Tiresias

Politie

Dit algoritme schermt persoonsgegevens in politiedata af door automatisch de voorruiten van voertuigen te blinderen. Dit wordt gedaan wanneer voertuigbeelden worden opgevraagd in het kader van een lopend opsporingsonderzoek. 

Laatst gewijzigd op 31 januari 2025 om 13:04 | Publicatiestandaard 1.0

• Publicatiecategorie: Overige algoritmes
• Impacttoetsen: DPIA
• Status: In gebruik

Algemene informatie

Thema

Openbare orde en veiligheid

Begindatum

2022-10

Contactgegevens

https://www.politie.nl/

Verantwoord gebruik

Doel en impact

Het doel van Tiresias is om de privacy van burgers te beschermen. Dit wordt gedaan door de voorruit van een voertuig te blinderen waardoor de inzittenden niet herkenbaar zijn.

Afwegingen

De politie heeft zelf het initiatief genomen om het handmatige blinderen van voorruiten te automatiseren. Dit proces was fysiek belastend voor medewerkers, kostte veel tijd en bleek minder betrouwbaar bij controle. Automatische afscherming bespaart tijd en zorgt voor een consequente uitvoering. Omdat voertuigbeelden meestal vanuit dezelfde hoek worden gemaakt, kan een algoritme dit efficiënt en nauwkeurig uitvoeren. 

Menselijke tussenkomst

De medewerker controleert het werk van het algoritme. Alle afbeeldingen worden aan de medewerker getoond. Als dat nodig is, kan de medewerker extra delen van de afbeelding blinderen, maar niet ongedaan maken wat al geblindeerd is. 

Risicobeheer

De hele voorruit wordt geblindeerd in plaats van alleen de personen erachter. Dit is eenvoudiger én zorgt ervoor dat niets achter de voorruit zichtbaar is, zoals gezichten, kleding of andere details. Alleen het voertuig en het kenteken blijven zichtbaar. 

Wettelijke basis

In het wetboek van Strafvordering (artikel 126jj), is voor de politie de bevoegdheid vastgelegd om in bepaalde gevallen en onder gestelde omstandigheden het kenteken, tijdstip, locatie en foto van een voertuig op de openbare weg vast te leggen. 

Links naar wettelijke 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)

Werking

Gegevens

Het algoritme Tiresias is getraind op afbeeldingen van voertuigen, ook wel ANPR-beelden (Automatische kentekenplaatherkenning) genoemd. Op deze beelden staan het voertuig en het kenteken, en soms zijn ook personen achter de voorruit te zien. Dit hangt af van factoren zoals het tijdstip en de lichtinval. 

Technische werking

Een machine learning-model bepaalt welke delen van de afbeelding geblindeerd moeten worden. Dit gebeurt met een speciaal algoritme (een neuraal netwerk) dat een 'masker' maakt om de te blinderen gebieden te markeren (semantic segmentation). Hiervoor wordt een UNET-model [1] gebruikt, dat is getraind om gebieden zoals voorruiten van voertuigen nauwkeurig te herkennen. Tijdens het trainen leert het algoritme zelf hoe het voorruiten moet markeren. 

De afbeelding wordt vooraf aangepast naar een formaat van 224x224 pixels (configureerbaar) en de helderheid wordt genormaliseerd. Als resultaat levert het model een afbeelding waarin alle voorruiten van voertuigen zijn gemarkeerd.

Nadat het algoritme is getraind en het wordt toegepast leert het algoritme niet door. Het zal dan altijd dezelfde output geven bij dezelfde input.

Toelichting voor experts:

* Er wordt gebruik gemaakt van een UNET-model met Resnet18-backbone. [2]

* Het model is getraind met een combinatie van Binary Cross-Entropy (BCE) en Jaccard-loss.[3]

Bronnen:

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

[2] He, Kaiming; Zhang, Xiangyu; Ren, Shaoqing; Sun, Jian (2016). Deep Residual Learning for Image Recognition. Conference on Computer Vision and Pattern Recognition.

[3] MA Rahman and Y Wang (2016). Optimizing intersection-over-union in deep neural networks for image segmentation. International Symposium on Visual Computing.

Leverancier

Het neurale netwerk is volledig getraind op eigen data en gebruikt geen vooraf getrainde open-source modellen. De broncode waarmee dit netwerk is geprogrammeerd, komt uit een open-source project.