitaler Smart Cities. Informations- und Kommunikationstechnologierecht, 29(3), 321–344. Clarke, R. (2016). Big Data, große Risiken. Information Systems Journal, 26(1), 77–90. Zuboff, S. (2019). Das Zeitalter des Überwachungskapitalismus: Der Kampf um eine menschliche Zukunft an der neuen Grenze der Macht. PublicAffairs. Lyon, D. (2018). Die Kultur der Überwachung: Beobachten als Lebensform. Polity Press. Micheli, M., Ponti, M., Craglia, M., & Berti Suman, A. (2020). Neue Modelle der Datenverwaltung im Zeitalter der Datafizierung. Big Data & Society, 7(2), 1–15. Finn, R. L., Wright, D., & Friedewald, M. (2013). Sieben Arten von Privatsphäre. Im europäischen Datenschutz: Erwachsenwerden (S. 3–32). Springer. DIN EN 62676-4 (2015). Videoüberwachungssysteme für Sicherheitsanwendungen – Teil 4: Anwendungsrichtlinien. Deutsches Institut für Normung. ISO/IEC 27001 (2022). Informationssicherheits-Managementsysteme – Anforderungen. Internationale Organisation für Normung. IEC TS 62045 (2020). Multimedia-Sicherheit – Leitfaden zum Schutz der Privatsphäre von Geräten und Systemen während und außerhalb der Nutzung. Internationale Elektrotechnische Kommission. GitHub – ORB-HD/deface (2024). Videoanonymisierung durch Gesichtserkennung. Verfügbar unter: https://github.com/ORB-HD/deface VIDIO.AI (2025). KI-Gesichtsanonymisierer – Gesichter in Videos anonymisieren. Verfügbar unter: https://www.vidio.ai/tools/ai-face-anonymizer Folio3 AI (2022). Face Blur AI – Lösung zur Gesichtsanonymisierung. Verfügbar unter: https://www.folio3.ai/face-blur-ai/ Datenschutzmanager (2022). 5-Schritte-Anleitung zur Überprüfung der DSGVO-Konformität Ihrer Videoüberwachung. Verfügbar unter: https://dataprivacymanager.net/five-step-guide-to-gdpr-compliant-cctv-video-surveillance/ VUB Law Research Group (2025). Eine Typologie von Smart-City-Diensten: Der Fall der Datenschutz-Folgenabschätzung. Government Information Quarterly, 37(1), 145–162.