Gesichts- und Personenerkennung mit mehreren ToF-Sensoren: Die datenschutzfreundliche Alternative

Von DerSchneider

Ein Laptop, der sich automatisch sperrt, sobald der Nutzer den Bildschirm verlässt – und wieder aufwacht, sobald dieser zurückkehrt. Ein Bildschirm, der sich abdunkelt, wenn der Blick abgewendet wird, um Energie zu sparen. Eine Warnung, wenn jemand von der Seite auf den privaten Bildschirm starrt. Noch vor wenigen Jahren klangen diese Szenarien nach Zukunftsmusik. Heute sind sie Realität – ermöglicht durch eine Technologie, die nicht auf Kameras, sondern auf winzige Time-of-Flight-Sensoren setzt.

Während herkömmliche Gesichtserkennungssysteme auf hochauflösende Kameras angewiesen sind und dabei tief in die Privatsphäre der Nutzer eindringen, verfolgt die neue Generation der Personenerkennung einen anderen Ansatz: Sie nutzt die räumliche Wahrnehmung von ToF-Sensoren, kombiniert mit leistungsfähiger Künstlicher Intelligenz, um Menschen zu erkennen, zu zählen und ihr Verhalten zu analysieren – ohne jemals ein Bild zu erzeugen, das eine Identifizierung ermöglichen würde. Dieser Artikel beleuchtet die technologischen Grundlagen, die aktuellen Marktentwicklungen und die vielversprechenden Zukunftsperspektiven dieser datenschutzfreundlichen Alternative zur klassischen Gesichtserkennung.

1. Das Problem mit der Kamera: Warum ToF die bessere Wahl ist

Die klassische Gesichts- und Personenerkennung setzt seit Jahrzehnten auf 2D-Kameras. Diese liefern hochauflösende Bilder, die von Algorithmen analysiert werden, um Gesichter zu erkennen, Identitäten zu bestimmen oder Anwesenheiten zu erfassen. Doch dieser Ansatz hat grundlegende Schwachstellen:

Datenschutz ist das offensichtlichste Problem. Eine Kamera, die in einem Büro, einem öffentlichen Raum oder in einem privaten Gerät installiert ist, erfasst kontinuierlich Bilder – und damit potenziell sensible Informationen. Selbst wenn die Bilder nicht gespeichert werden, bleibt das Gefühl der Überwachung bestehen. In vielen Ländern unterliegt die videobasierte Überwachung strengen rechtlichen Beschränkungen .

Energieverbrauch ist ein weiterer Nachteil. Kamerasysteme benötigen kontinuierlich Energie für die Bildaufnahme und -verarbeitung. In batteriebetriebenen Geräten wie Laptops ist dies ein entscheidender Faktor .

Umgebungsabhängigkeit schränkt die Zuverlässigkeit ein. Kameras funktionieren schlecht bei Dunkelheit, starkem Gegenlicht oder wenn das Gesicht teilweise verdeckt ist .

Technische Komplexität erschwert die Integration. Hochauflösende Kameras erzeugen große Datenmengen, die rechenintensiv verarbeitet werden müssen – ein Problem für kompakte Geräte mit begrenzter Prozessorleistung .

ToF-Sensoren bieten einen grundlegend anderen Ansatz: Sie messen keine Farben oder Muster, sondern ausschließlich Entfernungen. Das Ergebnis ist keine Kamerabild, sondern eine Tiefenkarte – eine abstrakte Darstellung der räumlichen Anordnung von Objekten im Sichtfeld. Diese Karte enthält keine Gesichtszüge, keine Hautfarbe, keine Kleidung – sie ist von Natur aus anonym .

2. Die technologische Grundlage: Wie ToF Menschen erkennt

2.1 Vom einfachen Abstandssensor zum räumlichen Scanner

Um Menschen zu erkennen und ihr Verhalten zu analysieren, reicht ein einfacher Entfernungsmesser nicht aus. Moderne ToF-Sensoren für die Personenerkennung arbeiten mit Multizonen-Technologie. Das Sichtfeld wird in ein Raster aus Messzonen unterteilt – typischerweise 8×8 = 64 Zonen oder mehr .

