Wo KI die Videoanalyse genauer macht

Automatische Videoanalyse gibt es seit vielen Jahren, Fehlalarme gehörten lange dazu. Sechs Anwendungsfälle zeigen, wo KI-gestützte Bildauswertung Leitstellen und Sicherheitsverantwortliche heute unterstützen kann und wo ihre Grenzen liegen.

Visuelle KI bezeichnet Verfahren, die Bilder und Videos automatisch auswerten. Dazu gehören neuronale Netze, die Personen oder Fahrzeuge erkennen, ebenso wie Modelle, die Veränderungen in einer Szene über längere Zeit verfolgen. Verknüpft mit zuvor festgelegten Regeln entsteht daraus eine Meldung, die in der Leitstelle weiterbearbeitet werden kann.

Klassische Videoanalyse arbeitet regelbasiert. Sie registriert Veränderungen im Bild und prüft, ob ein bewegtes Objekt eine virtuelle Linie überschreitet, einen definierten Bereich betritt oder sich in eine bestimmte Richtung bewegt. Was sich dort bewegt, kann sie allenfalls grob anhand von Größe, Form und Geschwindigkeit einordnen. KI-Verfahren ergänzen diese Regeln, indem sie erkennen, was im Bild zu sehen ist. Die bewährten Regeln bleiben erhalten, werden dadurch aber deutlich treffsicherer.

Welche Verfahren dafür infrage kommen, hängt von der jeweiligen Aufgabe ab. Die folgenden Beispiele stammen aus Umgebungen, in denen viele Kameras rund um die Uhr Bilder liefern, das Personal in der Leitstelle aber nur einen Bruchteil davon aktiv beobachten kann: Verkehrstunnel, Flughäfen, Bahnhöfe und weitläufige Betriebsgelände.

1. Objekte erkennen – auch bei Nacht

Grundlage fast aller Anwendungen ist die Objekterkennung. Neuronale Netze erfassen im Videobild Personen, Fahrzeuge oder Tiere und ordnen sie einer Klasse zu. Damit lässt sich ein Problem lösen, das die Videoanalyse jahrelang begleitet hat: Weil klassische Verfahren nicht immer zuverlässig zwischen Menschen und Tieren unterscheiden konnten, lösten ein Reh am Zaun oder ein Marder ebenso Alarm aus wie ein Einbrecher. Mit der KI-gestützten Klassifikation lässt sich eine Regel gezielt auf Personen beschränken. Tiere oder Äste, die sich im Wind bewegen, lösen dann keinen Alarm mehr aus.

Neuere Modelle werden zunächst mit großen Mengen unbeschrifteter Bilder trainiert. Bei diesem sogenannten Self-Supervised Learning lernen sie allgemeine Bildmerkmale, die sich anschließend für konkrete Aufgaben nutzen lassen. Solche Modelle können kleine Objekte auch in Nachtaufnahmen und Infrarotbildern erfassen.

2. Falschfahrer im Tunnel erkennen

In Tunneln und an Autobahnauffahrten zählt bei einem Falschfahrer jede Sekunde. Die Videoanalyse erkennt das Fahrzeug, verfolgt es über mehrere Bilder hinweg und bestimmt seine Bewegungsrichtung. Weicht diese von der vorgesehenen Fahrtrichtung ab, löst das System eine Meldung aus und schaltet das Kamerabild in der Leitstelle auf. Die Richtungserkennung ist eine klassische Funktion regelbasierter Videoanalyse. Im Tunnel stößt sie allerdings an Grenzen: Scheinwerferlicht, Spiegelungen auf nasser Fahrbahn oder Rauch verändern das Bild so, dass ein rein bewegungsbasiertes System sie als Objekt fehldeuten kann. KI-gestützte Objekterkennung erfasst das Fahrzeug als solches und verfolgt es auch unter diesen Bedingungen zuverlässiger. Nach dem gleichen Prinzip lassen sich liegengebliebene Fahrzeuge, Personen auf der Fahrbahn oder stark überhöhte Geschwindigkeiten erfassen.

