Beeldherkenning voor het identificeren van personen: een gids voor 2026.

Korte samenvatting: Beeldherkenning voor het identificeren van personen maakt gebruik van gezichtsherkenningsalgoritmen om menselijke gezichten in foto's en video's te detecteren, analyseren en vergelijken. Moderne systemen behalen een nauwkeurigheid van meer dan 99% onder gecontroleerde omstandigheden, met toepassingen variërend van het ontgrendelen van smartphones tot luchthavenbeveiliging. Een aanzienlijke demografische vertekening blijft echter een kritieke uitdaging die mensen met een donkere huidskleur onevenredig treft.

Gezichtsherkenningstechnologie is alomtegenwoordig geworden. We ontgrendelen telefoons met een blik, worden automatisch getagd op foto's en passeren luchthavens zonder documenten te hoeven tonen. Maar hoe identificeert beeldherkenning mensen nu eigenlijk, en wat vertellen de gegevens ons over de betrouwbaarheid ervan?

De technologie is gebaseerd op machine learning-algoritmen die gezichtskenmerken omzetten in wiskundige representaties, zogenaamde embeddings. Deze algoritmen analyseren unieke kenmerken – afstand tussen de ogen, neusvorm, kaaklijncontouren – en zetten deze om in numerieke gegevens die kunnen worden vergeleken met databases.

Hoe werkt gezichtsherkenningstechnologie?

Moderne gezichtsherkenning werkt via verschillende afzonderlijke stappen. Eerst detecteert het systeem de aanwezigheid van een gezicht in een afbeelding. Vervolgens analyseert het de geometrie van het gezicht en creëert het een sjabloon. Ten slotte vergelijkt het dat sjabloon met opgeslagen gegevens.

Volgens de NIST FRTE 1:N-gegevens is het aantal ingediende algoritmen aanzienlijk toegenomen. In 2018 werden 209 algoritmen ingediend; tegen 2026 is het aantal inzendingen sterk gestegen, met in totaal meer dan 1200 algoritmen die zijn beoordeeld door meer dan 350 verschillende ontwikkelaars sinds de start van de evaluatie.

De FRTE API-update van 14 februari 2022 introduceerde de mogelijkheid tot detectie van meerdere gezichten, waardoor algoritmen meerdere gezichten in één afbeelding kunnen verwerken. Dit is belangrijk omdat ongeveer 31 TP3 T aan grensovergangsfoto's en 71 TP3 T aan kioskfoto's meerdere gezichten bevatten.

Nauwkeurigheidspercentages in praktijktoepassingen

De beste algoritmes behalen tegenwoordig een indrukwekkende nauwkeurigheid. In scenario's voor passagiersidentificatie op luchthavens bereiken de best presterende systemen een nauwkeurigheid van 99,5% bij vergelijking met databases met één afbeelding per geregistreerde persoon.

NIST heeft algoritmen geëvalueerd voor één-op-veel-matchingtaken in scenario's voor het instappen in vliegtuigen. De tests toonden een hoge nauwkeurigheid aan bij het identificeren van reizigers, met minimale valse negatieven in gesimuleerde passagiersafhandeling.

Maar de nauwkeurigheid neemt aanzienlijk af wanneer de omstandigheden niet ideaal zijn. Slechte verlichting, camerahoeken, veroudering en variaties in uiterlijk binnen een persoon verminderen allemaal de prestaties. Onderzoek toont aan dat de nauwkeurigheid van persoonsidentificatie verbetert van 50% met één foto van het doelwit tot ongeveer 90% wanneer zes verschillende afbeeldingen van dezelfde persoon beschikbaar zijn.

Ontwikkel beeldherkenningstools met superieure AI.

AI Superieur Ze ontwikkelen maatwerk AI-software, waaronder oplossingen voor computervisie en beeldverwerking. Hun team kan systemen bouwen voor beeldanalyse, objectdetectie, beeldsegmentatie, OCR, gezichtsherkenning en contextuele beeldclassificatie.

Voor het identificeren van personen kan dit ondersteuning bieden aan gezichtsherkenning, persoonsdetectie, toegangsgerelateerde workflows of visuele zoektools die zijn afgestemd op de gegevens- en privacyvereisten van het project.

Heeft u beeldherkenning nodig die is afgestemd op uw data?

AI Superior kan u helpen met:

• Het bouwen van computervisie-oplossingen op maat.
• Het detecteren en classificeren van objecten in afbeeldingen.
• Ideeën testen door middel van PoC- of MVP-ontwikkeling
• AI-tools integreren in bestaande systemen

👉 Neem contact op met AI Superior om uw project te bespreken.

Het probleem van demografische vertekening

Ondanks de hoge algehele nauwkeurigheid vertonen gezichtsherkenningssystemen verontrustende demografische verschillen. NIST beoordeelde 189 algoritmen van 99 ontwikkelaars – waaronder grote bedrijven zoals Microsoft en Intel – en ontdekte systematische vooringenomenheid.

