Definition
Maskierung und Verpixelung sind Obfuskationstechniken zur Anonymisierung von Bildern und Videos, bei denen ausgewählte Bereiche - etwa Gesichter oder Kfz-Kennzeichen - gezielt verfremdet werden. Normativ betrachtet handelt es sich um Formen der visuellen Datenobfuskation, die in der ISO/IEC 20889:2018 als Methoden zur Erschwerung der Identifizierung von Personen oder Objekten durch Degradierung visueller Informationen beschrieben sind. Zu den am häufigsten eingesetzten Verfahren zählen Gaußscher Blur (Unschärfe), Verpixelung, Mosaik sowie abdeckende Masken.
Im Kontext der DSGVO dienen diese Techniken der Datenminimierung und dem Schutz der Privatsphäre bei der Veröffentlichung und Weitergabe von Video- und Bildmaterial. Damit Obfuskation wirksam ist, muss sie alle Frames abdecken, in denen das Objekt erscheint, und ein Degradationsniveau aufweisen, das das Risiko einer Re-Identifizierung auf ein nach dem Prinzip „Privacy by Design“ akzeptables Maß reduziert. Die Automatisierung erfordert eine zuverlässige Objekterkennung, die in der Praxis auf Deep-Learning-Modellen basiert, welche auf annotierten Datensätzen trainiert und anschließend zur Lokalisierung der zu maskierenden Regionen eingesetzt werden.
Rolle bei der Anonymisierung von Fotos und Videos
Maskierung und Verpixelung sind essenziell bei der Veröffentlichung oder Weitergabe von Überwachungsaufnahmen, journalistischem Material sowie Schulungs- und Forschungsinhalten. Gesichter und Kfz-Kennzeichen gelten grundsätzlich als personenbezogene Daten im Sinne der DSGVO, sofern sie eine Identifizierung ermöglichen - insbesondere in Kombination mit weiteren Informationen.
- Gesichter: Die Pflicht zur Anonymisierung ergibt sich aus der DSGVO sowie aus § 22 KunstUrhG (entspricht inhaltlich Art. 81 des polnischen Urheberrechts). Ausnahmen betreffen u. a. Personen der Zeitgeschichte, Abbildungen als Teil einer größeren Szenerie sowie Fälle, in denen eine vereinbarte Vergütung für das Posieren gezahlt wurde.
- Kfz-Kennzeichen: Datenschutzbehörden in vielen EU-Mitgliedstaaten weisen darauf hin, dass ein Kennzeichen ein Fahrzeug identifiziert und mittelbar eine Person identifizierbar machen kann. Dies rechtfertigt die Anonymisierung bei der Verbreitung von Material. Die EDPB-Leitlinien 3/2019 zu Videogeräten betonen die Notwendigkeit, die Identifizierbarkeit bei der Offenlegung von Aufnahmen zu begrenzen. In Polen ist die Einordnung teils umstritten und die Rechtsprechung uneinheitlich; in der Praxis wenden Verantwortliche häufig eine Verpixelung von Kennzeichen an, um dem Grundsatz der Datenminimierung zu entsprechen.
In Gallio PRO bezieht sich die Automatisierung ausschließlich auf Gesichter und Kfz-Kennzeichen. Das Programm anonymisiert weder Silhouetten noch verarbeitet es Daten in Echtzeit. Elemente wie Logos, Tätowierungen oder Dokumente können manuell im Editor maskiert werden. Die Lösung arbeitet on‑premise und speichert weder Logs mit personenbezogenen Daten noch Informationen, die eine Identifizierung erkannter Objekte ermöglichen.
Technologien der Maskierung und Verpixelung
Eine wirksame Obfuskation erfordert zuverlässige Erkennung, Tracking und die Anwendung geeigneter Filter auf der Zielregion. Nachfolgend ein Überblick über eine typische Verarbeitungskette.
- Objekterkennung: Deep-Learning-basierte Algorithmen (z. B. Convolutional Neural Networks für Gesichter und Kennzeichen). Die Modelle werden auf annotierten Datensätzen trainiert und offline auf CPU oder GPU inferiert.
- Tracking über die Zeit: Aufrechterhaltung der Objektidentität zwischen Frames zur Reduktion von Maskenflackern und Lücken bei Teilverdeckungen.
- ROI-Erweiterung: Vergrößerung der Bounding Box um einen Rand, um Positionsabweichungen und Detektorfehler abzudecken.
- Obfuskationsfilter: Gaußsche Unschärfe, Verpixelung, Mosaik, einfarbige Füllungen sowie elliptische oder rechteckige Masken mit weichen Kanten.
- Export und Audit: Speicherung des obfuskierten Materials und eines technischen Prozessprotokolls ohne personenbezogene Daten.
