Gesichtserkennung bezeichnet die automatische Identifizierung oder Verifikation einer Person anhand eines digitalen Bildes oder Videoausschnitts. Systeme zur Gesichtserkennung analysieren charakteristische Merkmale im Gesicht – etwa Augenabstand, Nasenform oder Konturen – und ordnen diese einem gespeicherten Profil zu.
Moderne Gesichtserkennung nutzt zunehmend Methoden der künstlichen Intelligenz und des maschinellen Lernens, um Muster zu erkennen, die über klassische, manuell programmierte Merkmalsvergleiche hinausgehen.
Die automatische Identifikation von Personen per Gesichtserkennung ist in vielen Kontexten nützlich – sowohl im privaten als auch im öffentlichen und kommerziellen Bereich:
Während einige dieser Anwendungen die Nutzererfahrung deutlich verbessern oder Sicherheit erhöhen können, gelten bei öffentlichen Sicherheits‑ und Überwachungsanwendungen hohe rechtliche und ethische Anforderungen – insbesondere in freiheitlichen Rechtsstaaten mit starkem Datenschutz.
Tipp:
Für verlässliche Gesichtserkennungssysteme sind qualitativ hochwertige, divers annotierte Bilddaten entscheidend. Wenn Sie Ihre Modelle mit realistischen Trainingsdaten trainieren wollen, bietet clickworker skalierbare KI‑Trainingsdatensätze – z. B. Gesichter in unterschiedlichen Positionen, Lichtverhältnissen oder Hintergründen.
Mehr über KI‑Trainingsdaten
Klassische Gesichtserkennungssysteme basieren auf geometrischen Merkmalen des Gesichts: Augenabstand, relative Position von Nase, Mund, Kinnlinie und andere charakteristische Punkte werden extrahiert und in einem Vektorraum verglichen. Je ähnlicher ein Systemmerkmal einem bekannten Profil ist, desto wahrscheinlicher wird eine Identifikation erkannt.
Moderne Systeme nutzen Deep Learning und neuronale Netze, um Merkmale automatisch zu lernen – ohne sie manuell definieren zu müssen. Solche Systeme können:
Für Deep‑Learning‑basierte Systeme gelten große, vielfältige Datensätze als Trainingsgrundlage: Je größer und diverser der Datensatz, desto robuster kann das Modell Merkmale lernen.
Dabei werden häufig neuronale Netzarchitekturen wie Convolutional Neural Networks (CNNs) genutzt, die auf visuelle Muster spezialisiert sind.
