Katalog / Computer Vision & visuelle KI / VIS-016

Gesichtserkennung und biometrische Zutrittskontrolle

Registrierte Personen per Gesicht (mit Lebenderkennung) verifizieren oder identifizieren, um Türen, Tore, Geräte und Arbeitsplätze zu öffnen, mit datenschutzfreundlichen Konzepten für die EU.

Bausteine für den EigenbetriebBiometrieSuche & RAGBildverarbeitung

Türen, Tore, Kioske und Arbeitsplätze werden mit Ausweis oder PIN geöffnet, die man verleihen, verlieren oder stehlen kann. Gesichtserkennung vergleicht ein Live-Gesicht mit einem registrierten Template (1:1-Verifikation) oder einer kleinen Galerie (1:N-Identifikation) und ergänzt eine Lebenderkennung gegen Täuschung mit Foto, Bildschirm und Maske. Sie beschleunigt den Zutritt und bindet den Zugang an eine Person, doch Gesichts-Templates sind in der EU Daten besonderer Kategorien, sodass das Design (Templates auf dem Gerät, Freiwilligkeit, nicht-biometrische Alternative) ebenso wichtig ist wie das Modell.

Problem & Nutzen

  • Heute: RFID-Ausweise, PINs und Schlüssel dominieren. Verlorene Ausweise, Hinterherschlüpfen und das Teilen von Ausweisen schwächen die Sicherheit; Empfang und Ausweisverwaltung kosten Zeit. Betrug bei der Zeiterfassung („Buddy Punching“) ist ein häufiger Grund für das Interesse an Biometrie.
  • KI-Nutzen: freihändiger Zutritt, keine Zugangsdaten, die verloren gehen können, eine stärkere Bindung zwischen Person und Zugangsrecht, höherer Durchsatz an Drehkreuzen und Mehrfaktor-Authentifizierung für sensible Räume (Labore, Serverräume, Pharma-Reinräume, in denen Handschuhe Fingerabdrücke unpraktisch machen).
  • Genauigkeit ist messbar: Die laufende Face Recognition Technology Evaluation (FRTE) des NIST veröffentlicht unabhängige 1:1- und 1:N-Fehlerraten je Anbieter-Algorithmus, sodass Aussagen auf neutralen Daten verglichen werden können [1]. Die Werte hängen stark von Bildqualität und demografischen Merkmalen ab; verlassen Sie sich nicht auf Zahlen aus der Anbieterwerbung.
  • Gegengewicht: In der EU muss eine biometrische Lösung einen Erforderlichkeitstest bestehen: Wenn Ausweis plus PIN den Zweck erreichen, halten Aufsichtsbehörden Biometrie für unverhältnismäßig [2][3].

Varianten

  • 1:1-Verifikation (bevorzugt): Das Template liegt auf der eigenen Karte, dem Telefon oder der Wallet der Person; der Leser vergleicht nur. Geringste Auswirkung auf die Privatsphäre.
  • 1:N-Identifikation: Der Leser durchsucht eine registrierte Galerie (kleine Belegschaft, gesicherter Standort). Erfordert einen zentralen oder lokalen Template-Speicher und eine stärkere Begründung.
  • Geräte-/Arbeitsplatz-Anmeldung: Windows Hello for Business, Face ID, Android-Biometrie; Templates bleiben in sicherer Hardware auf dem Gerät.
  • Remote-Onboarding / KYC-Selfie-Abgleich: ein Selfie mit einem Ausweisfoto vergleichen, siehe ANOM-014 und AGENT-015.
  • Gastgewerbe und Reisen: freiwilliges Gesichts-Boarding, Hotel- oder Lounge-Zutritt; siehe die EDSA-Stellungnahme zu Flughäfen [2].
  • Verbraucher/privat: smarte Türklingeln und Telefonentsperrung; die Haushaltsausnahme gilt nur bei rein privater Nutzung.
  • Hier nicht behandelt: Polizeiarbeit, Grenzkontrolle und Identifizierung zur Überwachung (siehe VIS-010, VIS-050); Altersschätzung (VIS-029).

