Ansiktsigenkänning är en teknik som ofta använder maskininlärning för att göra om ett ansikte till en vektor, alltså en lista med tal, och jämföra den med andra vektorer. Det centrala är inte ett namn eller ett mänskligt minne, utan hur nära eller långt ifrån olika talserier ligger.
Tekniken används i mobilen, i fotoappar, i resekontroller och ibland i polisens arbete. För att förstå den behöver man skilja på att hitta ett ansikte i en bild, att kontrollera att en person är den registrerade användaren och att söka efter vem någon kan vara i en större databas.
I korthet
- Ansiktsdetektion hittar bara var ett ansikte finns. Verifiering 1:1 kontrollerar om ansiktet matchar en viss registrerad person. Identifiering 1:N söker i en databas efter möjliga träffar.
- Vanliga steg är att hitta ansiktet, rikta upp det, göra om det till en vektor och jämföra avstånd mot lagrade vektorer.
- Moderna system bygger ofta på neurala nätverk som tränats på mycket stora mängder ansiktsbilder.
- Tröskelvärdet styr balansen mellan falska träffar och missade träffar. Ljus, vinkel, ålder och masker kan påverka resultatet.
- Biometriska uppgifter som används för att entydigt identifiera en person är känsliga personuppgifter enligt GDPR, och EU har särskilda regler för vissa användningar.
Vad är ansiktsigenkänning?
Ansiktsigenkänning är en tillämpning inom datorseende, alltså teknik som analyserar bilder och video. Det är också en form av biometri, alltså mätning av kroppsliga kännetecken som ansikte eller fingeravtryck. I praktiken arbetar systemet med talvärden som beskriver drag i ansiktet.
- Ansiktsdetektion hittar var i en bild eller video ett ansikte finns.
- Verifiering 1:1 jämför ett ansikte med en påstådd identitet. Exempel: när du låser upp din mobil.
- Identifiering 1:N jämför ett ansikte mot många registrerade ansikten i en databas. Resultatet blir ofta en lista med kandidater, inte ett säkert namn.
Skillnaden är viktig. Verifiering testar en enda påstådd identitet. Identifiering söker bland många möjliga träffar och ger därför fler tillfällen för fel, särskilt falska träffar.
Hur fungerar ansiktsigenkänning steg för steg?
De flesta moderna system följer ungefär samma kedja. Först lokaliseras ansiktet. Sedan normaliseras bilden så att ögon, näsa och mun hamnar mer jämförbart. Efter det skapas en kompakt vektor, ofta kallad embedding eller informellt ansiktsavtryck.
1. Hitta ansiktet
Systemet letar upp ansiktet i bilden och beskär rätt område.
2. Rikta upp ansiktet
Ögon, näsa och mun används som riktpunkter så att ansiktet får liknande vinkel och skala.
3. Gör om ansiktet till tal
Ett faltningsnätverk, på engelska convolutional neural network, gör om bilden till en vektor med tal.
4. Jämför med lagrade vektorer
Systemet räknar ut hur nära eller långt ifrån vektorerna ligger med ett likhetsmått eller ett avståndsmått.
5. Fatta beslut
Om värdet passerar ett valt tröskelvärde godkänns matchningen. Annars avslås den eller ger ingen träff.
Tröskelvärdet styr vilken sorts fel som blir vanligast. Ett lägre tröskelvärde ger fler godkända matchningar men också fler falska träffar. Ett högre tröskelvärde minskar falska träffar men ökar risken för missade träffar.
Vad gör modellen egentligen med ditt ansikte?
Kärnan i tekniken är att ansiktet inte lagras som ett vanligt foto när systemet ska jämföra identitet. Det görs om till en vektor som sammanfattar mönster i bilden. Två foton på samma person ska då hamna nära varandra i denna talrymd, medan foton på olika personer helst ska hamna längre ifrån varandra.
Många system bygger på neurala nätverk. De tränas ofta med övervakad inlärning, där modellen får se exempel på vilka bilder som hör till samma person och vilka som inte gör det. Det kräver stora mängder träningsdata.
