Demonstrator: Verpixelung

Verpixelung
Gesichert erkannt : - | False Positives: -

3DIS bietet die Verpixelung von Kfz-Kennzeichen und Gesichtern in 360° Panoramabildaufnahmen aus Mobile Mapping Befahrungsdaten in unterschiedlichen Varianten an. Wir haben eine effektive Prozesskette entwickelt, um dies kostengünstig und in enger Abstimmung mit dem Auftraggeber durchführen zu können.

Die Ansprüche an eine Verpixelung variieren und das Thema eröffnet schnell Diskussionen. Sprechen Sie uns an, um die für Sie beste Variante beim Vorgehen der Verpixelung und eventueller nachgelagerter Fehlerreduzierung zu besprechen.

Welche Erkennungsquote erreichen wir?

Im Zusammenhang mit Verpixelung wird oft über eine tolerierte Fehlerquote gesprochen. Oft steht die Frage im Raum, ob eine automatische Erkennung in einem Datensatz den Bedingungen des Datenschutzes genügt. Verlangt wird teilweise „Anonymisierung nach aktuellem Stand der Technik“ oder „eine Fehlerquote kleiner als (hier eine beliebige Zahl) Prozent“. Doch der Sachverhalt lässt sich ähnlich schlecht auf eine einzige Zahl reduzieren, wie die Frage nach der Länge einer Küstenlinie.

Welche Erkennungsquote erreichen wir?

Die 100% Quote liegt im Auge des Betrachters

Wenn Fehlerquoten angegeben werden, muss eine Vorstellung von Fehlerfreiheit vorhanden sein. Was müsste in einem vorliegenden Datensatz also unkenntlich gemacht worden sein, damit er zu 100% verpixelt ist? Schon bei zunächst eindeutigen Bildern oder unter Laborbedingungen, wie Sie unser Demonstrator zeigt, kann man verschiedener Auffassung sein.

Wie verschwommen muss ein Gesicht abgelichtet sein, damit es gerade nicht mehr identifizierbar ist? Ist ein 50×50 Pixel großes Gesicht aufgenommen aus 50m Entfernung noch zu erkennen? Was ist mit verdeckten Gesichern? Sollten undeutliche Kennzeichen vorsichtshalber nochmals verpixelt werden? Dazu hat jeder seine eigene Wahrnehmung und Entscheidungen fallen von Person zu Person anders aus. Die Menge der zu verpixelnden Merkmale, welche der 100% Quote entsprechen, ist somit nicht allgemein zu definieren. Die Festlegung einer Fehlerquoten ist somit schwierig.

Ab wann würden Sie verpixeln?

Ab wann würden Sie verpixeln?

Ein zwischen Auftraggeber und Auftragnehmer abgestimmter Kriterienkatalog mit Beispielen könnte vermeintlich eine Basis liefern. Ab welcher Stufe müsste diese Frau Ihrer Meinung nach noch verpixelt werden?
Und würde diese Definition vorab überhaupt weiterhelfen?

Auch Definitionsbeispiele sind teilweise unbrauchbar

Hat man einmal eine Menge an Beispielen zusammengestellt, kann man anschließend versuchen die konkreten Fälle eines echten Datensatzes damit zu vergleichen. Man wird oft aber kein passendes Beispiel finden, da die Parameter eines Fotos sich immer in vielfältigster Weise unterscheiden. Verschwommene, überbelichtete Fotos sind im Zweifel nicht in den Definitionen eines Katalogs enthalten. Können Sie klar entscheiden, welcher Stufe das Foto dieses Mannes entspricht? Und ist er damit unbestreitbar gut genug zu erkennen, so dass man in zwangsweise verpixeln muss?

Auch Definitionsbeispiele sind teilweise unbrauchbar

Qualitätseinschätzung für den Auftraggeber

Wie können Sie als Kunde also die Qualität unserer Arbeit abschätzen, wenn wir aus oben genannten Gründen keine pauschale Erkennungsquote nennen können?

Treten Sie mit uns in Kontakt. Für einen kleinen repräsentativen Demodatensatz können wir auf Wunsch eine automatische Verpixelung und auch die anschließende manuelle Kontrolle durchführen. Aus dem Ergebnis errechnet sich eine Erkennungsquote für diesen Demodatensatz, welche für Sie als Qualitätseinschätzung der späteren Verpixelungen dient.