So funktioniert es

  1. Registrierung (Einwilligung/Vertrag, Ausweisprüfung, mehrere Gesichtsbilder)
  2. Template (Embedding-Vektor) auf Karte/Telefon oder in verschlüsseltem lokalem Speicher abgelegt Kamera an der Tür (NIR + RGB)
  3. Gesichtserkennung + Qualitätsschranke (Pose, Unschärfe, Licht)
  4. Erkennung von Präsentationsangriffen (Lebenderkennung: passive Textur/Tiefe/NIR, optionale Challenge)
  5. Embedding-Extraktion (CNN/ViT im ArcFace-Stil)
  6. 1:1-Vergleich mit angegebener Identität | 1:N-Nächste-Nachbarn-Suche in der Galerie
  7. Schwellenwertentscheidung + optionaler zweiter Faktor (Ausweis/PIN)
  8. Freigabe von Schloss/Drehkreuz, pseudonymisiertes Prüfprotokoll
  9. Ausweichspur (Ausweis/PIN/Wachpersonal) und manuelle Prüfung von Ablehnungen
  • Embedding-Modell: bildet einen Gesichtsausschnitt auf einen Vektor ab (typischerweise 512 Dimensionen); Entscheidungen nutzen einen Ähnlichkeits-Schwellenwert, der auf eine Ziel-Falschakzeptanzrate (FAR) des Standorts abgestimmt ist.
  • Lebenderkennung / Erkennung von Präsentationsangriffen (PAD): getestet nach der Methodik der ISO/IEC 30107-3; unabhängige Labore zertifizieren Produkte [4]. Injektionsangriffe (virtuelle Kameras, Deepfakes) erfordern Geräte- und Kameraattestierung, siehe SEC-011.
  • Mensch-in-der-Schleife (Human-in-the-Loop): Sicherheitspersonal behandelt Ablehnungen, Täuschungsalarme und Streitfälle bei der Registrierung; eine nicht-biometrische Alternative gleicher Geschwindigkeit muss immer bestehen.

Datenaufbereitung

Benötigte Daten: Registrierungsfotos oder Templates berechtigter Personen, die Zutrittsrechte-Matrix (wer darf wohin) und Protokolle der Türereignisse. Quellen sind HR-Systeme, das Zutrittskontrollsystem, das Besuchermanagement-Werkzeug, Ausweisdatenbanken und Besucherlisten auf Papier.

Typische Lücken: veraltete oder fehlende HR-Datensätze, Personen mit mehreren Identitäten, keine gültige Einwilligung oder Rechtsgrundlage für die Registrierung, schlechte Qualität der Registrierungsbilder, unklare Rollen und Zugangsrechte sowie unbegrenzt gespeicherte Protokolle.

Aufbereitungsschritte: die Stammdaten der Personen und die Zutrittsmatrix mit HR und dem Datenverantwortlichen bereinigen (PREP-004), Zweck und Rechtsgrundlage vor einer Wiederverwendung prüfen (PREP-025), eine freiwillige Alternative wie Karte oder PIN festlegen, die Registrierung bei Standardbeleuchtung und -haltung durchführen, Aufbewahrungsregeln festlegen und Templates nur auf dem Gerät oder in einem verschlüsselten Speicher halten. Werkzeuge: das Identitätssystem, ein Template-Tresor, Verzeichnisdienste. Die Datenaufbereitung macht etwa 15-25 Prozent des Aufwands aus; der größere Teil ist rechtlich und organisatorisch. Siehe GUIDE-003 und GUIDE-005.