Zentrale Parameter und Metriken
Die Parametrisierung beeinflusst sowohl das Schutzniveau als auch die Nutzbarkeit des Materials. Empfohlen wird die Messung der Detektionsqualität ebenso wie der Wirksamkeit der Verhinderung einer Identifizierung. Nachfolgend ausgewählte in der Praxis verwendete Parameter und Kennzahlen.
Parameter/Metrik | Beschreibung | Einheit/Hinweise
|
|---|---|---|
Detektionsschwelle | Minimale Modellkonfidenz zur Anerkennung eines Objekts | [0-1] |
IoU für Matching | Intersection-over-Union-Schwelle bei Evaluation und Tracking | typisch 0,5 oder 0,75 |
Recall der Detektion | Anteil tatsächlich vorhandener Objekte, die erkannt wurden | Bezug zu COCO/PASCAL-Metriken |
Precision der Detektion | Anteil korrekter Objekte an allen Detektionen | einheitenlos |
Blur-Kernelgröße | Größe des Gaußfilters | px, z. B. 21×21 |
Gauß-Sigma | Intensität der Unschärfe | px |
Mosaik-Pixelgröße | Kantenlänge der Verpixelungsblöcke | px |
ROI-Margin | Prozentuale Erweiterung der Maske gegenüber der Detektion | % |
Re-Identifizierungsrisiko R | Anteil erfolgreicher Identifizierungen nach Obfuskation durch starke Erkennungsalgorithmen | R = Erfolge/Versuche |
Anonymisierungsstärke S | Maßzahl 1 − R | S = 1 − R |
Latenz | Verarbeitungsverzögerung pro Frame | ms/Frame |
Durchsatz | Verarbeitungskapazität | fps |
Fehlerrate im QA | Anteil der Frames mit manuellen Korrekturen | % |
Herausforderungen und Grenzen
Es ist ein Kompromiss zwischen Datenschutz und analytischem Mehrwert des Bildmaterials zu berücksichtigen. Zudem bestehen technische und rechtliche Risiken.
- Nichtdetektion: Extreme Perspektiven, geringer Kontrast, Verdeckungen, sehr kleine Objektgrößen.
- Tracking: Objektverluste zwischen Frames können Maskenlücken verursachen.
- Umkehrbarkeit: Zu geringe Unschärfe oder zu kleine Pixelblöcke bieten keinen ausreichenden Schutz gegenüber modernen Gesichtserkennungsalgorithmen.
- Rechtsgrundlage: Unterschiedliche Auslegungen zum Status von Kfz-Kennzeichen in Polen gegenüber der Praxis anderer EU-Staaten.
- Nutzbarkeit: Übermäßige Obfuskation mindert den Beweis- oder Schulungswert des Materials.
Anwendungsbeispiele
Techniken der Maskierung und Verpixelung kommen in zahlreichen Bildverarbeitungsprozessen außerhalb des Echtzeitbetriebs zum Einsatz.
- Veröffentlichung von Überwachungs- oder Bodycam-Aufnahmen nach Vorfällen mit Anonymisierung unbeteiligter Personen und Kennzeichen.
- Weitergabe von Aufnahmen an Medien oder lokale Gemeinschaften mit Anonymisierung von Personen und Fahrzeugen.
- Schulungs- und E‑Learning-Materialien mit Schutz des Persönlichkeitsrechts der Teilnehmenden.
- Forschung und Veröffentlichung von Video-Datensätzen aus dem öffentlichen Raum mit Gesichtsanonymisierung.
Normative Verweise und Quellen
Die Liste umfasst Rechtsakte und Standards, die Begriffe, Anforderungen und bewährte Praktiken zur Bildverarbeitung und Anonymisierung präzisieren.
- DSGVO - Verordnung (EU) 2016/679 vom 27.04.2016, Art. 5 und 25 sowie Erwägungsgründe zur Identifizierbarkeit.
- EDPB, Leitlinien 3/2019 zur Verarbeitung personenbezogener Daten durch Videogeräte, Version 2.0 vom 29.01.2020.
- ISO/IEC 20889:2018 - Privacy enhancing data de-identification terminology and classification.
- ISO/IEC 29100:2011 - Privacy framework.
- KunstUrhG, § 22 - Einwilligung zur Verbreitung von Bildnissen und Ausnahmen.
- CNIL, Praxishinweise zur Veröffentlichung von Bildnissen und identifizierenden Bilddaten - Einstufung von Kennzeichen als personenbezogene Daten.
- AEPD, Leitfaden zum Einsatz von Videokameras zu Sicherheits- und anderen Zwecken - Einordnung von Kennzeichen als personenbezogene Daten.
- NIST, Face Recognition Vendor Test - Materialien zur Bewertung von Gesichtserkennungsalgorithmen; als Kontext für Re-Identifikationstests können FRVT-Publikationen und ausgewählte NISTIR-Berichte herangezogen werden.