Tiresias

Plysje

Dit algoritme beskermet persoanlike gegevens yn plysjegegevens troch automatysk de ruten fan auto's te tinjen. Dit wurdt dien as autoôfbyldings wurde oanfrege as ûnderdiel fan in rinnend ûndersyk.

Lêst feroare op 31 jannewaris 2025 om 13:04 | Publikaasjestandaard 1.0

• Publicatiecategorie: Oare algoritmes
• Impacttoetsen: DPIA
• Status: Yn gebrûk

Algemene ynformaasje

Tema

Iepenbiere oarder en feilichheid

Begjindatum

2022-10

Kontaktgegevens

https://www.politie.nl/

Ferantwurde gebrûk

Doel en impact

It doel fan Tiresias is de privacy fan boargers te beskermjen. Dat wurdt dien troch it tinjen fan de foarrút fan in auto, sadat de ynsittenden net werkenber binne.

Afwagings

De plysje hat sels it inisjatyf naam om it hânmjittich tinjen fan ruten te automatisearjen. Dit proses wie fysyk easken foar meiwurkers, tiidslinend en die bliken minder betrouber te wêzen as se kontroleare. Automatyske shielding besparret tiid en soarget foar konsekwinte útfiering. Sûnt autoôfbyldings meastentiids út deselde hoeke nommen wurde, kin in algoritme dit effisjint en sekuer dwaan.

Minskele tuskenkomst

De meiwurker kontrolearret it wurk fan it algoritme. Alle bylden wurde toand oan de meiwurker. As it nedich is, kin de meiwurker ekstra dielen fan 'e ôfbylding leegje, mar kin net ûngedien meitsje wat al útmakke is.

Risikobehear

De hiele foarrút is getint ynstee fan allinnich de minsken der efter. Dat is makliker en soarget derfoar dat der achter de foarrút neat te sjen is, lykas gesichten, klean of oare details. Allinnich de wein en it kenteken bliuwe sichtber.

Wettlike basis

It Wetboek fan Strafrjocht (kêst 126jj) machtigt de plysje om yn bepaalde gefallen en ûnder bepaalde omstannichheden it kenteken, tiid, lokaasje en foto fan in auto op in iepenbiere dyk op te nimmen.

Links nei wettlike basis

• Wetboek van Strafvordering - Titel VF. Vastleggen en bewaren van kentekengegevens - Artikel 126jj.: https://wetten.overheid.nl/BWBR0001903/2025-01-01#BoekEerste_TiteldeelVF
• Besluit vaststelling nadere regels vastleggen en bewaren kentekengegevens ex artikel 126jj Wetboek van Strafvordering door politie.: https://wetten.overheid.nl/BWBR0041691/2019-01-01

Impacttoetsen

Data Protection Impact Assessment (DPIA)

Wurking

Gegevens

It Tiresias-algoritme wurdt trainearre op ôfbyldings fan auto's, ek wol ANPR-ôfbyldings (Automatic License Plate Recognition) neamd. Dizze bylden litte de auto en syn kenteken sjen, en soms binne ek minsken efter de foarrút te sjen. Dit hinget ôf fan faktoaren lykas de tiid fan 'e dei en de ynfal fan ljocht.

Technyske wurking

In masine learen model bepaalt hokker dielen fan it byld moatte wurde blyn. Dit wurdt dien mei in spesjaal algoritme (in neuraal netwurk) dat in 'masker' makket om de gebieten te markearjen dy't ferbline wurde (semantyske segmentaasje). Dêrfoar wurdt in UNET-model [1] brûkt, dat trainearre is om gebieten lykas foarrúten fan auto's sekuer te herkennen. Tidens de training leart it algoritme hoe't jo foarrúten sels markearje kinne.

De ôfbylding is foarôfgrutte nei 224x224 piksels (konfigurearber) en de helderheid is normalisearre. As gefolch, it model produsearret in byld wêryn alle auto foarrút markearre.

Sadree't it algoritme is oplaat en tapast, giet it algoritme net troch mei te learen. It sil dan altyd deselde útfier jaan mei deselde ynput.

Taljochting foar saakkundigen:

* In UNET-model mei Resnet18-rêchbonke wurdt brûkt. [2]

* It model wurdt oplaat mei in kombinaasje fan Binary Cross-Entropy (BCE) en Jaccard ferlies.[3]

Boarnen:

[1] Ronneberger O, Fischer P, Brox T (2015). "U-Net: Convolutional Networks for Biomedical Image Segmentation".

[2] Hee, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian (2016). Djip residueel learen foar ôfbyldingsherkenning. Konferinsje oer kompjûterfisy en patroanherkenning.

[3] MA Rahman en Y Wang (2016). Optimalisearje fan krusing-oer-uny yn djippe neurale netwurken foar ôfbyldingssegmentaasje. Ynternasjonaal Sympoasium oer Visual Computing.

Leveransier

It neurale netwurk wurdt folslein oplaat op proprietêre gegevens en brûkt gjin pre-trained iepen-boarne modellen. De boarnekoade dy't brûkt wurdt om dit netwurk te programmearjen komt fan in iepen boarne projekt.