Umsetzungswege

Welcher Weg für wen

  • KMU: Weg A, weil zertifizierte Zutrittskontrollprodukte mit Template-Speicherung auf dem Gerät oder On-Premises zu KMU-Preisen existieren; Biometrie sollte nur dort eingesetzt werden, wo Karte oder PIN eindeutig nicht ausreichen.
  • Unternehmen: Weg C, weil biometrische Templates Daten besonderer Kategorien sind und eine zentrale On-Premises-Plattform, die mit Zutritts- und Identitätssystemen integriert ist, die Kontrolle behält und mehrere Standorte bedient.
  • Entwickler: Weg C, weil offene Gesichtserkennungsbibliotheken auf HW1-Hardware laufen, wobei Modelllizenzen für die kommerzielle Nutzung zu prüfen sind.
  • Öffentliche Hand: Weg C auf souveräner Infrastruktur, weil Vergaberegeln, strenge rechtliche Grenzen für die biometrische Identifizierung und Souveränität selbst betriebene Lösungen begünstigen.

Weg A — Kaufen (Standardsoftware)

  • Zutrittskontrolle mit Gesichtslesern: Idemia (FR), Thales (FR), dormakaba (CH), Nedap (NL), Suprema (KR), HID, Terminals der Klasse Hikvision/Dahua (Lieferkette und Exportpolitik prüfen), Kamera-Ökosysteme von Axis und Bosch mit Partner-Analytik. Bevorzugen Sie Produkte mit Template-Speicherung auf dem Gerät und verschlüsselter kartenbasierter Registrierung.
  • SDKs für Identitätsprüfung / Lebenderkennung: IDnow (DE), Veriff (EE), Onfido/Entrust, Facephi (ES), Signicat (NO), Jumio, iProov.
  • Geräte-Anmeldung: Windows Hello for Business, Apple Face ID, Android-Biometrie der Klasse 3.
  • Wählen Sie A, wenn: weniger als einige hundert registrierte Nutzer je Standort, Standard-Türhardware und kein Data-Science-Team vorhanden sind. Prüfen: iBeta-/ISO-30107-3-PAD-Ergebnisse, Eintrag in der NIST FRTE, Hosting in der EU, Unterstützung bei der DSFA, Schnittstelle zum Löschen von Templates.

Weg B — Auf Cloud-KI-Diensten aufbauen

  • Gesichts-APIs: Azure AI Face (der Zugang zu Identifikations- und Verifikationsfunktionen ist über einen Antrag auf eingeschränkten Zugang (Limited Access) geregelt), Amazon Rekognition (Gesichtsvergleich, Suche und Face Liveness; EU-Regionen) [5]. Google Cloud bietet nur Gesichtserkennung im Sinne von Detektion, keine Wiedererkennung.
  • Entwurf für die DSGVO: nur Ausschnitte senden, EU-Regionen nutzen, reine Vergleichsaufrufe (1:1) gegenüber Cloud-Galerien bevorzugen, Bilder sofort löschen und einen Auftragsverarbeitungsvertrag schließen. Cloud-Galerien sind am schwersten zu rechtfertigen.
  • Integration: Leser oder Kamera → kleines Gateway → API → Schlosssteuerung über OSDP/Wiegand/REST.

Weg C — Selbst betreiben (Open Source)

  • Modelle/Werkzeuge: InsightFace (SCRFD-Detektion, ArcFace-Erkennung; Lizenzen der Modellgewichte prüfen, viele sind nur für Forschung) [6], AdaFace, MediaPipe/OpenCV-YuNet-Detektion, Silent-Face-Anti-Spoofing und ähnliche PAD-Modelle. Vektorsuche über FAISS oder pgvector.
  • Laufzeit: ONNX Runtime / TensorRT / OpenVINO auf Jetson Orin, Intel NPU oder einem CPU-Mini-PC; HW1 genügt für einige Türen.
  • Betriebsaufwand: mäßig; Sie verantworten PAD-Qualität, Schwellenwertkalibrierung, Template-Verschlüsselung und Updates. Open-Source-PAD hinkt zertifiziertem kommerziellem PAD gegenüber modernen Angriffen in der Regel hinterher und eignet sich daher für Anwendungen mit geringem Sicherheitsbedarf.

