Die Gesichtserkennung (face recognition) ist ein biometrisches KI-gestütztes und automatisiertes Diagnoseverfahren, mit der die Zuordnung zu einer Person gelingt. Die Gesichtserkennung basiert dabei auf mathematischen Verfahren zur Mustererkennung und maschinellem Lernen. Wird von der Zuordnung der Person gesprochen, handelt es sich im forensischen Sinne um eine Identifikation und Verifikation, um eine Authentifizierung von Personen. Im Gegensatz dazu ist die Gesichtsdetektion abzugrenzen, die nur eine Lokalisierung eines Gesichtes im Bild / Videobild vornimmt.

Vor allem bei den dreidimensionale (3D) Verfahren der Echtzeit-Videoanalyse (Gesichtserkennung aus Videos) werden heute hohe Erkennungsgenauigkeiten erreicht, die unabhängig von (Gesichts)-Posen sind. (Gesichts)-Templates enthalten die Ergebnisse der Gesichtsanalyse von stark sichtbaren Merkmalen des frontalen Kopfes, mit der eine Identifikation möglich wird. Gesichts-Templates werden nur dann zur Identifikation herangezogen, wenn sie eine bestimmte Mindestqualität erreichen. Aus 2D basierenden Bildmaterialien kann ein sog. Template ermittelt werden. Videomaterialien ermöglichen, je nach Inhalt und Laufzeit, ein Vielfaches an Templates. Es werden geometrische Anordnungen analysiert, Textureigenschaften der Oberfläche festgestellt und Identitäten (basierend auf Trainingsdaten) ermittelt. Trainingsdaten sind nicht nur von der Maschine „auswendig gelernte“ Beispiele, sondern aufgebaute Algorithmen, aus denen ein statistisches Modell entsteht und Muster sowie Gesetzmäßigkeiten in den Trainingsdaten erkannt werden können. Damit wird es möglich, unbekannte Daten (Gesichter in neuen Bildern und Videos) zu erkennen und diese als Identität zu ermitteln und abzuspeichern.

Verwalten von Identitäten, Anzeigen von Gesichtsmerkmalen

Häufig werden in forensischen (gerichtlichen) Gutachten für ein Erkennen und Zuordnen von Personen biologisch-anthropologische Vergleiche anhand von Nasen-, Augenbrauen- und Ohrenformen zur Klärung von Abstammungs- und Identitätsfragen durchgeführt. Der Rückschluss auf Identität bleibt eine Wahrscheinlichkeitsaussage, da der Identitätsnachweis eine Vielzahl übereinstimmender Merkmale verlangt.
Das biometrische, KI-gestützte automatisierte Diagnoseverfahren zur Gesichtserkennung ist in der Lage, sehr viele Gesichtsmerkmale gleichzeitig zu erfassen und einer Identität zuzuordnen, bzw. diese Identität zu erstellen, anhand derer jederzeit weitere Merkmale trainiert werden können (dynamische Erweiterung).
Das Erstellen von Identitäten basiert auf der Feststellung von Gesichtsmerkmalen. Diese Gesichtsmerkmale können sehr vielfältig vorhanden sein. Zu den typischen Gesichtsmerkmalen zählen in der retrospektiven Video- und Bildanalyse u. a. Alter, Geschlecht, Augen, Augenringe, Ohren, Nase, Mund, Augenbrauen, Stirn, Kinn, Philtrum, Bart, Brille, Ohrringe, Mimik (z. B. Lächeln), Lippen, Lippenstift. Bei der Analyse werden Dutzende dieser automatisch lokalisiert.

Enrollments (Trainingsmaterial) nach der Gesichtsanalyse, Anzahl festgestellter Templates

Insb. Augenabstand (optimal größer als 50 Pixel), Kopfdrehung und Kopfwinkel dürfen eine bestimmte Mindestanforderung nicht unterschreiten. Entscheidend sind gute Materialien, die eine homogene Ausleuchtung (keine Schattenwürfe im Gesicht, keine Über- oder Unterbelichtungen) und eine gute Bildqualität (keine Unschärfen, Interlacing-Effekte, Kompressionsartefakte) bieten. Je mehr Bild- und Videomaterialien von einer Person vorliegen, desto besser kann eine Identität trainiert werden (optimal mindestens 100 Einzelbilder aus möglichst vielen unterschiedlichen Events).

Eventdetails: Grad der Ähnlichkeit einer Identität (Identitätsvergleich)

Den Gesichtsmerkmalen werden sog. Gesichtslandmarken, insb. die Frontallandmarken eines Gesichtes zugeordnet. Mithilfe dieser Landmarken und eines adaptiven 3D-Gesichtsmodells können Gesichtsform und Identität bestimmt und zugeordnet werden.

Gesichtslandmarken