Verpixelung - Definition
Verpixelung ist eine Bildtransformation, bei der ein ausgewählter Bereich durch größere, einfarbige Blöcke ersetzt wird. Bei der Anonymisierung von Bildern und Videos betrifft der ausgewählte Bereich in der Regel ein erkanntes Gesicht oder ein Kfz-Kennzeichen. Die Transformation verringert lokale räumliche Details, indem mehrere ursprüngliche Pixel durch einen einzigen Ausgabewert dargestellt werden.
Verpixelung wird häufig auch als Mosaikmaskierung bezeichnet. Sie unterscheidet sich von der Gaußschen Weichzeichnung, bei der ein mathematischer Filter Pixelwerte auf benachbarte Pixel verteilt. Bei der Verpixelung bleiben Blockgrenzen und größere Farbbereiche erhalten, während eine Weichzeichnung fließende Übergänge erzeugt. Keine der beiden Methoden entspricht automatisch einer Anonymisierung. Ob ein verpixeltes Gesicht oder Kfz-Kennzeichen weiterhin einer Person zugeordnet werden kann, hängt von der Ausgangsauflösung, der Blockgröße, dem Betrachtungsabstand, dem umgebenden Kontext und den Möglichkeiten eines potenziellen Empfängers ab.
Ein vereinfachter Verpixelungsvorgang lässt sich wie folgt beschreiben:
Ip(x,y) = mean(I(u,v))
Dabei stehen I(u,v) für die ursprünglichen Pixel innerhalb eines Blocks, und Ip(x,y) weist jedem Ausgabepixel in diesem Block denselben durchschnittlichen Farbwert zu. Manche Implementierungen verwenden statt des Mittelwerts den Median, ein abgetastetes Pixel oder einen anderen repräsentativen Wert.
So wird Verpixelung auf Gesichter und Kfz-Kennzeichen angewendet
Die Verpixelung wird normalerweise angewendet, nachdem der betreffende Bereich identifiziert wurde. In einem automatisierten Workflow zur Videoanonymisierung ermittelt die Gesichtsdetektion die Position eines Gesichts in jedem Einzelbild. Ein separater Prozess zur Kfz-Kennzeichendetektion erkennt Kfz-Kennzeichen. Anschließend wendet das System eine Verpixelungsmaske auf den ausgewählten Begrenzungsrahmen oder polygonalen Bereich an.
Eine zuverlässige Implementierung muss Bewegung, teilweise Verdeckungen, Kamerawinkel und Änderungen der Objektgröße berücksichtigen. Bei Videos muss die Maske zudem über die Zeit hinweg korrekt ausgerichtet bleiben. Wenn die Nachverfolgung zwischen erkannten Einzelbildern fehlschlägt, können Teile eines Gesichts oder Kfz-Kennzeichens sichtbar werden.
- Gesichtsdetektion: lokalisiert Gesichter, ohne die Identität einer Person zu bestimmen.
- Kfz-Kennzeichendetektion: lokalisiert den Kennzeichenbereich, bevor eine Maskierung angewendet wird.
- Nachverfolgung: ordnet ein erkanntes Gesicht oder Kennzeichen über aufeinanderfolgende Videoeinzelbilder hinweg zu.
- Erweiterung der Maske: fügt einen Rand um den erkannten Bereich hinzu, um das Risiko sichtbarer Kanten zu verringern.
- Manuelle Prüfung: überprüft übersehene Erkennungen, fehlerhafte Masken und Bereiche, in denen Kontextinformationen weiterhin eine Identifizierung ermöglichen.
Gallio PRO nutzt Gesichtsdetektion und Kfz-Kennzeichendetektion, um Gesichter und Kfz-Kennzeichen in importierten Bildern und Videodateien automatisch durch Weichzeichnung oder Verpixelung unkenntlich zu machen. Gallio PRO führt keine Echtzeit-Anonymisierung oder Anonymisierung von Videostreams durch. Unternehmenslogos, Tätowierungen, Namensschilder, Dokumente und auf Monitoren angezeigte Inhalte werden nicht automatisch erkannt. Für diese Elemente kann eine manuelle Maskierung im integrierten Editor erforderlich sein.
Wichtige Parameter und Qualitätsmetriken der Verpixelung
Die Stärke der Verpixelung wird in erster Linie durch das Verhältnis zwischen Blockgröße und Größe des zu schützenden Objekts bestimmt. Eine Blockgröße, die für ein weit entferntes Gesicht ausreicht, kann für eine Nahaufnahme eines Gesichts in höherer Auflösung unzureichend sein.
