Personendichte schätzen statt Personen erkennen: 330.165 Trainingsbeispiele

Die Verfolgung der Personendichte ist für Sicherheit und Management von Städten und Veranstaltungen relevant: Zuwege, Engstellen, Kapazitätsgrenzen. Die Information ist dann wertvoll, wenn sie zeitnah verfügbar ist – eine Auswertung nach der Veranstaltung ist eine Dokumentation, keine Steuerungsgrundlage.

Der naheliegende Weg, jede Person einzeln zu erkennen und zu zählen, scheitert an zwei Dingen. Er ist bei hoher Dichte technisch unzuverlässig, weil Personen sich verdecken. Und er erhebt mehr Information, als die Aufgabe erfordert.

1.198 Bilder von Menschenmengen, in denen 330.165 Köpfe als Trainingsmarken gekennzeichnet sind – im Mittel rund 275 Personen je Bild.

Die Kennzeichnung erfolgt als Kopfposition, nicht als Umriss der Person. Das ist bereits Teil der Methode: Aus Punkten lässt sich eine Dichte ableiten, ohne dass eine Person als Objekt modelliert wird.

Alles variiert gleichzeitig. Erscheinung, Perspektive, Beleuchtung, Dichte und Verteilung unterscheiden sich von Bild zu Bild. Eine Aufnahme aus Kopfhöhe und eine von einem Dach zeigen dieselbe Menschenmenge völlig verschieden – im ersten Fall verdecken sich Personen, im zweiten schrumpfen sie auf wenige Pixel.

Sehr viele Objekte je Bild. Bei mehreren hundert Personen pro Aufnahme ist Einzelobjekterkennung nicht nur schwierig, sondern der falsche Ansatz: Jeder Fehler multipliziert sich mit der Anzahl.

Dichte schätzen statt Objekte zählen. Umgesetzt wurde ein dichtebasierter Ansatz mit der Netzarchitektur CSRNet, der pixelweise arbeitet: Das Modell sagt für jeden Bildpunkt eine Personendichte vorher, und die Summe über das Bild ergibt die Anzahl. Damit muss keine Einzelperson abgegrenzt werden – der Ansatz umgeht das Verdeckungsproblem, statt es zu lösen.

Die Methode ist zugleich die datenschutzfreundliche Variante. Ein Dichtemodell erzeugt keine Personenerkennung und keine Identifikationsmerkmale. Es liefert die Zahl, die für die Steuerung gebraucht wird, und nicht mehr. Das ist bei einer Anwendung im öffentlichen Raum die Voraussetzung dafür, dass sie überhaupt eingesetzt werden kann.

Das Werkzeug schätzt Menschenmengen auf Bildern und ermöglicht eine echtzeitnahe Überwachung.

Der übertragbare Wert zeigte sich schnell außerhalb des ursprünglichen Zwecks: Dasselbe Verfahren zählt Pflanzen zur Bestandsdichte und Zellen oder Bakterien in mikroskopischen Aufnahmen. Die Aufgabe ist strukturell identisch – sehr viele kleine, teils verdeckte Objekte in einer Aufnahme.

Dichteschätzung ist immer dann der richtige Ansatz, wenn die Anzahl gebraucht wird und die Einzelobjekte zu klein, zu viele oder zu stark verdeckt sind, um sie einzeln abzugrenzen: Bestandsdichte in der Landwirtschaft, Zell- und Kolonienzählung im Labor, Tierzählung in der Fernerkundung, Stückzahlen in der Fertigung. Genau diese Nähe macht den Use Case auch für unser Anwendungsfeld bildbasierte Auswertung in Screening und Diagnostik zum Beleg.

Die Architektur würde heute anders aussehen – Transformer-basierte Modelle schätzen Dichte robuster über wechselnde Perspektiven, und für Zählaufgaben existieren Verfahren, die mit wenigen Beispielen auf eine neue Objektklasse übertragen. Für die Laboranwendungen sind inzwischen spezialisierte Modelle etabliert, mit denen wir in der Bildanalyse arbeiten. Deutlich verändert hat sich der rechtliche Rahmen, und der ist bei dieser Anwendung entscheidend. Der EU AI Act regelt biometrische Fernidentifikation im öffentlichen Raum streng. Ein Dichtemodell fällt nicht darunter, weil es keine Personen identifiziert – aber das muss dokumentiert und in der Architektur nachweisbar sein, nicht nur behauptet. Genau deshalb ist die damalige Entscheidung für Dichteschätzung statt Personenerkennung heute mehr wert als damals: Sie war fachlich begründet und ist inzwischen auch regulatorisch die tragfähige Variante.