ALPR / ANPR – Definition
ALPR und ANPR sind Abkürzungen, die synonym für Systeme zur automatischen Kennzeichenerkennung verwendet werden. ALPR steht für Automatic License Plate Recognition, ANPR für Automatic Number Plate Recognition. Gemeint ist in der Praxis eine Kombination aus Bildverarbeitungsmethoden, die ein Kfz-Kennzeichen auf einem Foto oder in einer Videoaufnahme erkennen, seinen Bereich lokalisieren und die Zeichen anschließend per OCR oder mit Modellen des maschinellen Lernens auslesen.
Im Zusammenhang mit der Anonymisierung von Fotos und Videoaufnahmen hat ALPR / ANPR eine doppelte Bedeutung. Erstens bezeichnet der Begriff eine Technik zur Identifikation von Kfz-Kennzeichen. Zweitens verweist er auf eine Verarbeitungskategorie, die zur Verarbeitung personenbezogener Daten führen kann, wenn das Kennzeichen die direkte oder indirekte Identifizierung einer natürlichen Person ermöglicht. Diese Sichtweise ergibt sich aus Art. 4 Nr. 1 DSGVO sowie aus der Auslegung des Begriffs der Identifizierbarkeit durch Datenschutzbehörden und die europäische Rechtsprechung.
Technisch arbeitet ein ALPR-/ANPR-System in der Regel in mehreren Schritten: Kennzeichendetektion, Bildnormalisierung, Segmentierung oder sequenzielle Zeichenerkennung, Validierung der Kennzeichensyntax und Speicherung des Ergebnisses. In Materialien, die zur Veröffentlichung oder externen Weitergabe bestimmt sind, kann derselbe Detektionsschritt nicht zum Auslesen, sondern zum Unkenntlichmachen des Kennzeichens verwendet werden. Diese Unterscheidung ist aus Compliance-Sicht wesentlich. Das Auslesen erweitert den Umfang der Verarbeitung. Die bloße Erkennung mit anschließender sofortiger Unkenntlichmachung kann hingegen den Grundsatz der Datenminimierung nach Art. 5 Abs. 1 lit. c DSGVO unterstützen.
Wann ALPR / ANPR zur Verarbeitung personenbezogener Daten wird
Nicht jedes Kfz-Kennzeichen stellt in jeder Situation automatisch ein personenbezogenes Datum dar. Die Bewertung hängt vom Kontext, vom Zweck und von der Möglichkeit ab, das Kennzeichen einer konkreten Person zuzuordnen. In den EU-Mitgliedstaaten überwiegt ein vorsichtiger Ansatz: Hat der Verantwortliche oder eine Stelle, mit der die Daten zusammengeführt werden können, eine reale Möglichkeit, den Halter oder Nutzer eines Fahrzeugs festzustellen, ist das Kennzeichen als Information über eine identifizierbare Person zu behandeln.
In Polen bestehen hierzu unterschiedliche Auslegungen. Einerseits sprechen die Praxis der polnischen Datenschutzaufsicht (UODO), des Europäischen Datenschutzausschusses (EDSA) sowie ein weites Verständnis der Identifizierbarkeit dafür, Kfz-Kennzeichen in bestimmten Kontexten als personenbezogene Daten einzuordnen. Andererseits wurde in Teilen der verwaltungsgerichtlichen Rechtsprechung angenommen, dass das Kennzeichen allein nicht immer ein personenbezogenes Datum darstellt. Für Foto- und Videomaterial, das veröffentlicht werden soll, ist die Anonymisierung von Kennzeichen der sicherere Ansatz – insbesondere dann, wenn das Bild des Fahrzeugs mit Ort, Zeit, Fahrtroute oder anderen identifizierenden Merkmalen verknüpft ist.