Weg D — Eigenes Training

Für die Erkennung selbst selten lohnend; Embeddings von Anbietern und aus offenen Quellen sind auf Millionen von Identitäten trainiert. Eigene Arbeit ist gerechtfertigt für domänenspezifisches PAD (ungewöhnliche NIR-Sensoren), Masken/PSA (Atemschutz, Reinraumhauben) oder Fairness-Abstimmung. Erfordert tausende Bilder mit Einwilligung unter verschiedenen Licht- und demografischen Bedingungen; aus dem Netz abgegriffene Gesichtsdaten sind in der EU rechtswidrig (siehe Risiken).

Stand der Technik (2026)

  • Erkennung: Margin-basierte Embeddings (ArcFace-Linie [7]) und großskalige ViT-Backbones führen die Bestenlisten der NIST FRTE an; die Fehlerraten bei frontalen Bildern guter Qualität sind sehr niedrig, und der Abstand zwischen Anbietern liegt inzwischen überwiegend bei schlechter Bildqualität, Masken und Altersunterschieden [1].
  • Lebenderkennung: Passive multispektrale/NIR- und Tiefen-PAD ist Standard; die aktive Bedrohung hat sich zu Injektionsangriffen und generativen Deepfakes verlagert, die durch hardware-attestierte Kameras und Challenge-Response entschärft werden, nicht durch den Abgleich.
  • Auf dem Gerät und datenschutzfreundlich: Template auf Karte/Telefon, Secure Enclaves, widerrufbare Biometrie sowie homomorpher oder geteilter Abgleich reifen heran, sind aber noch nicht weit verbreitet.
  • Grenzen und Fehlerbilder: demografische Unterschiede (das NIST misst sie je Algorithmus; wählen Sie Anbieter mit kleinen, dokumentierten Abständen), schwaches Licht und Gegenlicht, Zwillinge und Doppelgänger, Alterung der Templates, Masken und Brillen sowie Drift des Schwellenwerts. Die Leistung an Ihren Kamerapositionen kann deutlich von Laborzahlen abweichen; pilotieren Sie mit Ihren Personen.

Gemeinsame Bausteine & Kombinationen

  • Gleiche Fähigkeit (face-biometrics, edge-runtime): VIS-010 (Überwachungsanalytik, wo Gesichtsidentifizierung typischerweise eingeschränkt ist), VIS-029 (Altersschätzung), VIS-030 (Gesichter unkenntlich machen für dasselbe Kameranetz), VIS-011 (Kennzeichenerkennung an Fahrzeugtoren).
  • Identitäts-Stack: ANOM-014 (Dokumentenfälschung & Lebenderkennung), AGENT-015 (KYC-Onboarding), SEC-020 (Identitäts-Governance), SPEECH-010 (Stimmbiometrie als alternativer Faktor).
  • Bedrohungsseite: SEC-011 Deepfake-Erkennung für Injektionsangriffe.
  • Hardware: Eine Jetson-/NPU-Edge-Box je Standort (HW1) kann auch die Analytik von VIS-007 oder VIS-008 ausführen; ein Vektorindex (pgvector) wird mit RAG-Stacks für Text geteilt.

Aufwand, Kosten & Kennzahlen

  • Weg A: Tage bis Wochen je Standort; Leser werden je Tür bepreist, dazu eine Softwarelizenz je Nutzer oder Standort.
  • Weg B: 1-3 Monate; die API-Kosten je Verifikation sind gering, Integration und DSFA dominieren.
  • Weg C: 2-4 Monate plus laufende Pflege von PAD und Schwellenwerten.
  • Kennzahlen: Falschakzeptanzrate (FAR) und Falschabweisungsrate (FRR) beim gewählten Schwellenwert, Rate fehlgeschlagener Registrierungen, PAD-Angriffsakzeptanzrate in Red-Team-Tests, Durchsatz je Person, Anteil der Nutzer, die die biometrische Spur wählen, Nutzung der Ausweichlösung, Zeit bis zum Löschen eines Templates nach dem Ausscheiden.

