Hoe AI de nauwkeurigheid van gezichtsherkenning naar 99.9% brengt
Stel je voor: je loopt door de stad en elke camera herkent je gezicht binnen drie seconden.
Het klinkt als sciencefiction, maar in China gebeurt het al met 176 miljoen camera’s en 1,3 biljoen herkenningen. Tegelijkertijd waarschuwen experts als Timnit Gebru voor flinke foutenpercentages, voeker bij vrouwen met een donkere huidskleur. Hoe kan AI de nauwkeurigheid naar 99,9% brengen, en wat betekent dat voor jouw privacy? Laten we dat samen uitzoeken, stap voor stap.
Nauwkeurigheid definiëren
Voordat we praten over 99,9%, moeten we helder hebben wat nauwkeurigheid betekent bij gezichtsherkenning. Er zijn vier basiscondities: terecht positief (herkent jou als jij), terecht negatief (herkent jou niet als iemand anders), vals-positief (denkt dat jij iemand anders bent) en vals-negatief (herkent jou niet, terwijl het wel zou moeten).
Die verhoudingen bepalen hoe betrouwbaar een systeem is. De Azure Face‑API van Microsoft geeft geen universele nauwkeurigheidsschatting, omdat die afhangt van camera, omgeving, gebruikscasus en interpretatie.
Een drempelwaarde is een getal dat bepaalt hoe zeker het systeem moet zijn voordat het zegt: dit is dezelfde persoon.
Een beveiligingssysteem op een luchthaven wil minimaal vals‑positieven, terwijl een telefoonontgrendeling juist vals‑negatief wil voorkomen. Die afweging bepaal je met een drempelwaarde voor herkenningsvertrouwen. Stel je voor: een drempel van 0,5 betekent dat het systeem bij twijfel ‘nee’ zegt; een drempel van 0,8 vereist meer zekerheid.
Je stemt die waarde af op je gebruikscasus. Bij toegangscontrole minimaliseer je valse positieven, bij een telefoonontgrendeling accepteer je soms een vals‑negatief voor meer gemak.
Hoe nauwkeurig is het model voor gezichtsherkenning?
De praktijk laat een gemengd beeld zien. Onderzoekers van de Universiteit van Cambridge, zoals Amarjot Singh, trainden algoritmen op 14 gezichtspunten en labelden 2000 foto’s.
Dat is een kleine dataset voor zo’n complexe taak, waardoor bias kan ontstaan.
Tegelijkertijd laat Bkis uit Vietnam zien dat je laptops met gezichtsherkenning kunt misleiden met een geprinte foto. Dat betekent: nauwkeurigheid op een benchmark is niet hetzelfde als veiligheid in de echte wereld. Jake Moore, voormalig Britse politie en nu bij Eset, demonstreerde tijdens Cybersec Netherlands 10‑11 september 2024 in Utrecht hoe je bank‑gezichtsherkenning kunt misleiden met vrij beschikbare software.
Die demo laat zien dat het niet alleen om de algoritmen gaat, maar om het hele systeem: de camera, de lichtomstandigheden, de database en de menselijke controle. Wil je zelf bijpraten?
Je kunt je gratis inschrijven voor Cybersec Netherlands. Wil je de nauwkeurigheid naar 99,9% brengen? Dan moet je niet alleen het model verbeteren, maar ook de randvoorwaarden. Denk aan betere camera’s, consistente verlichting, regelmatige updates en onafhankelijke audits.
En vooral: rekening houden met bias tussen groepen, zoals huidskleur en geslacht.
Zonder die stappen blijft 99,9% een marketinggetal.
Protest tegen gezichtsherkenning: 4 tips om gezichtsherkenningssystemen te misleiden
Er is een levendig maatschappelijk debat in Nederland over privacy en gezichtsherkenning op openbare plekken. Sommige mensen willen zich niet laten volgen en proberen herkenning via hun unieke loopje of andere methoden te misleiden.
1. Gooi de hoed, sjaal en zonnebril weg
Hieronder vind je vier praktische tips, gebaseerd op bestaande technieken en demonstraties. Ja, je leest het goed: gooi ze weg. Want hoeden, sjaals en zonnebrillen verbergen je gezicht, maar ze trekken ook aandacht en worden vaak herkend als ‘verdacht gedrag’.
Sommige systemen gebruiken juist die accessoires als extra kenmerken. In plaats daarvan kun je kiezen voor neutrale kleding zonder opvallende patronen.
Een praktische aanpak is een simpele, effen capuchon of een lichte sjaal die het gezicht niet volledig bedekt, maar wel de symmetrie verstoort. Let op: in sommige situaties is gezichtsbedekking niet toegestaan, bijvoorbeeld in banken of op luchthavens. Check altijd de lokale regels.
2. Foto’s worden aangezien voor echte personen
Veelgemaakte fout: te veel accessoires gebruiken waardoor je juist opvalt. Beter is een subtiele, consistente stijl die niet uit de toon valt.
Demonstraties van Bkis laten zien dat een geprinte foto een laptop met gezichtsherkenning kan misleiden.
