Echtzeit-Objekterkennung – Definition
Echtzeit-Objekterkennung ist die Erkennung und Lokalisierung von Objekten in einem Bild-/Videostream unter einer Frist, die das Sampling-/Frame-Intervall nicht überschreitet. Für einen Stream mit Frequenz F_{video} [Hz] muss die End-to-End-Latenz L_{e2e} ≤ 1/F_{video} erfüllen. Dies folgt dem Prinzip von Echtzeitsystemen, dass Korrektheit von der rechtzeitigen Fertigstellung innerhalb spezifizierter Fristen abhängt.
Regulatorischer/Standard-Kontext (Anonymisierung)
DSGVO Erwägungsgrund 26: Anonyme Informationen fallen außerhalb der DSGVO; Erkennung wird verwendet, um Transformationen (z.B. Unschärfe) zu ermöglichen, die Identifizierbarkeit verhindern. Zitat: "Die Grundsätze des Datenschutzes sollten daher nicht für anonyme Informationen gelten…".
ISO/IEC 20889:2018: Taxonomie von De-Identifizierungstechniken; Objekterkennung ist der vorgelagerte Schritt, der ROIs (Regions of Interest) für die Anwendung dieser Techniken definiert.
Metriken und technische Attribute
Genauigkeitsmetriken
AP / mAP (COCO): AP gemittelt über IoU-Schwellenwerte 0.50:0.05:0.95, üblicherweise als mAP@[.5:.95] berichtet.
VOC [email protected]: PASCAL VOCs historische IoU 0.5-Metrik.
Laufzeit-Metriken (für Echtzeit)
End-to-End-Latenz: L_{e2e} = L_{grab} + L_{pre} + L_{model} + L_{post} + L_{io}
Durchsatz: Frames pro Sekunde, mit FPS_{proc} ≥ F_{video}
Jitter: Varianz von L_{e2e}; begrenzter Jitter ist in harten Echtzeit-Designs erforderlich.
Formeln (Standarddefinitionen)
Präzision = TP/(TP+FP)
Recall = TP/(TP+FN)
IoU = |B_{pred} ∩ B_{gt}| / |B_{pred} ∪ B_{gt}|
(Wie in VOC/COCO-Evaluierung verwendet)
Wichtige Design-Ziele für Anonymisierungs-Pipelines
Parameter | Design-Ziel | Begründung / Quelle |
|---|---|---|
L_{e2e} (ms) | ≤ 1000/F_{video} | Echtzeit-Frist entspricht Sampling-Periode |
Recall@IoU_p | Maximieren (bei Policy-IoU, typisch 0,5–0,75) | Minimiert falsch-negative Ergebnisse für datenschutzsensible Klassen; COCO/VOC definieren IoU-Schwellenwerte |
mAP@[.5:.95] | Überwacht, sekundär zu Recall für sensible Klassen | COCO-Metrikbeschreibung; Datenschutzrisiko durch FN getrieben |
FPS-Stabilität | FPS_{proc} ≥ F_{video} mit niedrigem Jitter | Erforderlich für ununterbrochene Anonymisierung |
Datensätze und Evaluierungspraxis
MS COCO - AP/mAP@[.5:.95]; weithin anerkannter Benchmark.
PASCAL VOC - [email protected] und PR-Kurven als klassisches Protokoll.
MOTChallenge (für Tracking über Video) - MOTA/IDF1-Metriken, wenn Erkennung Tracking speist, um Anonymisierung über Frames zu stabilisieren.
Praxis und Implementierung (Pipeline)
- Erfassung → 2) Vorverarbeitung → 3) Erkennung (RT-optimierte Modelle, z.B. YOLO-Familie) → 4) Nachbearbeitung (NMS) → 5) Anonymisierungstransformation auf ROIs → 6) Ausgabe.
Moderne "Echtzeit"-Detektoren (z.B. YOLOv7) demonstrieren State-of-the-Art-Genauigkeit bei hohen FPS auf gängiger Hardware und dienen als praktische Baselines.
Bibliographie
- ISO/IEC 20889:2018 - Privacy enhancing data de-identification
- DSGVO Erwägungsgrund 26 (EUR-Lex / Volltext)
- MS COCO - Metrikdefinitionen und Datensatzdokumentation
- PASCAL VOC - Evaluierungsverfahren
- Real-time systems - Definitionen und Eigenschaften