Menschen & Veränderung

Biometrischer Zutritt ist sensibel, binden Sie daher die Beteiligten vor der Produktwahl ein: die Leitung für den betrieblichen Grund, die Abteilungsleitung oder den Facility Manager als Prozessverantwortlichen, IT und Informationssicherheit für Architektur und Template-Speicherung, die(den) Datenschutzbeauftragte(n) für Rechtsgrundlage und DSFA, Recht und Compliance, HR für die Registrierung der Beschäftigten und den Betriebsrat von Anfang an. Die Anwender müssen früh gehört werden.

Betriebsrat: ja. Gesichtserkennung an Türen ist zur Überwachung von Verhalten und Anwesenheit geeignet, daher gilt die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG, und der Betriebsrat ist nach §90 Abs. 1 Nr. 3 zu unterrichten; der Betriebsrat kann einen KI-Sachverständigen hinzuziehen (§80 Abs. 3). Öffentliche Stellen beteiligen den Personalrat. Schließen Sie eine Betriebsvereinbarung zu Zweck, Ausschluss der Leistungskontrolle, Aufbewahrung und Löschung sowie einer Alternative für diejenigen, die ablehnen.

Datenschutz: Biometrische Daten zur eindeutigen Identifizierung sind Daten besonderer Kategorien (Art. 9 DSGVO); im Beschäftigungsverhältnis ist ein Erforderlichkeitstest nach §26 BDSG nötig, und auf eine Einwilligung kann man sich wegen der Abhängigkeit kaum stützen. Eine DSFA (Art. 35 DSGVO) ist erforderlich, dazu ein AVV mit jedem Auftragsverarbeiter. Zur KI-Kompetenz unterstützen Sie das Sicherheitspersonal mit einer Schulung zu Fehlerraten und Verzerrungen (Art. 4 KI-Verordnung). Kommunizieren Sie offen, pilotieren Sie an einer Tür mit geringem Risiko mit Freiwilligen und halten Sie bei Ablehnungen eine menschliche Ausweichlösung bereit. Leitfäden: GUIDE-004, GUIDE-005, GUIDE-008.

Risiken, Regulierung & Compliance

  • KI-Verordnung (AI Act): Die Einstufung hängt von der Funktion ab. Biometrische Verifikation, deren einziger Zweck die Bestätigung ist, dass eine Person die ist, für die sie sich ausgibt, ist von der biometrischen Hochrisiko-Kategorie des Anhangs III ausgenommen; die biometrische Fernidentifizierung (1:N) und die biometrische Kategorisierung nach sensiblen Merkmalen sind nach Anhang III hochriskant, wobei die Pflichten ab den im Gesetz genannten Terminen gelten (im Digital Omnibus wird eine Verschiebung diskutiert; aktuellen Stand prüfen) [8]. Die Verbote nach Art. 5 (in Kraft seit 2. Februar 2025) sind eindeutig zu prüfen: biometrische Echtzeit-Fernidentifizierung in öffentlich zugänglichen Räumen für Strafverfolgung (enge Ausnahmen), das ungezielte Auslesen von Gesichtsbildern zum Aufbau von Datenbanken, die Ableitung von Emotionen am Arbeitsplatz oder in der Schule sowie die biometrische Kategorisierung zur Ableitung von Rasse, Überzeugungen oder ähnlichen Merkmalen [8][9]. Die Zutrittskontrolle an einer privaten Tür mit freiwilligem 1:1-Abgleich gehört nicht dazu; fügen Sie ihr keine Emotions- oder Merkmalsableitung hinzu.
  • DSGVO: Zur eindeutigen Identifizierung genutzte Gesichts-Templates sind Daten besonderer Kategorien (Art. 9), sowohl bei 1:1 als auch bei 1:N nach Auffassung des EDSA und der aktualisierten Leitlinien der AEPD [2][3]. Es braucht eine rechtmäßige Grundlage nach Art. 9 Abs. 2: eine ausdrückliche und wirklich freiwillige Einwilligung (Beschäftigte können selten frei ablehnen, daher ist eine gleichwertige nicht-biometrische Alternative erforderlich) oder eine nationale arbeitsrechtliche Grundlage (z. B. §26 Abs. 3 BDSG in Deutschland). Eine DSFA ist praktisch immer erforderlich (Art. 35); Datenschutz durch Technikgestaltung (Art. 25) weist auf Templates auf dem Gerät hin. Der EDSA hielt Flughafenlösungen mit zentralen Datenbanken für nicht konform und bevorzugt Templates unter der Kontrolle der Einzelnen [2].
  • Nationale Durchsetzung: Datenschutzbehörden mehrerer Mitgliedstaaten haben biometrische Stechuhren und Zutrittssysteme an Schulen mit Bußgeldern belegt oder verboten; prüfen Sie die Leitlinien Ihrer Behörde.
  • Sicherheit: Templates lassen sich nicht wie Passwörter zurücksetzen, daher im Ruhezustand verschlüsseln, getrennt von Identitätsdaten halten und den Widerruf planen. Deepfake- und Wiedergabeangriffe erfordern PAD und attestierte Kameras.
  • Fairness und Betriebsräte: demografische Fehlerraten dokumentieren; in Deutschland gilt die Mitbestimmung des Betriebsrats (BetrVG §87).
  • Gegenmaßnahmen: Datenminimierung (1:1 statt 1:N), Aufbewahrungsgrenzen, keine Zweitnutzung, Beschilderung, Audit-Protokolle, regelmäßiges PAD-Red-Teaming.

