NIST-Studie: Algorithmen erkennen Gesichter trotz Schutzmasken besser

Eine Analyse von 65 neuen Verfahren zur Gesichtserkennung auf Fotos mit Maske ergab, dass sie so gut waren wie die Spitzenreiter 2017 bei unbedecktem Antlitz.

Lesezeit: 1 Min.
In Pocket speichern
vorlesen Druckansicht Kommentare lesen 12 Beiträge

(Bild: Haris Mm/Shutterstock.com)

Von
  • Stefan Krempl

Einige Software-Entwickler haben nachweisbare Fortschritte bei der Erkennung maskierter Gesichter gemacht. Dies hat die US-Normungsbehörde NIST in einer jetzt veröffentlichten Studie zu 65 neu eingereichten und 87 bereits vorhandenen Algorithmen für die biometrische Erkennungsmethode herausgefunden.

In den besten Fällen liegen die Fehlerraten demnach bei Mund-Nase-Masken nun zwischen 2,4 und 5 Prozent, während sie beim vorausgegangenen Test im Sommer noch zwischen fünf und 50 Prozent betrugen. Der Stand der Technik sei damit bei teils bedecktem Gesicht auf dem von 2017 für Fotos mit offenem Antlitz, schreiben die Forscher von NIST.

In einigen Fällen sind die Fehlerquoten zwischen Algorithmen vor und nach der Coronavirus-Pandemie laut NIST um den Faktor 10 gesunken. Mit Idemia und Pensees hätten zudem zumindest zwei Firmen "agnostische" Lösungen herausgebracht, die mit jeder beliebigen Kombination von maskierten und unmaskierten Bildern arbeiteten und dabei die gleichen Erkennungsraten aufwiesen. Jüngst warb die Lufthansa für den Einsatz erster Systeme mit Gesichtsscan zum Boarding damit, dass Reisende dafür ihre Maske nicht absetzen müssten.

Die Wissenschaftler führten die Tests wieder auf einem Set von 6,2 Millionen Fotos durch. Dabei ging es nur um einen Eins-zu-Eins-Abgleich, in dem eine aktuelle Aufnahme mit einem Musterfoto der gleichen Person verglichen wird. Das ist der Standard etwa beim Entriegeln eines Smartphones per automatisierter Gesichtserkennung. Mit einem Eins-zu-Viele-Abgleich, mit dem Treffer in einer größeren Datenbank erzielt werden sollen, wollen die Experten in einer späteren Runde experimentieren.

Die Prüfer fügen zudem monochrome Masken im Computer hinzu. Bei Mund-Nase-Masken, die Menschen im Alltag tragen, dürften die Fehlerraten höher sein. Physikalische Stoffe haben unterschiedliche Muster, Texturen und Töne, die die Algorithmen zusätzlich negativ beeinflussen könnten, konstatieren die Autoren. Bei Experimenten mit verschiedenen Farben habe sich schon gezeigt, dass rote und schwarze Masken zu einer schlechteren Erkennungsquote geführt hätten als weiße oder hellblaue.

Ein weiteres Ergebnis: Je mehr von einem Gesicht durch eine Maske verdeckt wird, desto höher ist tendenziell die Fehlerrate des Algorithmus. Runde Masken, die nur direkt Mund und Nase bedecken, sorgten für eine bessere Erkennbarkeit als breite, die sich auch über die Wangen erstrecken. Blieb die Nase frei, sanken die Fehlerquoten noch deutlicher.

Wenn sowohl das neue als auch das gespeicherte Bild aus maskierten Gesichtern bestanden, waren die Fehlerraten zehn bis 100 Mal höher, als wenn das ursprünglich gespeicherte Bild ein unbedecktes Antlitz zeigte. Die Chancen, dass ein Fremder etwa ein Telefon erfolgreich entsperren könnte, seien also höher, wenn das gespeicherte Bild eine Person mit Maske zeige.

(olb)