So funktioniert es

Diese Seite erläutert das konzeptionelle Modell hinter AI Insights & People: was zwischen dem Moment passiert, in dem eine Kamera ein Gesicht erfasst, und dem Moment, in dem dieses Gesicht auf Ihrer Personen-Zeitachse als identifiziertes Mitglied, als Besucher mit dem Status "Unsure" oder gar nicht erscheint.

Für die Nutzung des Produkts benötigen Sie nichts davon – es erleichtert aber das Verständnis der Abstimmungseinstellungen und der Prüfwarteschlange von Self Learning erheblich. Dieselbe Pipeline wird live und mit den tatsächlichen Schwellenwerten Ihrer Einrichtung in den Bereichen Logic Visualisation auf den Einstellungsseiten Member Matching und Shadow Profiles dargestellt.

Die Beteiligten

Die Identifizierungs-Pipeline

Jedes erkannte Gesicht durchläuft dieselbe geordnete Entscheidungskette. Die Reihenfolge ist wichtig – das Ergebnis einer früheren Stufe verhindert, dass spätere Stufen ausgeführt werden.

1. Sperrlistenprüfung (immer zuerst)

Das Gesicht wird mit einem festen Schwellenwert von 95% (nicht konfigurierbar) mit der Sperrlistensammlung Ihrer Einrichtung verglichen. Bei einem Treffer endet die Verarbeitung sofort: Die Erkennung wird verworfen und erscheint nie auf der Zeitachse. Deshalb ist die Sperrliste so wirksam gegen statische Fehlerkennungen wie Plakate und Schaufensterpuppen – siehe Sperrliste.

2. Gesichtsextraktion

Das System prüft, ob das Bild tatsächlich ein verwertbares Gesicht enthält, und extrahiert dessen Merkmale, Kopfhaltung und einen Konfidenzwert. Kein Gesicht → verworfen.

3. Suche unter identifizierten Mitgliedern

Das Gesicht wird in der identifizierten Sammlung gesucht – alle Mitglieder mit validierten Fotos oder zuvor bestätigten Erkennungen. Die Suche beginnt beim Identified Collection Search Floor (Standard bei der Voreinstellung Balanced: 40% Ähnlichkeit), sodass Grenzfall-Kandidaten zumindest berücksichtigt werden.

4. Besuchsgestützter Abgleich

Vor der endgültigen Entscheidung prüft das System die letzten Check-ins in der Einrichtung. Hat ein Kandidat innerhalb des Check-in Lookback Window (Standard 30 mins) eingecheckt, erhält sein Ähnlichkeitswert den Visiting Member Bonus (Standard +5). Die Überlegung dahinter: Wenn jemand, der Alex Nguyen zu 82% ähnelt, vor drei Minuten die Karte von Alex Nguyen benutzt hat, handelt es sich fast sicher um Alex.

5. Die Abgleichsentscheidung

• Wert ≥ Identified Match Threshold (Standard 85%, Balanced) → die Erkennung wird als dieses Mitglied bestätigt.
• Grenzfallwerte – innerhalb der Borderline Confidence Zone (Standard +7 Punkte über dem Schwellenwert) – durchlaufen eine zusätzliche Prüfung der Kopfhaltung: Das Gesicht muss weitgehend frontal ausgerichtet sein (Standardgrenzen für identifizierte Personen: Yaw 55° / Pitch 30° / Roll 30°). Gesichter mit starkem Winkel und Grenzfall-Konfidenz werden verworfen, statt eine Fehlidentifizierung zu riskieren.
• Wert unter dem Drop Threshold (Standard 45%) → die Ähnlichkeit ist "not high enough to confirm the correct person with certainty", und die Erkennung wird vom Abgleich ausgeschlossen.
• Alles dazwischen → die Person wird als unsure behandelt und geht weiter zu Schritt 6.

6. Abgleich mit Shadow Profiles

Nicht zugeordnete Gesichter werden in der nicht identifizierten Sammlung gesucht – den Shadow Profiles bereits gesehener Personen mit dem Status "unsure":

• Wert ≥ Profile Link Threshold (Standard 80%) → die Erkennung wird mit diesem vorhandenen Shadow Profile verknüpft. Derselbe Besucher behält über Tage und Kameras hinweg dieselbe Identität "Unsure - …".
• Keine Übereinstimmung → die Erkennung wird zum Kandidaten für ein neues Shadow Profile, allerdings erst nach den Qualitätsprüfungen (nächster Schritt).

