Erkennung kleiner Objekte - Definition
Die Erkennung kleiner Objekte bezeichnet die Fähigkeit eines Computer-Vision-Systems, Objekte zu lokalisieren, die in einem Bild oder Videobild nur wenige Pixel einnehmen. Bei der Bild- und Videoanonymisierung ist die Erkennung kleiner Objekte besonders für Gesichter und Kfz-Kennzeichen relevant, die weit von der Kamera entfernt, teilweise verdeckt, durch Bewegungsunschärfe beeinträchtigt oder in niedriger Auflösung aufgenommen wurden.
Ein kleines Gesicht oder Kfz-Kennzeichen kann für eine menschliche prüfende Person noch sichtbar sein, jedoch zu wenige zuverlässige visuelle Informationen enthalten, damit ein automatischer Detektor es durchgehend erkennt. Daraus entsteht ein Datenschutzrisiko: Ein automatisierter Anonymisierungsprozess kann ein weit entferntes Gesicht oder Kfz-Kennzeichen ohne Weichzeichnung oder Verpixelung lassen, obwohl das Element im Originalmaterial weiterhin identifizierbar oder potenziell identifizierbar ist.
Die Erkennung kleiner Objekte ist ein technisches Problem der Computer Vision und keine rechtliche Kategorie. Es gibt keinen allgemein gültigen Pixelwert, ab dem ein Gesicht oder Kfz-Kennzeichen als „klein“ gilt. Der Schwellenwert hängt vom Erkennungsmodell, der Eingangsauflösung, dem Kamerawinkel, dem Komprimierungsgrad, den Lichtverhältnissen, dem Objektkontrast und der erforderlichen Wiedererkennungsrate ab.
Warum weit entfernte Gesichter und Kfz-Kennzeichen manuell überprüft werden müssen
Die automatisierte Gesichtsdetektion und Erkennung von Kfz-Kennzeichen beruhen auf visuellen Mustern. Nimmt ein Objekt nur wenige Pixel ein, verfügt das Modell über weniger Informationen zu Form, Kanten, Textur und Kontext. Eine Verkleinerung während der Vorverarbeitung kann das Objekt zusätzlich auf eine Größe reduzieren, bei der die Erkennung unzuverlässig wird.
Das Bewertungsverfahren Common Objects in Context (COCO) klassifiziert ein kleines Objekt als ein Objekt mit einer Fläche von weniger als 322 Pixeln beziehungsweise 1.024 Pixeln2. Diese Benchmark-Definition eignet sich zum Vergleich von Modellen, ist jedoch kein Abnahmekriterium für den Datenschutz. Ein Gesicht oder Kfz-Kennzeichen kann auch dann überprüft werden müssen, wenn die Fläche seiner Bounding Box diesen Wert überschreitet.
Eine manuelle Überprüfung ist erforderlich, weil eine übersehene Erkennung etwas anderes ist als eine fehlerhafte Erkennung. Eine fehlerhafte Erkennung kann zu einer unnötigen Weichzeichnung oder Verpixelung führen. Eine übersehene Erkennung kann dagegen dazu führen, dass ein Gesicht oder Kfz-Kennzeichen in freigegebenem Videomaterial sichtbar bleibt.
- Entfernung: Objekte, die weiter von der Kamera entfernt sind, nehmen weniger Pixel ein.
- Komprimierung: Blockartefakte und der Verlust feiner Details können Gesichtskonturen und Zeichen auf Kfz-Kennzeichen verdecken.
- Bewegung: Kamerabewegungen oder Bewegungen von Objekten können gerichtete Unschärfe verursachen.
- Verdeckung: Personen, Fahrzeuge, Vegetation, Spiegelungen und Schatten können Teile eines Objekts verdecken.
- Blickwinkel: Gesichter im Profil und schräg aufgenommene Kfz-Kennzeichen unterscheiden sich von den frontalen Beispielen, die in vielen Trainingsdatensätzen verwendet werden.
- Niedriger Kontrast: Schlechte Lichtverhältnisse, Blendung, Regen oder Überbelichtung können die Abgrenzung zwischen Objekt und Hintergrund verringern.
Erkennung kleiner Objekte bei der Bild- und Videoanonymisierung
Zum Schutz der Privatsphäre wird die Erkennung kleiner Objekte eingesetzt, bevor eine Weichzeichnung, Verpixelung oder Maskierung angewendet wird. Das System identifiziert zunächst ein mögliches Gesicht oder Kfz-Kennzeichen, erstellt anschließend einen relevanten Bereich darum und wendet schließlich einen Anonymisierungseffekt auf diesen Bereich an. Die Qualität der Erkennung beeinflusst daher unmittelbar, wie vollständig die Anonymisierung ist.
Bei Videos muss die Überprüfung mehr als ein einzelnes Bild abdecken. Ein Gesicht oder Kfz-Kennzeichen kann nur kurz sichtbar sein, am Bildrand erscheinen oder kleiner werden, wenn sich eine Person oder ein Fahrzeug von der Kamera entfernt. Objektverfolgung kann dabei helfen, Erkennungen über mehrere Bilder hinweg zuzuordnen. Sie kann jedoch ein Objekt nicht zuverlässig wiederherstellen, das nie erkannt wurde.
