\section{Gesichtserkennung} \label{sec:face} Die Identifizierung von Menschen aufgrund der Merkmale ihres Gesichtes ist ein weiteres populäres Verfahren, welches gegenüber Fingerabdrücken einige Vorteile bietet. Da es kontaktfrei arbeitet, das heißt ohne physischen Kontakt zu dem zu identifizierenden Menschen auskommt, werden Verunreinigung und starke Abnutzung der Messgeräte ausgeschlossen. In einigen, vor allem asiatischen Kulturen besteht eine Hemmung Gegenstände anzufassen die Fremde benutzt haben \cite{arte}. Daher ist die Gesichtserkennung dort aus psychologischen Gründen ganz besonders vorteilhaft. \subsection{Messung} \label{sec:face_messung} Trotz der Vorteile, sind für eine zuverlässige Gesichtserkennung einige Hürden zu überwinden, um Menschen trotz ihrer sich ständig verändernden Mimik sowie eventuellen Bartwuchses und unvermeidlicher Alterung korrekt zu erkennen. Ein zusätzliches Problem für die richtige Erkennung sind wechselnde Lichtverhältnisse, die die Ausleuchtung eines Gesichtes verändern. Die Erfassung verläuft in zwei Phasen \cite{tab93}. In der ersten Phase muss das von einer Kamera aufgenommene Bild analysiert werden, um das Gesicht zu finden und vom Hintergrund zu extrahieren (\emph{face detection}). Dazu gibt es verschiedene Möglichkeiten, etwa durch das Auffinden von typischen Gesichtsbewegungen, die Suche nach gesichtsähnlichen Formen oder gar die Verwendung von Thermogrammen, die mit Infrarotkameras aufgenommen werden. Die zweite Phase beschäftigt sich mit der Analyse des nun gefundenen Gesichtes (\emph{face recognition}). Auch in der zweiten Phase gibt es mehrere Alternativen, die eingesetzt werden, um das Gesicht zu identifizieren. Die einfachste Methode ist die \emph{Gesichtsmetrik} \cite{wächter}, bei der die Positionen von Augen, Nase, Mund und weiteren Gesichtsmerkmalen zueinander in Verhältnis gesetzt wird. Dabei können auch die Größen der Organe sowie die Breite des Gesichtes und weitere Längen in die Messung mit aufgenommen werden. Diese Werte werden mit den Werten der Templates in der Datenbank verglichen, bis man ein Template findet, dass ähnliche Proportionen aufweist. Eine weitere einfache Methode ist das \emph{Template-Matching} \cite{wächter}, bei dem charakteristische Teile des Gesichtes wie die Nase, die Augen oder der Mund aus dem Gesichtsbild ausgeschnitten werden und jeweils einzeln gegen eine Datenbank von Gesichtsausschnitten (den Templates) verglichen werden. Dabei werden die einzelnen Teile übereinander gelegt und die Anzahl der nicht übereinstimmenden Pixel gezählt. Je niedriger die Anzahl der Pixel, desto größer die Übereinstimmung der Bilder. \begin{figure}[ht] \centering \includegraphics[height=8cm]{template-matching} \caption{Ausschnitte des Gesichtes, die für das Template-Matching verwendet werden \cite{wächter}} \label{fig:face_template} \end{figure} Das \emph{Elastic Bunch Graph Matching} \cite{wächter} ist ein Verfahren, bei dem auf über das Gesicht ein Netz gelegt wird, der sogenannte \emph{Labeled Graph}. Die Knoten dieses Netzes werden auf markante Stellen des Gesichtes gesetzt, so dass das Netz nicht radial oder rechtwinklig ist, sondern aus vielen einzelnen, verbundenen Strecken besteht, die verschieden lang sind. Ein solcher \emph{Labeled Graph} ist auf Abbildung~\ref{fig:face_graph} dargestellt. Die Längen und Winkel die die Verbindungslinien zueinander bilden sind für das Gesicht individuell, können also benutzt werden um die Ähnlichkeit von Gesichtern zu vergleichen. Bei einem Vergleich der Eingangsdaten eines Gesichtes mit einer Datenbank ähneln sich die Gesichter am meisten, die die meisten ähnlichen Winkel und Längen in ihren Netzen enthalten. \begin{figure}[ht] \centering \includegraphics[height=8cm]{bunch-graph} \caption{Der \emph{Labeled Graph} am Gesicht angetragen \cite{nature}} \label{fig:face_graph} \end{figure} Eines der etabliertesten Verfahren ist die Nutzung der \emph{Eigengesichter}\footnote{\emph{Eigenfaces}} \cite{tab76}, dabei wird das Gesicht in 100 bis 150 einzelne Bilder zerlegt, die auf verschiedene Weisen