7. Qualitätsprüfungen für neue Shadow Profiles

Ein Shadow Profile anzulegen bedeutet, sich auf ein Referenzfoto festzulegen, mit dem das System wochenlang vergleicht – das Foto muss also gut sein. Zwei Stufen laufen nacheinander ab:

Fotos, die diese Prüfungen bestehen, durchlaufen eine Merkmalsanalyse (geschätztes Alter, Geschlecht, Emotion) und anschließend eine abschließende Prüfung auf Race Conditions: Da Erkennungen parallel verarbeitet werden, durchsucht das System die Shadow-Sammlung vor dem Anlegen des Profils noch einmal, damit zwei Bilder desselben neuen Besuchers nicht zwei Profile erzeugen. Das Ergebnis lautet entweder New Shadow Profile Created oder Matched Existing Shadow Profile.

Alle diese Schwellenwerte lassen sich über die Voreinstellungen Lenient / Balanced / Strict abstimmen – siehe Feinabstimmung der Gesichtserkennung.

Self Learning: die Identifizierungslücke schließen

Der Gesichtsabgleich allein kann kein Mitglied identifizieren, das kein Foto hat – oder ein Foto, das zu schlecht ist, um die Validierung zu bestehen. Self Learning löst dieses Problem mit Verhalten statt Biometrie:

1. Die Erkennungszeiten jeder nicht identifizierten Person werden über einen Rückblickzeitraum mit den Check-ins der Mitglieder korreliert (standardmäßig sind 8 korrelierte Besuche erforderlich, betrachtet werden die letzten Monate, mit einem Zeitfenster von etwa 10 Minuten vor und nach jedem Check-in).
2. Hat genau ein Mitglied jedes Mal eingecheckt, wenn diese Person erkannt wurde, laufen Validierungsprüfungen (Übereinstimmung des Geschlechts, optionale Alterstoleranz).
3. Prüfungen bestanden → das Profil wird automatisch mit diesem Mitglied verknüpft. Prüfungen nicht bestanden → es landet in der Warteschlange Pending Review zur Entscheidung durch einen Menschen. Mehrere mögliche Mitglieder → keine Übereinstimmung; das System beobachtet weiter.

Unabhängig davon hält das System die Gesichtsreferenz einer bereits identifizierten Person im Hintergrund aktuell: Nahezu perfekte Übereinstimmungen (Ähnlichkeit ab 99%) können automatisch als Shadow Photos hinzugefügt werden, begrenzt auf einen kleinen rotierenden Satz (6) pro Person, damit die Erkennung auch bei verändertem Aussehen weiter funktioniert. Diese automatisch hinzugefügten Fotos sind im Profil mit "Auto-added by self-learning" gekennzeichnet.

Die vollständige Pipeline, ihre Status und der Prüfablauf sind unter Self Learning beschrieben.

Von Erkennungen zur Zeitachse

Rohe Erkennungen wären unübersichtlich, daher zeigt die Zeitachse Besuche: Erkennungen, die anhand der Einstellungen Detection Grouping zu Gruppen zusammengefasst werden – standardmäßig beginnt ein neuer Besuch nach einer Lücke von 45 Minuten, und nicht identifizierte Personen erscheinen überhaupt erst ab mindestens 3 Erkennungen über einen Zeitraum von 5 Minuten (damit jemand, der kurz an einer Türkamera vorbeigeht, die Ansicht nicht überlädt). Über einen Schalter in der Symbolleiste der Zeitachse können Sie diesen Schwellenwertfilter deaktivieren, wenn Sie jeden kurzen Auftritt sehen möchten.

Was wo ausgeführt wird

Jede Einrichtung hat eigene, isolierte Gesichtssammlungen (identifiziert, nicht identifiziert und Sperrliste) – die Erkennung erfolgt nie einrichtungsübergreifend. Gesichtsbilder und KI-Metadaten werden in der von Ihnen gewählten Speicherregion gespeichert und gemäß der Aufbewahrung von AI Metadata (Standard 24 Monate) gelöscht. Siehe Sicherheit und Datenschutz.

Glossar