Erste Schritte

  1. Den Zweck schriftlich festhalten und die Erforderlichkeit prüfen: Könnten Ausweis + PIN oder ein mobiles Credential die Aufgabe erfüllen? Die Antwort dokumentieren.
  2. Eine DSFA durchführen, die(den) Datenschutzbeauftragte(n) und den Betriebsrat einbinden und die nicht-biometrische Alternativspur festlegen.
  3. 2-3 Anbieter mit NIST-FRTE-Ergebnissen und ISO-30107-3-PAD-Nachweisen in die engere Wahl nehmen; Templates auf dem Gerät oder auf Karten verlangen.
  4. An einer Tür mit Freiwilligen pilotieren; FAR, FRR, fehlgeschlagene Registrierungen und Nutzung der Ausweichlösung bei Ihrer Beleuchtung messen.
  5. Mit Verfahren für Registrierung/Löschung, Protokollierung und einem vierteljährlichen Red-Team für Täuschungsversuche ausrollen.

Quellen

  1. NIST — Face Recognition Technology Evaluation (FRTE) 1:1 — https://pages.nist.gov/frvt/html/frvt11.html
  2. EDPB — Opinion 11/2024 on the use of facial recognition to streamline airport passenger flows — https://www.edpb.europa.eu/our-work-tools/our-documents/opinion-board-art-64/opinion-112024-use-facial-recognition-streamline_en
  3. EDPB — Guidelines 3/2019 on processing of personal data through video devices — https://www.edpb.europa.eu/our-work-tools/our-documents/guidelines/guidelines-32019-processing-personal-data-through-video_en
  4. ISO/IEC 30107-3 — Biometric presentation attack detection, testing and reporting — https://www.iso.org/standard/79520.html
  5. AWS — Amazon Rekognition Face Liveness and face comparison docs — https://docs.aws.amazon.com/rekognition/latest/dg/face-liveness.html
  6. InsightFace project — https://github.com/deepinsight/insightface
  7. Deng et al. — ArcFace: Additive Angular Margin Loss for Deep Face Recognition — https://arxiv.org/abs/1801.07698
  8. Regulation (EU) 2024/1689 (AI Act), Art. 5 and Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  9. European Commission — Guidelines on prohibited AI practices (Feb 2025) — https://digital-strategy.ec.europa.eu/en/library/commission-publishes-guidelines-prohibited-artificial-intelligence-ai-practices-defined-ai-act