Einen Schritt weiter gehen Verfahren, die aus dem zweidimensionalen Kamerabild ein dreidimensionales Modell der Verkehrslage berechnen, einen sogenannten digitalen Zwilling. Fahrzeuge und Personen erscheinen darin mit Position, Größe und Bewegungsrichtung. Abstände und gefährliche Annäherungen lassen sich so besser einschätzen.

3. Perimeterschutz: Wer betritt den gesperrten Bereich?

Flughäfen, Bahnanlagen oder Umspannwerke haben weitläufige Gelände, die sich kaum lückenlos durch Personal überwachen lassen. Klassische Videoanalyse arbeitet hier mit virtuellen Linien und definierten Bereichen: Wird eine Linie überschritten oder einer der Bereiche betreten, gibt das System eine Meldung aus. Auch das Verweilen beziehungsweise „Herumlungern“ (Loitering) lässt sich erfassen, etwa wenn sich eine Person länger als eine Minute an einer Stelle des Zauns aufhält.

Gerade im Außenbereich war diese Form der Analyse lange anfällig für Fehlalarme, ausgelöst durch Wild, Regen, Schatten oder Scheinwerferlicht. Mit der KI-gestützten Klassifikation greifen die Regeln nur noch, wenn tatsächlich eine Person oder ein Fahrzeug erkannt wird. Das entlastet die Mitarbeitenden in der Leitstelle, die sich auf die relevanten Meldungen konzentrieren können.

4. Liegengelassene Gegenstände

Ein Koffer, der unbeaufsichtigt auf einem Bahnsteig steht, kann harmlos sein oder eine Gefahr darstellen. Klassische Videoanalyse meldet dazu Bildbereiche, die sich neu verändert haben und danach über eine festgelegte Zeit unverändert bleiben. In belebten Bahnhöfen löst das viele Meldungen aus, etwa durch abgestellte Reinigungswagen, Werbeaufsteller oder Menschen, die lange an einer Stelle warten. KI-gestützte Klassifikation erkennt, ob es sich tatsächlich um einen Koffer oder eine Tasche handelt, und filtert die übrigen Fälle heraus.

Ob von dem Gegenstand eine Gefahr ausgeht, beurteilen die Mitarbeitenden in der Leitstelle. Mit der Meldung erhalten sie die zugehörige Bildsequenz und können nachvollziehen, wann und von wem der Gegenstand abgestellt wurde. Um festzustellen, wohin die Person anschließend gegangen ist, kann die Videoanalyse sie über mehrere Kameras hinweg wiedererkennen, etwa anhand von Kleidung und Statur. Diese sogenannte Re-Identifikation erstellt ein Bewegungsprofil einer Person. Nach der DSGVO ist das eine Verarbeitung personenbezogener Daten, was bedeutet, dass es eine Rechtsgrundlage braucht, einen klar festgelegten Zweck und begrenzte Speicherfristen. Werden Personen anhand biometrischer Merkmale wie des Gesichts identifiziert, gelten noch strengere Vorgaben, unter anderem durch den EU AI Act.

5. Personenströme und Gefahrensituationen

An Bahnhöfen, in Terminals oder bei Großveranstaltungen kann Gedränge schnell gefährlich werden. Die Videoanalyse zählt Personen, erfasst die Dichte in einzelnen Bereichen und zeigt Bewegungen als Heatmap. So erkennt die Leitstelle frühzeitig, wenn sich ein Bahnsteig füllt oder ein Durchgang überlastet ist. Klassische Zählverfahren stoßen an Grenzen, sobald sich Personen im Bild gegenseitig verdecken. KI-Modelle können auch in dichtem Gedränge anhand der Körperhaltung erkennen, wenn jemand stürzt, etwa auf einer Treppe oder Rolltreppe.

Über längere Zeiträume ausgewertet, liefern dieselben Daten Hinweise für die Planung: Wann sind Stoßzeiten? Wo staut es sich regelmäßig? Statistische Verfahren und maschinelles Lernen können zudem Abweichungen vom üblichen Muster erkennen, die einen genaueren Blick lohnen.