Von Bedeutung ist auch das Urteil des EuGH in der Rechtssache C-582/14 Breyer, in dem der Gerichtshof einen weiten Ansatz zur Identifizierbarkeit unter Einbeziehung zusätzlicher Informationen anderer Stellen bestätigt hat. Zwar betraf das Urteil keine Kfz-Kennzeichen, es ist jedoch für die Bewertung der mittelbaren Identifizierung relevant. In der Compliance-Praxis sollte ein Kennzeichen in Videomaterial daher ähnlich wie andere indirekte Identifikatoren analysiert werden.
Wie ALPR / ANPR bei der Verarbeitung von Fotos und Videoaufnahmen funktioniert
In modernen Systemen basiert die Kennzeichendetektion in der Regel auf Deep-Learning-Modellen. Das ist auch für die Anonymisierung entscheidend. Um Kennzeichen automatisch unkenntlich zu machen, wird zunächst ein trainiertes KI-Modell benötigt, das gelernt hat, die Position von Kennzeichen in unterschiedlichsten Bildern zu erkennen. Erst ein solches Modell kann anschließend operativ eingesetzt werden, um Kennzeichen in Videodateien oder Fotos zu erkennen und zu verdecken.
Eine typische technische Pipeline umfasst die folgenden Schritte:
- Objektdetektion – Bestimmung des Begrenzungsrahmens des Kennzeichens,
- Tracking zwischen Frames – Aufrechterhaltung einer konsistenten Maske im Videomaterial,
- optional OCR – Zeichenerkennung, wenn das Auslesen das Ziel ist,
- Anonymisierung – Weichzeichnung, Pixelierung oder vollständiges Abdecken des erkannten Bereichs,
- Qualitätskontrolle – Überprüfung auf fehlende Erkennungen und Fehlklassifikationen.
Bei Gallio PRO bezieht sich die Automatisierung ausschließlich auf Gesichter und Kfz-Kennzeichen in gespeicherten Medien, nicht auf Echtzeit-Anonymisierung oder Videostreams. Die Software erkennt Logos, Tätowierungen, Namensschilder, Dokumente oder Inhalte auf Monitoren nicht automatisch. Solche Elemente können im Editor manuell unkenntlich gemacht werden.
Wichtige Parameter und Kennzahlen für ALPR / ANPR
Die Bewertung eines ALPR-/ANPR-Systems erfordert eine klare Trennung zwischen der Qualität der Detektion und der Qualität des Auslesens. In Compliance-Anwendungen ist oft nicht eine perfekte OCR-Leistung entscheidend, sondern ein hoher Detection Recall, weil ein nicht erkanntes Kennzeichen unanonymisiert bleibt.
Die folgende Tabelle ordnet die wichtigsten Kennzahlen.
Parameter | Bedeutung | Praxis für die Anonymisierung
|
|---|---|---|
Detection Recall | Anteil korrekt erkannter Kennzeichen | Kritisch – ein niedriger Recall erhöht das Risiko einer Datenoffenlegung |
Detection Precision | Anteil der Treffer, die tatsächlich Kennzeichen sind | Beeinflusst die Anzahl unnötiger Maskierungen |
IoU | Grad der Überdeckung zwischen Detektionsrahmen und Objekt | Beeinflusst, ob die Maske das gesamte Kennzeichen abdeckt |
OCR Accuracy | Korrektheit der Zeichenerkennung | Nachrangig, wenn nur das Unkenntlichmachen das Ziel ist |
Latenz pro Frame / Datei | Zeit für die Verarbeitung des Materials | Beeinflusst die Effizienz des Offline-Prozesses |
False Negative Rate | Anteil übersehener Kennzeichen | Zentrale Kennzahl für das rechtliche Risiko |
Zur einfachen Beschreibung der Leistung können folgende Formeln verwendet werden:
Precision = TP / (TP + FP)
Recall = TP / (TP + FN)
Dabei steht TP für korrekte Erkennungen, FP für Fehlalarme und FN für übersehene Kennzeichen. In Anonymisierungsprozessen wird in der Regel ein höherer Recall auf Kosten eines moderat erhöhten FP-Werts bevorzugt, da eine übermäßige Unkenntlichmachung meist weniger riskant ist als eine fehlende Maskierung.