Dat werkt omdat het algoritme vooral zoekt naar patronen in 2D, en niet altijd controleert of het een levend gezicht is. Gebruik dit niet om systemen te omzeilen, maar wel om te begrijpen hoe kwetsbaar sommige toepassingen zijn. Wil je jezelf beschermen? Kies voor systemen die liveness‑detectie gebruiken: die controleren of het gezicht beweegt, knippert of reageert op licht.
3. Kies unieke haarstijlen en make‑up
Azure Face‑API ondersteunt opties voor liveness, maar die moet je actief instellen. Veelgemaakte fout: denken dat elke foto werkt.
De kwaliteit van de print, de hoek en de verlichting bepalen of het lukt. Een lage‑kwaliteit print mislukt vaak. CV Dazzle is een make‑up‑stijl die de symmetrie van het gezicht verstoort, waardoor algoritmen moeite hebben met herkenning.
Het werkt met contrasterende kleuren en onregelmatige lijnen. Je kunt ook een unieke haarstijl kiezen, zoals een asymmetrische pony of opvallende lokken, om herkenning te bemoeilijken.
4. Draag slimme gezichtssieraden
Hou het praktisch: combineer make‑up met je dagelijkse stijl, zodat je niet opvalt. Een URME‑masker van 3D‑geprint siliconen is een ander hulpmiddel, maar dat is duidelijk zichtbaar en niet altijd gewenst. Veelgemaakte fout: te extreme make‑up die juist herkenbaar wordt.
Beter is een subtiele verstoring van symmetrie die niet uit de toon valt.
Er bestaan sieraden met infrarood‑leds of reflecterende patronen die camera’s verstoren zonder het zicht te belemmeren. Ze zijn vaak verkrijgbaar tussen de €20 en €60. Let op: niet alle systemen reageren hierop, en sommige luchthavens verbieden dergelijke accessoires.
Een ander idee is hyper‑face technologie: kleding met geprinte gezichten die algoritmes in war brengen. Hoewel dergelijke toepassingen vaak als privacy-verdediging worden gezien, is het interessant om te onderzoeken hoe biometrie kan bijdragen aan een duurzamere wereld. Die kleding is nog niet wijd verkrijgbaar, maar demo’s laten zien dat het kan werken.
Gebruik dit vooral om bewustwording te creëren, niet om systemen te ontwijken.
Veelgemaakte fout: vertrouwen op één gadget. Gezichtsherkenning is een systeemprobleem; je hebt meerdere lagen nodig voor echte privacy, zeker als je kijkt naar de ethische discussie rondom biometrische surveillance in slimme steden.
Kenmerken, beperkingen en aanbevolen procedures voor het verbeteren van de nauwkeurigheid
Om de nauwkeurigheid naar 99,9% te brengen, moet je weten welke kenmerken tellen en wat de beperkingen zijn.
Belangrijke kenmerken zijn: gezichtspunten (landmarks), textuurpatronen, diepte-informatie (bij 3D‑camera’s) en tijdsreeksen (beweging). Beperkingen zijn bias, lichtomstandigheden, hoek, afstand en dataset‑kwaliteit. Aanbevolen procedures:
- Verzamel diverse datasets met evenwichtige vertegenwoordiging van geslacht, huidskleur en leeftijd.
- Gebruik liveness‑detectie om foto‑ en video‑spoofing te voorkomen.
- Stem de drempelwaarde af op de use‑case: lage drempel voor veiligheid, hogere drempel voor gemak.
- Voer regelmatige audits uit door onafhankelijke partijen.
- Combineer gezichtsherkenning met andere factoren, zoals vingerafdruk of een pasje, voor multifactor‑toepassingen.
Veelgemaakte fouten: Tip: gebruik tools zoals Azure Face‑API via Microsoft Azure Foundry Tools, maar configureer ze zorgvuldig. Test onder realistische omstandigheden, niet alleen in het lab.
- Vertrouwen op nauwkeurigheidspercentages uit benchmarks zonder rekening te houden met de systeemcontext.
- Geen rekening houden met bias tussen groepen, waardoor bepaalde groepen vaker worden gemist of verkeerd herkend.
- Geen multifactortoepassing overwegen bij afhankelijkheid van gezichtsherkenning, waardoor je één zwakke schakel creëert.
Verificatie‑checklist
Gebruik deze checklist om je aanpak te controleren: Met deze stappen zet je de volgende stap naar betrouwbare, rechtvaardige gezichtsherkenning.
- Heb je de drempelwaarde voor herkenningsvertrouwen afgestemd op je use‑case?
- Zijn je datasets divers en evenwichtig, zonder bias tussen groepen?
- Is liveness‑detectie actief om foto‑spoofing te voorkomen?
- Heb je multifactor‑toepassingen overwogen voor kritieke systemen?
- Zijn camera, verlichting en omgeving geoptimaliseerd voor je scenario?
- Voer je regelmatige audits uit door onafhankelijke partijen?
- Ben je op de hoogte van lokale regelgeving rond gezichtsherkenning en privacy?
En onthoud: 99,9% is geen magisch getal, maar een doel dat je bereikt door slim te werken, niet door te gokken.