Veel algoritmes vertoonden 10 tot 100 keer hogere foutpercentages bij het identificeren van zwarte of Oost-Aziatische gezichten in vergelijking met witte gezichten. Vooral bij vrouwen met een donkere huidskleur waren de foutpercentages significant hoger dan bij mannen met een lichtere huidskleur. Onderzoek van Buolamwini en Gebru wees uit dat vrouwen met een donkere huidskleur het hoogste foutpercentage rapporteerden in vergelijking met mannen met een lichte huidskleur, hoewel de specifieke percentages verschilden per getest systeem.

Waarom gebeurt dit? De samenstelling van de trainingsdata leidt tot vooringenomenheid in algoritmes. De populaire dataset Labeled Faces in the Wild bestaat voor 83,51% uit witte personen. De door NIST ontwikkelde IJB-A-dataset is specifiek ontworpen met aandacht voor raciale representatie. Wanneer algoritmes voornamelijk op één demografische groep worden getraind, presteren ze slecht op ondervertegenwoordigde groepen.

Klinkt dit bekend? Het is het klassieke probleem van 'garbage in, garbage out', alleen zijn de gevolgen hier van invloed op echte mensen die op zoek zijn naar werk, huisvesting of die onder toezicht staan van de politie.

Privacykwesties en zoekmachines die gezichten zoeken

Gezichtszoekmachines hebben gezichtsherkenning veel toegankelijker gemaakt. Sommige tools stellen gebruikers tegenwoordig in staat een foto te uploaden en vervolgens op openbare delen van het internet naar hetzelfde gezicht te zoeken.

Hoe gezichtsherkenningssystemen werken

Deze platforms scannen openbaar beschikbare bronnen zoals sociale media, websites, fotogalerijen en andere online fotocollecties. Ze vergelijken gezichtskenmerken en proberen de geüploade afbeelding te matchen met afbeeldingen van dezelfde persoon elders online.

Waarom dit privacyrisico's met zich meebrengt

De privacyproblemen zijn ernstig. Mensen kunnen op foto's verschijnen die ze nooit openbaar hebben willen delen. Afbeeldingen kunnen ook zonder toestemming worden hergebruikt en grootschalige gezichtsherkenning kan het gemakkelijker maken om je voor te doen als iemand anders, iemand te stalken of je identiteit te stelen.

Waarom herkenning op het apparaat zelf anders is

De aanpak van Apple verschilt van cloudgebaseerde gezichtsherkenningssystemen. In de Foto's-app vindt gezichtsherkenning plaats op het apparaat zelf, met behulp van eigen machine learning.

Dat betekent dat gezichtsgegevens het apparaat niet hoeven te verlaten, terwijl gebruikers hun eigen fotobibliotheek nog steeds kunnen ordenen en doorzoeken.

Technische architectuur en efficiëntie

Moderne gezichtsherkenningssystemen bereiken een opmerkelijke efficiëntie. Onderzoek naar neurale netwerken die getraind zijn op identiteitsherkenning laat zien dat de prestaties stabiel blijven, zelfs bij een drastisch gereduceerde dimensionaliteit. Netwerken behouden hun identificatienauwkeurigheid met slechts 16 eenheden – slechts 3% van de volledige dimensionaliteit van 512 eenheden.

Deze efficiëntie is belangrijk voor de implementatie. Lagere rekenkracht betekent snellere verwerking, lagere kosten en de mogelijkheid om op mobiele apparaten te draaien in plaats van dat er een cloudinfrastructuur nodig is.

Eerlijk gezegd: de technologie kan verrassend grote databases aan. Tests tonen geen noemenswaardige afname in nauwkeurigheid totdat de steekproefgrootte in de praktijk de 1.000.000 gezichten overschrijdt, waardoor de technologie geschikt is voor institutionele toepassingen zoals toegangscontrole op universiteitscampussen of bedrijfsbeveiliging.

Huidige toepassingen en gebruiksscenario's

Gezichtsherkenning voor het identificeren van personen wordt tegenwoordig op tal van gebieden gebruikt. Grenscontrole-instanties gebruiken het voor immigratieprocedures en passagiersverificatie. Luchtvaartmaatschappijen implementeren het voor boardingbevestiging en vluchtlijsten.

De politie gebruikt de technologie voor de identificatie van verdachten, hoewel dit gebruik aanleiding geeft tot zorgen over burgerrechten gezien de gedocumenteerde vooringenomenheid tegen mensen van kleur en het historische gebruik van de technologie bij het bespioneren van activisten.

Consumententoepassingen omvatten het ontgrendelen van smartphones, het organiseren van foto's, het automatisch taggen van sociale media en betalingsverificatie. Hulpverleners gebruiken biometrische authenticatie voor veilige toegang tot cruciale systemen tijdens noodsituaties.

Veelgestelde vragen