Rechtliche Pflichten und DSGVO-Konformität
Dient ALPR / ANPR dem Auslesen von Kennzeichen und der weiteren Nutzung des Ergebnisses, muss der Verantwortliche die Rechtsgrundlage der Verarbeitung, den Zweck, die Speicherdauer und den Kreis der Empfänger festlegen. Außerdem sind die Informationspflichten zu erfüllen, sofern keine Ausnahme nach der DSGVO greift, und die Risiken für die Rechte und Freiheiten betroffener Personen zu bewerten. Bei Überwachung, Verkehrsanalysen oder Forderungsdurchsetzung ist häufig eine Datenschutz-Folgenabschätzung (DSFA, DPIA) nach Art. 35 DSGVO erforderlich.
Bei der Veröffentlichung von Fotos und Videoaufnahmen führt die Compliance-Perspektive oft zu einer anderen Schlussfolgerung: Statt das Kennzeichen auszulesen, sollte es unverzüglich unkenntlich gemacht werden. Dieser Ansatz begrenzt den Datenumfang und unterstützt Privacy by Design gemäß Art. 25 DSGVO. In vielen europäischen Ländern gilt das Unkenntlichmachen von Kfz-Kennzeichen in veröffentlichtem Material als weithin anerkannter Praxisstandard, der sich aus nationalen Vorschriften, Leitlinien der Behörden und dem europäischen Verständnis des Schutzes der Privatsphäre ableitet.
Herausforderungen und Grenzen von ALPR / ANPR
Die Leistungsfähigkeit der automatischen Kennzeichenerkennung hängt stark von der Qualität des Materials ab. Probleme entstehen bei starker Kompression, Bewegung, hohem Kontrast, verschmutzten Kennzeichen, ungewöhnlichen Zeichensätzen und teilweiser Verdeckung. Für die Anonymisierung sind außerdem kleine Objekte im Hintergrund, Nachtaufnahmen und Lichtreflexionen problematisch.
In der Praxis sind insbesondere folgende Einschränkungen zu berücksichtigen:
- Ein Modell, das für ein Land trainiert wurde, kann bei anderen Kennzeichenformaten schlechter funktionieren,
- eine niedrige Auflösung mindert die Qualität von Detektion und OCR,
- falsch negative Ergebnisse sind aus Datenschutzsicht der schwerwiegendste Fehler,
- OCR ist für die Anonymisierung an sich nicht erforderlich und kann den Umfang der Verarbeitung unnötig erweitern.
Normative Bezüge und Quellen
ALPR / ANPR ist als Compliance-Begriff nicht in einem einzelnen EU-Rechtsakt definiert. Die Bewertung stützt sich auf allgemeine Vorschriften zu personenbezogenen Daten, Privatsphäre und zur Sicherheit der Bildverarbeitung.
- Verordnung (EU) 2016/679 – DSGVO, insbesondere Art. 4, 5, 25, 32 und 35.
- Gerichtshof der Europäischen Union, Urteil vom 19. Oktober 2016, C-582/14, Breyer – weites Verständnis der Identifizierbarkeit unter Nutzung zusätzlicher Informationen.
- Europäischer Datenschutzausschuss (EDSA) – Leitlinien zu den Begriffen Verantwortlicher, Verarbeitung und Risikobewertung, die unterstützend bei der Analyse von Identifikationssystemen herangezogen werden können.
- ISO/IEC 27001:2022 – Anforderungen an ein Informationssicherheits-Managementsystem, relevant für Organisationen, die Fotos und Videos verarbeiten.
- ISO/IEC 23894:2023 – Leitlinien zum Risikomanagement in KI-Systemen, nützlich bei der Bewertung von Modellen zur Kennzeichendetektion.