Parameter oder Metrik | Technische Bedeutung | Relevanz für den Datenschutz
|
|---|---|---|
Blockgröße | Breite und Höhe jedes Mosaikblocks in Pixeln. | Größere Blöcke entfernen mehr Details, können jedoch auch größere Bereiche des umgebenden Bildes verdecken. |
Breite des Gesichts oder Kennzeichens | Die Größe des erkannten Objekts im ursprünglichen Einzelbild. | Die Maskierungseinstellungen sollten im Verhältnis zur Objektgröße und nicht nur zur Auflösung des gesamten Einzelbilds bewertet werden. |
Maskierungsrand | Zusätzlicher Bereich außerhalb des erkannten Begrenzungsrahmens. | Verringert das Risiko, dass Gesichtskonturen, Kennzeichenzeichen und Fehler an der Erkennungsgrenze sichtbar werden. |
Erkennungsrate | Der Anteil relevanter Gesichter oder Kennzeichen, die das System erkennt. | Eine niedrige Erkennungsrate führt zu unmaskierten personenbezogenen Daten in Ausgabedateien. |
Falsch-Positiv-Rate | Der Anteil von Nichtzielobjekten, die fälschlicherweise maskiert werden. | Eine übermäßige Maskierung kann den Beweiswert oder den operativen Nutzen verringern. |
Zeitliche Stabilität | Die Konsistenz der Maskenpositionierung zwischen Videoeinzelbildern. | Instabile Masken können geschützte Informationen während einer Bewegung sichtbar machen. |
Tests sollten repräsentatives Bildmaterial umfassen, darunter Aufnahmen bei schwachem Licht, mit Bewegungsunschärfe, Profilansichten, Spiegelungen, dicht gedrängten Szenen und teilweise verdeckten Kfz-Kennzeichen. Eine Datenschutzprüfung sollte sowohl das maskierte Objekt als auch die weitere Szene bewerten. Kleidung, Ort, Fahrzeugkennzeichnungen, Stimme, Zeitstempel und der Kontext einer Bild- oder Videosequenz können weiterhin eine Identifizierung ermöglichen, selbst wenn ein Gesicht verpixelt ist.
Verpixelung, Weichzeichnung und Widerstand gegen Reidentifizierung
Verpixelung und Weichzeichnung sind Verfahren zur visuellen Verschleierung, keine Zugriffskontrollmechanismen. Sie verändern sichtbare Informationen in einem veröffentlichten Bild oder Video. Sie hindern einen berechtigten Empfänger nicht daran, die Ausgabe mit weiteren Informationen zu verknüpfen.
Forschungen haben gezeigt, dass maschinelles Lernen Informationen aus Bildern ableiten kann, die für Menschen schwer interpretierbar erscheinen. McPherson, Shokri und Shmatikov zeigten, dass Deep-Learning-Methoden unter experimentellen Bedingungen mehrere Verfahren zur Bildverschleierung, einschließlich Verpixelung, überwinden konnten ( Überwindung von Bildverschleierung durch Deep Learning, 2016). Das bedeutet nicht, dass jedes verpixelte Bild identifizierbar ist. Es zeigt jedoch, dass der visuelle Eindruck allein kein ausreichender Test für den Datenschutz ist.
Verpixelung kann weniger widerstandsfähig sein als eine starke Weichzeichnung, wenn das Blockmuster unverwechselbare Gesichtsstrukturen bewahrt, etwa die Position der Augen, die Form des Haaransatzes oder die Anordnung der Kennzeichenzeichen. Umgekehrt kann eine schwache Weichzeichnung lesbare oder wiedererkennbare Merkmale erhalten. Es gibt keine universelle Blockgröße, keinen Weichzeichnungsradius und keine Komprimierungseinstellung, die für jedes Bild Widerstand gegen Reidentifizierung gewährleistet.
Praktische Kontrollen für verpixeltes Bildmaterial
Organisationen sollten Verpixelung als eine Maßnahme innerhalb eines dokumentierten Prozesses für die Weitergabe von Bildern und Videos behandeln. Die geeignete Einstellung hängt vom vorgesehenen Empfänger, der zulässigen Nutzung, der Bildqualität, der Aufbewahrungsdauer und den Folgen einer Identifizierung ab.
- Definieren Sie den Zweck der Weitergabe und legen Sie fest, welche Gesichter und Kfz-Kennzeichen maskiert werden müssen.
- Testen Sie die Verpixelungseinstellungen anhand von Bildmaterial, das die Aufzeichnungsbedingungen mit dem höchsten Risiko abbildet.
- Prüfen Sie Stichproben in nativer Auflösung, nicht nur in einer verkleinerten Vorschau.
- Kontrollieren Sie aufeinanderfolgende Videoeinzelbilder auf Maskenverschiebungen und kurze Sichtbarkeiten.
- Bewerten Sie Kontextkennzeichen außerhalb des verpixelten Bereichs.
- Dokumentieren Sie die Maskierungsmethode, die Softwareversion, die Prüfschritte und die Freigabeentscheidung.
Standards und Referenzen
Weder ein Standard der International Organization for Standardization (ISO) noch des National Institute of Standards and Technology (NIST) definiert einen universellen Schwellenwert für die Verpixelung, durch den Gesichter oder Kfz-Kennzeichen anonym werden. Die Risikobewertung muss für den jeweiligen Datensatz und Kontext der Weitergabe erfolgen.
- ISO/IEC 29100:2011, Informationstechnologie - Sicherheitsverfahren - Rahmenwerk für den Datenschutz. Dieser Standard beschreibt Datenschutzgrundsätze und Terminologie, die für Datenschutzmaßnahmen relevant sind.
- NISTIR 8053, De-Identifizierung personenbezogener Informationen, 2015. Diese Veröffentlichung erläutert, dass das Risiko einer De-Identifizierung von den Daten, den Empfängern und verfügbaren Zusatzinformationen abhängt.
- McPherson, Shokri und Shmatikov, Überwindung von Bildverschleierung durch Deep Learning, 2016. Diese Arbeit bewertet Angriffe auf mehrere Verfahren zur visuellen Verschleierung.
- Newton et al., Schutz der Privatsphäre durch De-Identifizierung von Gesichtsbildern, IEEE Transactions on Knowledge and Data Engineering, 2005. Diese Arbeit behandelt technische Ansätze zur De-Identifizierung von Gesichtsbildern.