Gallio PRO erkennt Gesichter und Kfz-Kennzeichen in importierten Bildern und Videodateien automatisch und anonymisiert sie durch Weichzeichnung oder Verpixelung. Gallio PRO führt keine Echtzeit-Anonymisierung und keine Anonymisierung von Videostreams durch. Bei weit entfernten, kleinen, teilweise sichtbaren oder unsicheren Objekten sollten zuständige Mitarbeitende das Ergebnis prüfen und bei Bedarf mit dem integrierten manuellen Editor eine Weichzeichnung oder Verpixelung anwenden. Gallio PRO erkennt Logos, Tätowierungen, Namensschilder, Dokumente, Monitorinhalte, Körper oder Silhouetten nicht automatisch. Solche Elemente können manuell unkenntlich gemacht werden, wenn sie für die vorgesehene Weitergabe oder Datenschutzbewertung relevant sind.
Wichtige Parameter und Kennzahlen für die Erkennung kleiner Objekte
Die Erkennungsqualität sollte anhand von Material gemessen werden, das dem vorgesehenen Produktionsmaterial ähnelt. Ein Modell, das nur mit nahen und gut ausgeleuchteten Gesichtern getestet wurde, kann bei weit entfernten Aufnahmen im Stil von Überwachungsvideos, Fahrzeugaufzeichnungen oder Weitwinkel-Kameraansichten deutlich anders abschneiden.
Parameter oder Kennzahl | Bedeutung für die Anonymisierung
|
|---|---|
Eingangsauflösung | Eine höhere Auflösung kann mehr visuelle Informationen für kleine Gesichter und Kfz-Kennzeichen erhalten, erhöht jedoch Verarbeitungszeit und Speicherbedarf. |
Pixelbereich des Objekts | Ein praktischer Indikator dafür, ob der Detektor über genügend visuelle Details verfügt. Er sollte vor und nach jedem Schritt zur Größenänderung gemessen werden. |
Recall | Der Anteil relevanter Gesichter oder Kfz-Kennzeichen, die vom System erkannt werden. Bei Datenschutzprüfungen sind übersehene Objekte das zentrale Problem. |
Precision | Der Anteil der Erkennungen, die korrekt sind. Eine niedrige Precision erhöht den Prüfaufwand, ist jedoch in der Regel weniger datenschutzkritisch als ein niedriger Recall. |
Intersection over Union (IoU) | Die Überlappung zwischen dem vorhergesagten Erkennungsbereich und dem Referenzbereich. Unvollständige Boxen können dazu führen, dass Ränder eines Gesichts oder Kennzeichens nicht ausreichend unkenntlich gemacht werden. |
Bildauswahl und Objektverfolgung | Steuert, ob kurz sichtbare Elemente untersucht werden und ob Anonymisierungsbereiche über aufeinanderfolgende Bilder hinweg korrekt ausgerichtet bleiben. |
Der Recall wird wie folgt berechnet:
Recall = true positives / (true positives + false negatives)
Für einen Datenschutzprozess sollte die Bewertung schwierige Beispiele einschließen: weit entfernte Fußgänger, parkende Fahrzeuge im Hintergrund, Personen beim Betreten oder Verlassen des Bildbereichs, Nachtaufnahmen, spiegelnde Gesichter und durch Blendung beeinträchtigte Kfz-Kennzeichen. Das Prüfprotokoll sollte Materialtyp, Detektorkonfiguration, Auswahlmethode, Entscheidungen der prüfenden Person und ungelöste Einschränkungen dokumentieren.
Technische Ansätze und Einschränkungen
Moderne Objektdetektoren verwenden häufig eine mehrskalige Merkmalsextraktion. Feature Pyramid Networks kombinieren beispielsweise Bildmerkmale aus unterschiedlichen Netzwerkschichten, sodass das Modell Objekte in verschiedenen Größen verarbeiten kann. Eine weitere Methode ist das Kacheln von Bildern. Dabei wird ein hochauflösendes Bild in kleinere Bereiche aufgeteilt, damit weit entfernte Gesichter und Kfz-Kennzeichen bei der Erkennung mehr Pixel einnehmen.
Diese Methoden können den Recall bei kleinen Objekten verbessern, ersetzen jedoch keine menschliche Überprüfung. Das Kacheln kann die Verarbeitungszeit erhöhen und Probleme an den Kachelgrenzen verursachen, wenn sich ein Objekt über zwei Kacheln erstreckt. Das Vergrößern eines Bildes kann ein Objekt größer erscheinen lassen, jedoch keine Details wiederherstellen, die in der ursprünglichen Aufnahme nicht vorhanden waren. Ergebnisse automatischer Erkennung sollten daher als Prüfhinweise behandelt werden, nicht als Nachweis dafür, dass alle sichtbaren Gesichter und Kfz-Kennzeichen anonymisiert wurden.
Standards und Referenzen
Die folgenden Quellen bieten technischen Kontext für die Bewertung der Erkennung kleiner Objekte und der Bildqualität. Sie legen keine allgemein gültige Mindestgröße für das datenschutzkonforme Unkenntlichmachen von Gesichtern oder Kfz-Kennzeichen fest.
- Tsung-Yi Lin et al., Microsoft COCO: Common Objects in Context, 2014. Das COCO-Bewertungsprotokoll definiert kleine Objekte anhand ihrer Fläche.
- Tsung-Yi Lin et al., Feature Pyramid Networks für die Objekterkennung, 2017. Diese Veröffentlichung beschreibt mehrskalige Merkmals-Pyramiden für die Objekterkennung.
- National Institute of Standards and Technology (NIST), Face Recognition Vendor Test - Bildqualität von Gesichtsaufnahmen. NIST erläutert, wie Faktoren der Bildqualität die Leistung automatisierter Gesichtsanalyse beeinflussen können.
- ISO/IEC 29794-5:2010, Informationstechnologie - Qualität biometrischer Proben - Teil 5: Bilddaten von Gesichtern. Diese Norm behandelt Qualitätsmerkmale von Bilddaten von Gesichtern.