Verslaat make-up gezichtsherkenning? De tip van Richa Chadha

Acteur Richa Chadha suggereerde onlangs een make-uptruc om camera's te ontwijken: teken ogen en lippen op het gezicht en verberg de wenkbrauwen. Het idee is speels, maar het roept een serieuze vraag op die veel mensen nu stellen: verslaat make-up gezichtsherkenning? Kort antwoord: niet betrouwbaar, en niet op een manier waarop je zou moeten rekenen.

Wat Richa Chadha suggereerde en waarom het viral ging

Volgens de uitleg van de Indian Express houdt Chadha's tip in dat je ogen en lippen op het gezicht schildert en de echte wenkbrauwen verbergt. De logica is om een camera iets verwarrends te geven om naar te kijken, zodat de kenmerken die een systeem verwacht te vinden op de verkeerde plek zitten of ontbreken.

Het verspreidde zich snel omdat het simpel, visueel en goedkoop is, en omdat veel mensen zich ongemakkelijk voelen bij camera's die hen in het openbaar kunnen identificeren. Een make-uptutorial voelt als een persoonlijke oplossing voor een probleem dat meestal buiten de invloedssfeer van het individu lijkt te liggen.

De aanpak hoort bij een bredere familie van ideeën die vaak dazzle- of anti-surveillancemake-up worden genoemd, waarbij opvallende patronen bedoeld zijn om geautomatiseerde gezichtsdetectie te verstoren. Deze ideeën circuleren al jaren en krijgen doorgaans meer aandacht dan ze als praktische verdediging verdienen.

Hoe gezichtsherkenning een gezicht leest, en waarom make-up het zelden misleidt

Gezichtsherkenning werkt over het algemeen in fasen. Eerst detecteert software dat er een gezicht aanwezig is in een afbeelding of videoframe. Vervolgens meet het het gezicht en brengt het de relatieve posities en verhoudingen in kaart van kenmerken zoals de ogen, neus, mond en kaaklijn. Ten slotte zet het die metingen om in een numerieke template en vergelijkt die met templates die in een database zijn opgeslagen.

Die pipeline verklaart waarom make-up een onbetrouwbaar schild is:

• Systemen verschillen. Een patroon dat het ene algoritme verwart, doet mogelijk niets tegen een ander. Tools worden voortdurend bijgewerkt, dus een truc die werkte tegen een ouder model kan falen tegen een nieuwer model.
• Gezichten worden als geheel gelezen. Moderne systemen kijken naar de algehele structuur, niet naar één enkel kenmerk. Het verbergen van wenkbrauwen of het toevoegen van geschilderde kenmerken verandert niets aan de botstructuur, gezichtsvorm of de afstand tussen belangrijke punten.
• Detectie kan nog steeds slagen. Zelfs als een systeem moeite heeft om je te matchen, kan een camera nog steeds markeren dat er een gezicht aanwezig is. Ongebruikelijke make-up kan ook menselijke aandacht trekken, wat het doel in een menigte tenietdoet.
• Omstandigheden doen ertoe. Belichting, camerahoek en beeldkwaliteit beïnvloeden allemaal de resultaten, dus een look die één keer lijkt te werken zegt weinig over de volgende camera.

Kort gezegd: make-up kan soms een match verslechteren, maar je kunt er niet op rekenen dat het een match voorkomt. Het als bescherming behandelen kan een vals gevoel van veiligheid geven.

Waar je gezichtsdata vandaan komen: foto's, metadata en openbare databases

Het grotere probleem is dat de meeste gezichtsherkenning niet afhankelijk is van het betrappen van jou op een gunstige hoek op straat. Het is afhankelijk van het hebben van goede referentieafbeeldingen van jou in de eerste plaats.