Vorgehen bei automatischer Erkennung

Bei der Verpixelung eines Datensatzen gehen wir wie folgt vor:

In einem ersten Schritt werden die Bilder einer automatischen Bilderkennung unterzogen. Es liegt leider in der Natur der Bilderkennung, dass das Ergebnis Fehler zweierlei Art enthalten kann, welche ein Mensch sofort bemerkt:

Art 1: „False Positives“ (zu viel verpixelt): Der Automat erkennt fälschlicherweise Gesichter/Kennzeichen, obwohl dort keine sind. Dies betrifft oft Schrift auf Anzeigetafeln oder Straßenschildern und Muster in Bäumen, Blättern, sowie Zäunen.

Art 2: „False Negatives“ (zu wenig verpixelt): Der Automat „übersieht“ Bildbereiche mit Gesichtern/Kennzeichen, die zu verpixeln wären.

Zu beachten ist, das während dieses Schritts die Ergebnisqualität stark von den Aufnahmebedingungen abhängt. Bei Schritttempo im Sonnenschein geschossene Fotos lassen sich besser untersuchen als während der Fahrt aufgenommen Bilder im Morgengrauen.

Manuelle Erkennung

Wir bieten mehrere Vorgehensweisen zum Umgang mit diesen Fehlern an:
automatisch: Wenn die Erkennung den Ansprüchen des Auftraggebers genügt, können beide Fehlerarten im Datensatz enthalten bleiben und an den Kunden ausgeliefert werden.
halb manuell: Alle Fundstellen werden gesichtet und Fehler der Art 1 werden entfernt
voll manuell: Alle Fotos werden nach Behebung von Fehlerart 1 gesichtet und Fehler der Art 2 werden nachverpixelt

Begriffe und Definitionen

  • Merkmal: Ein Gesicht oder ein Nummernschild auf einem Foto (Panoramabild und/oder Einzelaufnahme)
  • Anonymisieren: Bildbereiche eines Fotos werden geschwärzt, verschwommen oder mit groben Pixelblöcken gefüllt
  • Erkennbare Person: Mensch, der von einem anderen Menschen auf einem Foto als Mensch erkennbar ist
  • Vollständig erkennbare Person: Erkennbare Person, die von Kopf bis Fuß vollständig auf einem Foto abgebildet ist
  • Gesichtsmerkmal: Merkmal eines Gesichts, die Person voneinander unterscheidet (Kopfform, Frisur, Haarfarbe, Hautfarbe, weitere Merkmale wie Brille, Piercing). Durch Unterschiede von Gesichtsmerkmalen lassen sich verschiedene Personen identifizieren
  • Eindeutig identifizierbare Person: Erkennbare Person, die sich in einer Personengruppe wegen eindeutiger Gesichtsmerkmale identifizieren lässt
  • Nicht eindeutig identifizierbare Person: Erkennbare Person, die eine gewisse Erkennungsgrenze überschreiten, so dass sie nicht mehr eindeutig identifizierbar ist und womöglich nicht verpixelt werden muss
  • Im Kontext identifizierbare Person: Person, die aus dem Bildkontext heraus mit einer gewissen Wahrscheinlich für einen Bekannten identifizierbar ist. Beispiel: Weibliche Person in roter Jacke steigt vor Hausnummer 4 aus schwarzem VM Beetle. Das Gesicht der Person ist von der Seite verschwommen fotografiert für sich genommen nicht zu identifizieren
  • Nummernschild (auch Kfz-Kennzeichen): An einem Fahrzeug angebrachte Zeichenfolge, bestehend aus Buchstaben und Ziffern
  • Deutsches Nummernschild: Schwarze Zeichen auf weißem Hintergrund, bestehend aus Unterscheidungszeichen für den Verwaltungsbezirk, Plaketten, Erkennungsnummer aus Buchstaben und Ziffern
  • Erkennbares Nummernschild: Nummernschild, das von einem Menschen auf einem Foto als Nummernschild eines Kfz erkennbar ist
  • Identifizierbares Nummernschild: Nummernschild, auf denen mindestens 3 Zeichen eindeutig lesbar sind
  • Eindeutig identifizierbares Nummernschild: Nummernschild, auf denen alle Zeichen eindeutig lesbar sind