dida Logo

Automatische Zugangskontrolle mit Gesichtserkennung

Für eine automatische Zugangskontrolle entwickelten wir ein mehrstufiges Sicherheitssystem mit Gesichtserkennung.

Input:Kamerabilder einer Person
Output:    Entscheidung, ob die Person autorisiert ist oder nicht
Ziel:Eine zuverlässige, einfach zu nutzende Zugangskontrolle

Ausgangspunkt

Unser Kunde ist ein Technologieunternehmen, das unter anderem Sicherheitssysteme anbietet. Das Unternehmen kam mit der Herausforderung auf uns zu, eine automatische Gesichtserkennung für ein intelligentes Zugangsbeschränkungssystem zu entwickeln. Das System soll für Betriebe leicht und zuverlässig einsetzbar sein, um autorisierten Personen möglichst einfach Einlass zu gewähren und unautorisierte Personen abzuweisen. 

Die Authentifizierung besteht aus zwei Schritten. Zum einen besitzen zugangsberechtigte Personen einen Funkschlüssel, der vom System detektiert wird. Zum anderen wird ihr Gesicht über zwei Kameras erfasst, wenn sie vor dem gesicherten Zugang stehen. Diese Bilder werden mit den hinterlegten Bildern von autorisierten Personen in einer Datenbank verglichen. Dieser Vergleich der Kamerabilder mit den hinterlegten Bildern ist der Kern der Computer-Vision-Lösung, die wir für den Kunden entwickelt haben.

Herausforderungen

Es gab dabei zwei Hauptherausforderungen:

  1. Feststellen der Identität. Das System muss erkennen, ob das Gesicht in den Bildern der Kameras einem Gesicht in der Datenbank entspricht. Die Herausforderung liegt darin, dass Menschen an verschiedenen Tagen unterschiedlich aussehen, unterschiedlich in die Kamera schauen, unterschiedliche Accessoires tragen und die Beleuchtung unterschiedlich sein kann.

  2. Überprüfung der Echtheit. Das System muss sicherstellen, dass auf den Bildern der Kameras tatsächlich ein dreidimensionales Gesicht zu sehen ist, und dass nicht eine unautorisierte Person vielleicht nur ein Foto von einer autorisierten Person vor die Kamera hält, um sich Zugang zu verschaffen.

Lösung

Für die erste Herausforderung trainierten wir ein neuronales Netz in zwei Schritten:

  • Im ersten Schritt erfolgte das Training mit einem sehr großen, öffentlich zugänglichen Bilddatensatz aus dem Internet. 

  • Im zweiten Schritt wurde das Modell verfeinert durch ein Training mit Bildern von freiwilligen Testpersonen, die mit dem Zielkamerasystem aufgenommen wurde.

Das trainierte neuronale Netz hat dadurch selbständig gelernt, welche Merkmale wichtig sind, um die Ähnlichkeit von Gesichtern zu bestimmen. Es kann jetzt auch mit Gesichtern umgehen, die es vorher noch nicht gesehen hat. Für ein neues Unternehmen, das die Gesichtserkennung einsetzen möchte, muss das neuronale Netz also nicht neu trainiert werden. Es reicht aus, mit dem Kamerasystem Bilder von zugangsberechtigten Personen aufzunehmen und in der Datenbank zu hinterlegen. Wenn sie dann vor der Tür stehen, wird das System sie erkennen.

Die zweite Herausforderung, das Verhindern von unerlaubtem Zugang durch Vorzeigen von Fotos von autorisierten Personen, wurde mittels klassischer Computer-Vision-Methoden gelöst. Dabei wird ausgenutzt, dass das Gesicht einer Person von jeweils zwei Kameras aufgenommen wird, die aus unterschiedlichen Blickwinkeln auf das Gesicht schauen. Vereinfacht gesagt funktioniert diese Methode, indem man die Abstände zwischen bestimmten Punkten im Gesicht misst. Aus den Unterschieden zwischen den beiden Bildern kann man feststellen, ob es sich um ein echtes, also dreidimensionales Gesicht handelt oder um ein flaches Foto von einer Person.

Philipp Jackmuth

Geschäftsführer

p.jackmuth@dida.do

Erzählen Sie uns ein wenig über Ihre Projektanforderungen und wir setzen uns mit Ihnen in Verbindung.

Weitere Projekte

Eine Auswahl von Projekten, die wir bereits abgeschlossen haben

Automatische Planung von Solaranlagen

Durch kreative Lösungen konnten wir die Planung von Solaranlagen automatisieren.

Automatische Erkennung von Kleinbergbau

Wie Machine Learning dazu beitragen kann, Umweltzerstörung zu verhindern.

Defekterkennung in der Produktion

KI-gestützte optische Defekterkennung für die Halbleiterlaser­produktion.

Überwachung von urbanen Veränderungen

Ein Algorithmus zur Bildsegmentierung unterstützt nachhaltige Stadtplanung.