Die afbeeldingen komen vaak van plekken die je, althans gedeeltelijk, zelf beheert:

• Foto's op sociale media. Openbare profielfoto's en getagde afbeeldingen zijn gemakkelijke bronnen voor het opbouwen of matchen van gezichtstemplates.
• Fotometadata. Afbeeldingsbestanden kunnen ingebedde details bevatten, zoals het tijdstip waarop een foto is genomen en in sommige gevallen de locatie. Het delen van originelen zonder die data te verwijderen kan meer onthullen dan de afbeelding zelf.
• Openbare en gedeelde databases. Afbeeldingen die voorkomen in openbare registers, evenementengalerijen of andere open collecties kunnen worden verzameld en hergebruikt.

Zodra een template in een database bestaat, doet make-up op het moment van vastleggen veel minder ter zake. De data die jou identificeren zijn al verzameld en opgeslagen. Daarom doet het beheersen van verzameling en opslag doorgaans meer dan het veranderen van hoe je eruitziet.

De omgang van organisaties met persoonsgegevens is een terugkerend thema in privacy nieuws. Voor een idee van hoe toezichthouders reageren wanneer grote hoeveelheden persoonlijke informatie worden blootgesteld, zie ons rapport over hoe Prodhab zijn eigen onderzoek opende naar een datalek in Costa Rica.

Praktische manieren om biometrische tracking te beperken, inclusief wettelijke opt-outrechten

Geen enkele stap haalt je volledig uit gezichtsherkenning, maar verschillende verminderen je blootstelling.

1. Verscherp je privacyinstellingen op sociale media. Beperk wie je foto's kan zien, schakel automatische gezichtstagging uit waar die optie bestaat, en controleer welke afbeeldingen openbaar zijn.
2. Verwijder metadata voordat je deelt. Veel telefoons en foto-apps laten je locatie en andere ingebedde details verwijderen wanneer je een afbeelding deelt. Maak er een gewoonte van.
3. Controleer je oude foto's. Verwijder of beperk afbeeldingen die je niet meer wilt laten circuleren, vooral duidelijke, frontale foto's.
4. Controleer app-machtigingen. Schakel toegang tot camera en fotobibliotheek uit voor apps die die niet nodig hebben, en wees voorzichtig met diensten die om gezichtsscans vragen.
5. Gebruik je wettelijke rechten. Afhankelijk van waar je woont, kan de databeschermingswetgeving je toestaan te vragen welke biometrische data een bedrijf heeft, bezwaar te maken tegen het gebruik ervan of verwijdering te vragen. In de Europese Unie genieten biometrische data die worden gebruikt om een persoon te identificeren bijvoorbeeld verhoogde bescherming onder de regels voor gegevensbescherming. Zoek naar het privacycontact of de functionaris voor gegevensbescherming die in het privacybeleid van een bedrijf wordt vermeld.
6. Stel op gezicht gebaseerde verificatie in vraag. Identiteitscontroles die op gezichtsscans vertrouwen, breiden zich uit. Onze berichtgeving over het EU age assurance report en de privacy-red flags laat zien hoe debatten over het verifiëren van gebruikers gevoelige persoonsgegevens kunnen raken.

Wat dit voor jou betekent

Als je graag met make-up experimenteert, is daar niets mis mee, maar ga er niet van uit dat het je verbergt voor een modern biometrisch systeem. Chadha's tip is een goede gespreksopener, geen privacystrategie.

Je sterkere hefbomen liggen stroomopwaarts: welke foto's van jou bestaan, wie er toegang toe heeft, wat ze onthullen via metadata en welke bedrijven je gezichtsdata opslaan. Dat zijn dingen die je vandaag kunt veranderen, en verschillende ervan kunnen via de wet worden afgedwongen.

Belangrijkste punten

Dus, verslaat make-up gezichtsherkenning? Niet betrouwbaar. Systemen verschillen, ze blijven verbeteren, en je referentieafbeeldingen zitten vaak al in iemands database. Besteed je inspanningen aan het beveiligen van sociale accounts, het verwijderen van fotometadata, het beperken van openbare afbeeldingen, het beperken van app-machtigingen en het gebruiken van alle opt-out- of verwijderingsrechten die je hebt.

Voor meer over hoe gegevensbeschermingsautoriteiten en toezichthouders omgaan met persoonlijke informatie, begin met onze rapporten over het Prodhab-onderzoek en het EU age assurance report.