Skip to main content
SpringerLink
Log in

Una Kelly, Luuk Spreeuwers, Raymond Veldhuis

De-Identifikation von Gesichtsbildern

Wie Gesichtserkennung umgangen werden kann

  • Schwerpunkt
  • Published:
Datenschutz und Datensicherheit - DuD Aims and scope Submit manuscript

Zusammenfassung

Mit De-Identifikation von Gesichtsbildern wird das Ausblenden der Information in einem Gesichtsbild einer Person bezeichnet, mit der die Identität dieser Person hergeleitet werden kann. Das Ziel der De-Identifikation kann sein, die Identität vor automatischen Gesichtserkennungssystemen, vor Menschen oder vor beiden zu verbergen. Dieser Artikel gibt einen kurzen Überblick der derzeit verfügbaren Ansätze für De-Identifikation, die versuchen, Identität aus menschlicher Sicht zu erhalten, es gleichzeitig aber automatischen Gesichtserkennungssystemen nicht länger zu ermöglichen, die Identität herzuleiten. Wenn Gesichtsbilder massenhaft gesammelt werden, könnensie so nicht mehr genutzt werden um identitätsbezogene Daten zu finden.

This is a preview of subscription content, log in via an institution to check access.

Access this article

Log in via an institution

Price excludes VAT (USA)
Tax calculation will be finalised during checkout.

Instant access to the full article PDF.

Institutional subscriptions

Literatur

  1. K. Hill. The secretive company that might end privacy as we know it. https://www.nytimes.com/2020/01/18/technology/clearview-privacy-facial-recognition.html, Jan. 2020.

  2. Clearview.ai

  3. https://the-decoder.de/900-millionen-gesichter-im-web-gesichtssuche-pimeyes-vs-privatsphaere/

  4. F. Vakhshiteh, A. Nickabadi und R. Ramachandra. Adversarial Attacks Against Face Recognition: A Comprehensive Study, in IEEE Access, vol. 9, pp. 92735-92756, 2021.

  5. Q. Sun, A. Tewari, W. Xu, M. Fritz, C. Theobalt und B. Schiele. A hybrid model for identity obfuscation by face replacement. ArXiv, abs/1804.04779, 2018.

  6. O. Gafni, L. Wolf und Y. Taigman. Live face deidentification in video. In 2019 IEEE/CVF International Conference on Computer Vision (ICCV), pages 9377–9386, 2019.

  7. R. Gross, L. Sweeney, J. Cohn, F. De la Torre und S. Baker. Face De-identification. In: Protecting Privacy in Video Surveillance, pages 129–146. 07 2009.

  8. S. Ribaric und N. Pavesic. An overview of face deidentification in still images and videos. In 2015 11th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition (FG), volume 04, pages 1–6, 2015.

  9. R. McPherson, R. Shokri und V. Shmatikov. Defeating image obfuscation with deep learning. CoRR, abs/1609.00408, 2016.

  10. Y. Wu, F. Yang und H. Ling. Privacy-protective-GAN for face de-identification. CoRR, abs/1806.08906, 2018.

  11. T. Li und L. Lin. Anonymousnet: Natural face de-identification with measurable privacy. CoRR, abs/1904.12620, 2019.

  12. J. Li, Lutong Han, R. Chen, Hua Zhang, B. Han, L. Wang und X. Cao. 2021. Identity-Preserving Face Anonymization via Adaptively Facial Attributes Obfuscation. In Proceedings of the 29th ACM International Conference on Multimedia (MM ‘21). Association for Computing Machinery, New York, NY, USA, 3891–3899. https://doi.org/10.1145/3474085.3475367

  13. Z. Wang, A. Bovik, H. Sheikh und E. Simoncelli. Image quality assessment: from error visibility to structural similarity. IEEE Transactions on Image Processing, 13(4):600–612, 2004.

  14. E. Chatzikyriakidis, C. Papaioannidis und I. Pitas. Adversarial face de-identification. In 2019 IEEE International Conference on Image Processing (ICIP), pages 684–688, 2019.

  15. Z. Liu, P. Luo, X. Wang und X. Tang. Deep Learning Face Attributes in the Wild. In Proceedings of International Conference on Computer Vision, 2015.

  16. S. Shan, E. Wenger, J. Zhang, H. Li, H. Zheng und B. Y. Zhao. Fawkes: Protecting personal privacy against unauthorized deep learning models. CoRR, abs/2002.08327, 2020.

  17. D. Deb, J. Zhang und A. K. Jain. Advfaces: Adversarial face synthesis. In 2020 IEEE International Joint Conference on Biometrics (IJCB), pages 1–10, 2020.

  18. U. Kelly, L. Spreeuwers und R. Veldhuis. Exploring Face De-Identification using Latent Spaces. In 2022 IEEE International Joint Conference on Biometrics (IJCB).

  19. J. Zhang, J. Sang, X. Zhao, X. Huang, Y. Sun und Y. Hu. Adversarial Privacy-Preserving Filter, page 1423–1431. Association for Computing Machinery, New York, NY, USA, 2020.

  20. G. Hinton und S. Roweis. Stochastic neighbor embedding. In Advances in Neural Information Processing Systems, volume 15. MIT Press, 2002.

Download references

Author information

Authors and Affiliations

  1. University of Twente, Enschede, Niederlande

    Una Kelly, Luuk Spreeuwers & Raymond Veldhuis

Authors
  1. Una Kelly
    View author publications

    You can also search for this author in PubMed Google Scholar

  2. Luuk Spreeuwers
    View author publications

    You can also search for this author in PubMed Google Scholar

  3. Raymond Veldhuis
    View author publications

    You can also search for this author in PubMed Google Scholar

Corresponding author

Correspondence to Una Kelly.

Rights and permissions

Reprints and permissions

About this article

Check for updates. Verify currency and authenticity via CrossMark

Cite this article

Kelly, U., Spreeuwers, L. & Veldhuis, R. De-Identifikation von Gesichtsbildern. Datenschutz Datensich 47, 27–30 (2023). https://doi.org/10.1007/s11623-022-1711-7

Download citation

  • Published:

  • Issue Date:

  • DOI: https://doi.org/10.1007/s11623-022-1711-7

Search

Navigation