Ett känt exempel är FaceNet från 2015. Idén där är att nätverket lär sig placera bilder av samma person nära varandra och bilder av olika personer längre bort. Det är därför man kan säga att ansiktsigenkänning i grunden handlar om tal och avstånd, inte om mänsklig igenkänning.
Hur fungerar Face ID på iPhone?
När man talar om ansiktsigenkänning i mobilen menar man ofta Face ID. Apple uppger att Face ID använder TrueDepth-kameran, infraröda punkter och en djupkarta för att skapa ett ansiktsavtryck som sedan jämförs med det registrerade ansiktet. Det är alltså verifiering 1:1.
Apple uppger att sannolikheten att en slumpmässig person kan låsa upp en iPhone med ett registrerat utseende är mindre än 1 på 1 000 000. Risken är högre för tvillingar, syskon som liknar dig och barn under 13 år. Efter fem misslyckade försök krävs lösenkod.
En viktig detalj är var datan finns. Apple säger att ansiktsdata och den lagrade vektorn krypteras, skyddas av Secure Enclave, lämnar aldrig enheten och inte ingår i säkerhetskopior. Apple säger också att systemet kan uppdatera den lagrade representationen över tid när utseendet ändras, till exempel med skägg eller smink.
Hur säkert är ansiktsigenkänning?
Säkerheten beror mycket på miljön. Ett system som fungerar bra för mobilupplåsning kan fungera sämre i en övervakningskamera på långt håll. Bildkvalitet, ljus, vinkel, rörelse, ålder, glasögon och masker kan påverka resultatet.
- Falsk träff betyder att systemet säger att två olika personer matchar.
- Missad träff betyder att systemet inte matchar två bilder av samma person.
- Tröskelvärdet avgör hur hård eller generös matchningen ska vara.
Vid identifiering 1:N blir falska träffar extra allvarliga, eftersom systemet söker bland många möjliga personer. Det finns också försök att lura system med foton, skärmar eller masker, och därför byggs skydd mot sådant in i vissa produkter. Om du vill läsa om ett närliggande område med manipulerade bilder och videor finns en guide om deepfakes.
Varför blir det fel för vissa grupper?
Ansiktsigenkänning kan ge olika fel för olika grupper. NIST visade 2019 i sitt stora FRVT-test att många algoritmer hade skillnader i felfrekvens mellan demografiska grupper, bland annat efter kön, ålder och ursprung. Storleken på skillnaderna varierade mycket mellan olika system.
Det här brukar kallas algoritmisk bias. En vanlig orsak är att träningsdatan inte speglar alla grupper lika bra. Även bildkvalitet, kamera, miljö och vilket tröskelvärde man valt spelar roll.
Det betyder inte att alla system alltid är snedvridna på samma sätt. Det betyder att man måste testa varje system i den miljö där det ska användas, särskilt vid 1:N-sökningar där en falsk träff kan peka ut fel person.
Vad är tillåtet i Sverige och EU?
När det gäller ansiktsigenkänning i Sverige är integritet och lag centrala frågor. Enligt GDPR är biometriska uppgifter som används för att entydigt identifiera en person känsliga personuppgifter. Huvudregeln är därför att sådan behandling är förbjuden om inte ett särskilt undantag gäller.
I Sverige gav Datainspektionen, som i dag heter IMY, i augusti 2019 en sanktionsavgift på 200 000 kronor till gymnasienämnden i Skellefteå efter ett tre veckor långt försök med ansiktsigenkänning för närvarokontroll av 22 elever. Det var den första GDPR-avgiften i Sverige, och domstolarna gav IMY rätt: elevernas samtycke räknades inte som frivilligt. IMY beslutade också i februari 2021 att Polismyndigheten skulle betala 2,5 miljoner kronor efter att ha använt appen Clearview AI. Kammarrätten upphävde avgiften i november 2022, så den står inte fast.
På EU-nivå sätter EU:s AI-förordning nya gränser. Den förbjuder bland annat att bygga eller utöka databaser för ansiktsigenkänning genom oriktad skrapning av ansiktsbilder från internet eller övervakningskameror. Realtidsidentifiering på allmän plats för brottsbekämpning är också förbjuden, utom i snäva undantag och med krav på tillstånd.