6. Kameramanipulation und Kamerazustand

Wird eine Kamera verdreht, abgedeckt, verschmutzt oder unscharf, fehlen der Leitstelle im Ernstfall die entscheidenden Bilder. Klassische Verfahren vergleichen dazu das aktuelle Bild mit einem Referenzbild anhand markanter Bildpunkte. Wechselndes Licht, Dunkelheit oder Wetter können diesen Vergleich jedoch stören und Fehlalarme auslösen.

KI-Modelle, die mit sehr großen Bildmengen trainiert wurden, finden markante Bildpunkte auch dann wieder, wenn diese bei Nacht oder Gegenlicht anders aussehen. Stimmen die Punkte mit dem Referenzbild überein, ist die Kamera unverändert ausgerichtet. Haben sie sich verschoben oder fehlen sie, wurde die Kamera vermutlich verdreht oder abgedeckt. Echte Manipulationen lassen sich so zuverlässiger von natürlichen Veränderungen der Szene unterscheiden. Bei Anlagen mit Hunderten Kameras übernimmt die Analyse damit die laufende Zustandskontrolle jeder einzelnen Kamera.

Vom Hinweis zur Entscheidung

In allen sechs Fällen liefert die KI Hinweise für die Leitstelle. Wirtschaftlich sinnvoll ist meist eine Kombination mehrerer Analyseschritte: Eine einfache Objekterkennung in der Kamera reduziert die Netzwerklast gleich zu Beginn. Eine leistungsfähigere Analyse auf einem Server oder in der Cloud erkennt Verdachtsfälle. Den Alarm verifizieren schließlich die Mitarbeitenden der Leitstelle. Sie berücksichtigen dabei die Schutzziele des Kunden, die örtlichen Besonderheiten und ihre eigene Erfahrung.

Künftig könnten mehrere spezialisierte KI-Komponenten diese Aufgaben arbeitsteilig übernehmen: vVon der Vorverarbeitung in der Kamera über die tiefere Bildanalyse bis zur Übergabe an Geschäftsprozesse und externe Systeme. Damit das funktioniert, müssen Analyseverfahren verschiedener Anbieter über offene Schnittstellen zusammenarbeiten.

KI-Modelle arbeiten mit Wahrscheinlichkeiten und können sich auch einmal irren. Ob ein Modell die Anforderungen erfüllt, zeigt sich erst unter den realen Licht-, Wetter- und Kamerabedingungen vor Ort. Anwender sollten deshalb genau festlegen, welche Aufgabe die Analyse erfüllen soll, und die Ergebnisse fortlaufend prüfen.

Hinzu kommen rechtliche Vorgaben, insbesondere die DSGVO und der EU AI Act. Je nach Anwendung stellen sich Fragen, die vor der Einführung geklärt werden sollten: Welche Daten werden wirklich benötigt? Wo werden sie verarbeitet, wer kann darauf zugreifen und wie lange werden sie gespeichert? Wo sensible, beispielsweise personenbezogene Daten im Spiel sind, kann es sinnvoll sein, KI-Systeme lokal und von externen Netzen abgeschottet zu betreiben.

Accellence bietet IT-Schulung für KMU

Mit dem Einsatz von KI wächst auch die Angriffsfläche. Am 30. November 2026, dem Tag der Computersicherheit, bietet Accellence von 9 bis 13 Uhr eine IT-Sicherheits-Basisschulung an. Die Online-Schulung richtet sich an Mitarbeitende aller Fachbereiche, insbesondere in kleinen und mittelständischen Unternehmen. Themen sind Social Engineering und Phishing, einschließlich KI-gestützter Medienmanipulation, sowie E-Mail- und Passwortsicherheit. Anhand realitätsnaher Beispiele und einer Phishing-Simulation üben die Teilnehmenden, Angriffe zu erkennen, die mit dem Einsatz von KI immer raffinierter und schwerer zu durchschauen werden. Weitere Informationen und die Möglichkeit zur Anmeldung finden alle Interessierten unter: https://www.accellence.de/dienstleistung/schulungen