vereinfachte Versionen des ursprünglichen Bildes sind und die nun einfacher automatisiert mit anderen, bereits sich in der Datenbank befindlichen Eigengesichtern verglichen werden können. Einige \emph{Eigengesichter} eines Gesichtes sind auf Abbildung~\ref{fig:face_eigenface} dargestellt. \begin{figure}[ht] \centering \includegraphics{tab76-eigen} \caption{Eigenfaces \cite{tab76}} \label{fig:face_eigenface} \end{figure} Ein anderes, bereits im komerziellen Einsatz erprobtes Verfahren beruht darauf, dass von dem beim Enrollment aufgenommenen Gesichtsbild ein Computerprogramm über 300 verschieden ausgeleuchtete Versionen des ursprünglichen Bildes erstellt \cite{arte}. Dabei wird ein \emph{Raytracing} genanntes Verfahren eingesetzt, dass oft bei 3D-Animationen zum Einsatz kommt um Licht zu simulieren. Zusätzlich werden weitere 400~Bilder mit geringfügig unterschiedlichen Gesichtspositionen generiert. Dies wird durch ein \emph{Modeling} genanntes Verfahren erreicht, bei dem das flache Bild des Gesichtes, die \emph{Textur}, auf ein 3D-Modell gelegt wird. Dadurch ist es möglich, das während der Identifizierung aufgenomme Bild leicht mit den in der Datenbank vorhandenen Bildern zu vergleichen und die Person zu identifizieren. \subsection{Einsatzgebiete} \label{sec:face_einsatz} Da das Gesicht recht groß ist, lässt es sich auch noch aus größerer Entfernung aufnehmen, ohne dass die aufgenommene Person dies überhaupt merken muss. Somit eignet sich die Gesichtserkennung perfekt zur Überwachung von Personen auch in größeren Menschenmengen. Das Bundeskriminalamt testete von Oktober~2006 bis Januar~2007 am Mainzer Haptbahnhof drei komerzielle Systeme zur Gesichtserkennung \cite{ix}. Unter den täglich circa 22 000 Besuchern des Bahnhofes war eine Gruppe von 200 bekannten Testpersonen, die von den Systemen erkannt werden sollte. Die besten Erkennungsraten wurden auf Rolltreppen erziehlt, wobei die Leute unbeweglt standen. Bei optimalen Lichtverhältnissen betrug die Erkennunsrate des besten Systems 70~Prozent, unter direkter Sonneneinstrahlung oder Dunkelheit sank sie jedoch auf 10 bis 20~Prozent. Dieser Wert ist für automatisierte Fahndung natürlich nicht akzeptabel. Obwohl das Bundeskriminalamt in nächster Zeit keine Pläne zur Bahnhofsüberwachung hat, wäre der Einsatz eines biometrischen Überwachungsystems eine Möglichkeit die Fahnder am Bahnhof zu unterstützen. So sinkt die Aufmerksamkeit eines Fahnders, der das Bild von zwei Monitoren überwacht innerhalb von 12~Minuten um 50~Prozent, in 22~Minuten schon um 95~Prozent. Ein halbautomatisches System mit einer großen \emph{FAR}, dass bei Verdacht den Fahnder alarmiert, so dass der er diesem Hinweis nachgehen kann könnte die Effektivität der Personensuche stark erhöhen. Ein weiteres Einsatzgebiet für biometrische Gesichtserkennung sind Spielecasinos \cite{ix}. Nach einem Urteil des Bundesgerichtshofes sind Casinos verpflichtet, Spielsüchtige am Spiel zu hindern. Einige Casinos bieten es daher an, sich für eine "`freiwillige Selbstsperrung"' biometrisch erfassen zu lassen. Dadurch können die Überwachungssysteme des Casinos die gesperrten Personen im Falle eines erneuten Besuches schnell erkennen und das Personal auf diese Personen aufmarksam machen. Das Personal kann nun die freiwillig gesperrte Person nach draußen bitten. \subsection{Fälschungen} \label{sec:face_forge} Die Überwindung simpler Gesichtserkennungssysteme gestaltet sich äußerst einfach, da sich die Systeme oft schon durch Fotografien oder Videos von Gesichtern täuschen lassen. Daher ist es wichtig, dass der Indentifizierungsvorgang durch Personal überwacht wird oder eine Lebenderkennung einzusetzen. Eine Lebenderkennung kann Augen- oder Lidbewegungen vorraussetzen, sowie zum Schutz vor Videoatrappen die Bewegungen des Kopfes sowohl optisch als auch thermisch mit Infrarotkameras aufnehmen und feststellen, ob sie zueinander passen. \begin{figure}[ht] \centering \includegraphics[height=8cm]{tab76-thermogramm} \caption{Das Thermogramm eines Gesichtes \cite{tab76}} \label{fig:face_thermogramm} \end{figure}