Var används tekniken i vardagen?
| Användning | Typ | Var datan finns | Risk |
|---|---|---|---|
| Mobilupplåsning med Face ID | 1:1 | På enheten | Obehörig upplåsning eller att rätt användare nekas |
| Bildapp som grupperar personer | Likhetsgruppering eller klustring, inte klassisk 1:1 eller 1:N | På enheten eller i molntjänsten | Två personer blandas ihop eller samma person delas upp i flera grupper |
| Automatisk kontroll vid resa | Ofta 1:1 mot passfoto eller registrerad reseprofil | Hos operatören eller myndigheten | Integritetsrisker, felmatchning eller att resenären stoppas felaktigt |
| Polissökning i databas | 1:N | I myndighetens system | Falska träffar kan få allvarliga följder |
Vill du se fler vardagliga exempel på maskininlärning kan du läsa vidare där. Om ord som embedding, biometri och tröskelvärde känns nya finns en ordlista med korta förklaringar.
Testa själv
1. Öppna bildappen i mobilen, till exempel Bilder på iPhone eller Google Foto. 2. Se hur appen grupperar personer automatiskt. 3. Leta upp ett fel där två personer blandats ihop eller samma person delats upp.
Det visar hur tekniken arbetar i praktiken. Systemet sorterar efter likhet mellan vektorer, inte efter mänsklig bedömning.
Vanliga frågor
Vad är skillnaden mellan ansiktsdetektion och ansiktsigenkänning?
Ansiktsdetektion hittar bara var ett ansikte finns i en bild eller video. Ansiktsigenkänning går vidare och jämför ansiktet med en registrerad identitet eller med en databas. Det är alltså olika steg i samma tekniska kedja.
Hur fungerar ansiktsigenkänning på iPhone och Face ID?
Face ID är ett exempel på verifiering 1:1. iPhone skapar ett ansiktsavtryck med hjälp av TrueDepth-kameran och jämför det med den registrerade användaren. Apple uppger att datan skyddas av Secure Enclave, lämnar aldrig enheten och inte ingår i säkerhetskopior.
Hur säker är ansiktsigenkänning?
Det beror på system, miljö och vilket tröskelvärde som används. Bra ljus och rätt vinkel hjälper ofta, medan mörker, rörelse, masker och förändrat utseende kan försämra resultatet. Identifiering i stora databaser är normalt mer riskfylld än upplåsning av en mobil.
Kan polisen använda ansiktsigenkänning?
Det kan finnas lagliga användningar, men reglerna är strikta och beror på vilken lag som gäller i situationen. Både svensk tillsyn och EU-regler sätter gränser för hur tekniken får användas. En teknisk träff är dessutom bara ett underlag och bör inte behandlas som ett säkert bevis i sig.
Är ansiktsigenkänning tillåten i Sverige?
I vissa fall, men inte fritt. Biometriska uppgifter som används för att entydigt identifiera en person räknas som känsliga personuppgifter enligt GDPR. Det krävs därför en tydlig rättslig grund, och vissa användningar kan vara förbjudna eller starkt begränsade.
Källor
- https://support.apple.com/en-us/102381
- https://support.apple.com/guide/security/facial-matching-security-sece151358d1/web
- https://arxiv.org/abs/1503.03832
- https://www.nist.gov/publications/face-recognition-vendor-test-part-3-demographic-effects
- https://www.imy.se/om-oss/arkiv/nyhetsarkiv/sanktionsavgift-for-ansiktsigenkanning-i-skola
- https://www.imy.se/tillsyner/polismyndigheten/
- https://eur-lex.europa.eu/eli/reg/2016/679/oj
- https://eur-lex.europa.eu/eli/reg/2024/1689/oj
Skriven av AI-redaktionen · Granskad av Linus Pierre. Texten är researchad och faktakontrollerad mot källorna ovan, som en del av maskinlarning.se – en sajt som byggs med AI och granskas av en människa.
Senast uppdaterad: 2 november 2026