Hoe betrouwbaar is AI-gezichtsherkenning bij slechte verlichting?

Stel je voor: je staat in het donker bij de deur van je kantoor, je telefoon scant je gezicht en je mag niet naar binnen. Niet omdat je niet bent wie je zegt dat je bent, maar omdat de camera je simpelweg niet herkent bij weinig licht.

AI-gezichtsherkenning klinkt supermodern, maar in de praktijk heeft het nogal wat haken en ogen, vooral bij slechte verlichting.

Laten we samen uitzoeken hoe betrouwbaar het echt is en wat je kunt doen om problemen te voorkomen.

Ongewenste effecten van kunstmatige intelligentie

AI-gezichtsherkenning is geen toverstaf. Als de verlichting slecht is, presteert de technologie minder goed, en dat kan leiden tot frustratie of zelfs uitsluiting.

Denk aan een slimme deurbel die je niet herkent omdat je ’s avonds in de schaduw staat, of een toegangssysteem op kantoor dat je pas na drie pogingen binnenlaat. Er zijn al voorbeelden waarbij verplichte gezichtsherkenningssoftware voor problemen zorgde. Het College voor de Rechten van de Mens oordeelde eind 2022 dat de VU mogelijk discrimineerde met verplichte gezichtsherkenningssoftware. Dat laat zien dat technologie niet altijd neutraal is en dat je als organisatie of gebruiker goed moet opletten.

Ook bij consumentenproducten zie je uitdagingen. Sommige slimme camera’s in deurbellens of beveiligingssystemen werken prima bij daglicht, maar schieten tekort in het donker.

Verzinsels en discriminatie

Het gevolg: valse afwijzingen, gemiste herkenning en een onbetrouwbaar gevoel van veiligheid.

Een veelgemaakte fout is het niet testen op diversiteit en slechte verlichting. Vooral mensen met een donkere huid worden soms minder goed herkend, wat tot discriminatie en uitsluiting leidt. Dit is niet alleen oneerlijk, het is ook een risico voor organisaties die verantwoordelijkheid willen nemen.

Denk aan een slimme vergadercamera die gezichten herkent voor het starten van een sessie. Als die camera bij weinig licht of bij donkere huid minder goed werkt, loop je het risico dat collega’s buiten de boot vallen. Dat wil je niet.

Verschil in lichtreflectie

Lichtreflectie in je ogen is een handig signaal voor AI om echt te zien of het om een levend persoon gaat.

Onderzoekers van de Universiteit van Hull ontwikkelden een tool die lichtreflectie in ogen analyseert om AI-beelden te detecteren. Een Gini-score richting 0 is natuurlijk, richting 1 is bedrog. Deze tool kan helpen bij het opsporen van gefakette beelden, maar het is geen garantie.

De methode vereist een duidelijke close-up van de ogen en is niet volledig nauwkeurig. Er zijn vals-positieven (een echt gezicht wordt ten onrechte als nep gemarkeerd) en vals-negatieven (een nepbeeld wordt gemist).

Tip: combineer lichtreflectie-checks met andere biometrische methoden, zoals vingerafdrukken of tweefactorauthenticatie, voor een robuustere oplossing.

Verraderlijke 'vriend'

Gebruik deze detectietools daarom als extra check, niet als enige waarheid. Praktisch gezien werkt lichtreflectie het best bij voldoende en gelijkmatige verlichting.

In het donker is er minder reflectie en is de kans op fouten groter. Bij slimme deurbellen of beveiligingscamera’s betekent dit dat je buiten bij nacht extra voorzichtig moet zijn. AI-chatbots kunnen een verraderlijke ‘vriend’ zijn. Denk aan “My AI” op Snapchat: handig, maar controleer altijd leeftijdsafstemming en veiligheid voor kinderen.

Een chatbot kan suggesties doen die niet passen bij de leeftijd of situatie, en dat kan onbedoelde risico’s opleveren. Bij gezichtsherkenning zie je een vergelijkbaar effect: de technologie voelt betrouwbaar, maar faalt stilzwijgend bij slechte verlichting of bij bepaalde groepen. Dat is een verraderlijke valkuil, want je merkt het pas als het misgaat.

Basis voor verdere verbetering

Er gebeurt veel op het gebied van AI-veiligheid en privacy. Europese AI Act is aangenomen in 2024, stapsgewijs invoering de komende jaren.

Dat betekent dat organisaties die gezichtsherkenning gebruiken, moeten voldoen aan strengere eisen rond transparantie, bias en veiligheid.

Meta ontwikkelt “Name Tag” voor slimme brillen (Ray-Ban/Oakley) om gezichten te herkennen; intern memo dateert van mei 2025. Tegelijkertijd zette Meta gezichtsherkenning op Facebook vijf jaar geleden stop vanwege privacyzorgen. Die spanning tussen innovatie en privacy laat zien hoe complex het veld is.

Voor jou als gebruiker of organisatie betekent dit: blijf kritisch, test op diversiteit en slechte verlichting, en zorg voor een plan-B als gezichtsherkenning faalt. Denk aan een fysieke pas, vingerafdrukscanner of een handmatige controle als backup.

• Test je camera’s bij weinig licht en op verschillende huidtinten.
• Zorg voor alternatieve toegangsmethoden als gezichtsherkenning niet werkt.
• Lees de handleiding van je slimme camera of deurbel voor specifieke limieten.

Transparantie is belangrijk

Transparantie begint bij weten wat je koopt. Kies voor merken die duidelijk maken hoe hun AI werkt, welke data ze verzamelen en hoe ze omgaan met privacy.

Bij slimme camera’s en gezichtsherkenning gaat het om biometrie, en die data is gevoelig.

Let op prijzen en specificaties. Een slimme deurbel met gezichtsherkenning kost vaak tussen €150 en €300, afhankelijk van merk en functies. Een slimme bril met gezichtsherkenning (bijvoorbeeld Ray-Ban Meta) ligt in de range van €300 tot €500.

Check of de fabrikant ondersteuning biedt voor donkere huid en slechte verlichting. Vraag leveranciers naar testresultaten en certificeringen. Wees kritisch op vage beloftes. Een betrouwbare partij geeft openheid over beperkingen en adviseert een plan-B.

Veelgemaakte fouten bij implementatie

• Niet testen op diverse huidtinten en slechte verlichting.
• Geen backup-methode beschikbaar stellen bij falen van gezichtsherkenning.
• Te weinig aandacht voor privacy en data-opslag van biometrische data.
• Vertrouwen op één techniek zonder transparantie over beperkingen.

Stap-voor-stap handleiding: betrouwbaar testen van AI-gezichtsherkenning bij slechte verlichting

Je hebt nodig: een slimme camera of deurbel met gezichtsherkenning (bijvoorbeeld een Ring of Nest-deurbel), een slimme bril met gezichtsherkenning (optioneel, bijvoorbeeld Ray-Ban Meta), een donkere ruimte (binnen of buiten bij nacht), een tweede toegangsmethode (vingerafdrukscanner of pas), en een testpersoon met een donkere huid. Reken op 60–90 minuten voor een grondige test.

Stap 1: Voorbereiding en materiaalcheck

Check of je apparaat geschikt is voor gezichtsherkenning bij weinig licht. Lees de handleiding voor limieten en ondersteuning voor donkere huid.

Zorg dat de camera schoon is en dat firmware up-to-date is. Neem een tweede toegangsmethode als backup, zoals een vingerafdrukscanner (bijvoorbeeld een Aqara FP1) of een pas. Zorg dat deze werkt voordat je begint.

Tijd: 10 minuten. Veelgemaakte fout: vergeten om firmware bij te werken, wat leidt tot onnodige herkenningsfouten. Test eerst bij goed daglicht. Laat de testpersoon 5 keer lopen: normaal, licht schuin, iets verder weg, dichterbij, en met bril.

Stap 2: Baseline test bij daglicht

Noteer hoe vaak herkenning lukt en check hoe snel je een notificatie ontvangt. Tijd: 10 minuten.

Veelgemaakte fout: alleen recht voor de camera testen, waardoor je variatie mist. Dim het licht of test buiten bij nacht.

Stap 3: Test bij weinig licht

Gebruik een schemerlamp of buitenlamp met 200–400 lumen voor een realistische setting. Laat de testpersoon dezelfde 5 situaties doen. Meet de tijd tot herkenning en het aantal mislukkingen.

Als er een optie is voor “nachtmodus” of “infrarood”, test die dan apart.

Tijd: 15 minuten. Veelgemaakte fout: te weinig licht gebruiken waardoor de camera volledig faalt; zoek een realistische middenweg. Gebruik een detectietool voor lichtreflectie in de ogen, als je apparaat die ondersteunt of als je een externe tool hebt die begrijpt hoe AI-camera's omgaan met reflecties en schaduwen.

Stap 4: Lichtreflectie-check met close-up ogen

Maak een duidelijke close-up van de ogen, bij voorkeur bij gelijkmatig licht. Let op de Gini-score: richting 0 is natuurlijk, richting 1 is bedrog.

Gebruik dit als extra check, niet als enige waarheid. Verwacht vals-positieven en vals-negatieven.

Tijd: 10 minuten. Veelgemaakte fout: vertrouwen op één score zonder context; combineer met andere checks. Test met minimaal drie personen met verschillende huidtinten en gezichtskenmerken (bijvoorbeeld baard, bril, hoofddeksel).

Stap 5: Test op diversiteit

Noteer verschillen in herkenningspercentage. Als er een duidelijk verschil is, overweeg dan een ander merk of model dat expliciet test op diversiteit, of zet een alternatieve toegangsmethode in. Tijd: 15 minuten. Veelgemaakte fout: alleen testen met één persoon, wat een vertekend beeld geeft.

Als gezichtsherkenning faalt, schakel direct over op de backup-methode (vingerafdruk of pas).

Documenteer de foutmelding, tijd en omstandigheden. Stel een simpel beleid op: bij twee opeenvolgende mislukkingen wissel je naar plan-B.

Stap 6: Plan-B activeren en documenteren

Zo voorkom je frustratie en onveiligheid. Tijd: 10 minuten. Veelgemaakte fout: geen beleid hebben, waardoor mensen blijven proberen en vertraging oplopen.

De beste camera met AI-gezichtsherkenning voor kleine bedrijven kan handig zijn, maar bij slechte verlichting is het lang niet altijd betrouwbaar.

Test grondig, wees transparant, en zorg altijd voor een backup. Zo blijft je toegang veilig en eerlijk, voor iedereen.

Verificatie-checklist

• Is firmware up-to-date en is de camera schoon?
• Werkt de backup-methode (vingerafdruk/pas)?
• Zijn tests uitgevoerd bij daglicht, weinig licht en met diverse personen?
• Is lichtreflectie-check uitgevoerd bij close-up ogen, met begrip van vals-positieven?
• Is een duidelijk plan-B beleid gedefinieerd en gecommuniceerd?
• Zijn privacy-instellingen gecontroleerd en is duidelijk wat er met biometrische data gebeurt?