Jede dieser Zonen misst eigenständig die Entfernung zum nächsten Objekt in ihrem Bereich. Das Ergebnis ist eine 64-Pixel-Tiefenkarte, die zwar grob aufgelöst ist, aber ausreicht, um entscheidende Informationen zu extrahieren:

• Die Position einer Person im Raum (wo steht sie?)
• Die Bewegung einer Person (kommt sie näher oder geht sie weg?)
• Die Körperhaltung (sitzt die Person aufrecht oder lehnt sie sich zurück?)
• Die Kopfausrichtung (schaut die Person zum Bildschirm oder weg?)

Entscheidend ist: Diese Tiefenkarte ist kein Bild. Sie kann nicht dazu verwendet werden, eine Person zu identifizieren, Gesichtszüge zu erkennen oder Rückschlüsse auf persönliche Merkmale zu ziehen. Sie ist ein rein geometrisches Modell der Umgebung .

2.2 Hardware: Der VL53L8CP im Detail

Die aktuelle Referenz für Multizonen-ToF-Sensoren ist der VL53L8CP von STMicroelectronics, der in der fünften Generation der Human Presence Detection (HPD)-Lösung zum Einsatz kommt .

Technische Spezifikationen im Überblick:

Die 3D-Stacking-Technologie ist hier von besonderer Bedeutung: Die lichtempfindlichen SPADs (Single-Photon Avalanche Diodes) werden auf einem Chip realisiert, während die Auswerteelektronik in einer darunterliegenden Schicht untergebracht ist. Dies ermöglicht eine hohe Empfindlichkeit bei kompakten Abmessungen .

2.3 Die Rolle der Künstlichen Intelligenz

Die Rohdaten des VL53L8CP – 64 Entfernungswerte pro Messzyklus – sind noch nicht direkt interpretierbar. Erst durch den Einsatz von Künstlicher Intelligenz werden diese abstrakten Tiefeninformationen in sinnvolle Aussagen über Anwesenheit, Verhalten und Absichten übersetzt .

STMicroelectronics hat für seine HPD-Lösung vier spezialisierte neuronale Netzwerke entwickelt, jedes mit weniger als 10.000 Gewichten – klein genug, um auf einem einfachen Mikrocontroller (STM32) in weniger als einer Millisekunde zu inferieren :

Die Entwicklung dieser KI-Modelle war ein aufwändiger Prozess. STMicroelectronics führte über mehrere Monate vier globale Datenerfassungskampagnen durch, bei denen Mitarbeiter ihre eigenen Sitz- und Bewegungsdaten beisteuerten. Daraus entstand ein umfangreicher Datensatz, der die Grundlage für das Training der neuronalen Netze bildete. Insgesamt wurden 25 Versionen der Lösung entwickelt, bevor die finale Version marktreif war .

2.4 Energieeffizienz als Schlüsselmerkmal

Ein bemerkenswerter Vorteil der ToF-basierten Personenerkennung ist ihre außergewöhnliche Energieeffizienz. Der gesamte Detektionszyklus – von der Sensorauslesung über die KI-Inferenz bis zur Entscheidungsfindung – benötigt im Standby-Betrieb weniger als 1 Milliwatt . Zum Vergleich: Eine aktive Kamera benötigt typischerweise mehrere hundert Milliwatt.

Diese Effizienz wird durch mehrere Faktoren erreicht:

• Die niedrige Auflösung (nur 64 Zonen) minimiert die Datenmenge
• Die KI-Modelle sind extrem leichtgewichtig (<10.000 Gewichte)
• Die Inferenz läuft auf einem stromsparenden STM32-Mikrocontroller, nicht auf einem energiehungrigen GPU
• Der Sensor selbst wird nur bei Bedarf aktiviert; zwischen den Messungen schaltet er in einen Tiefschlafmodus

3. Anwendungsfelder im Überblick

3.1 Laptops und PCs: Die ST Presence-Lösung

Das mit Abstand am weitesten verbreitete Anwendungsfeld für ToF-basierte Personenerkennung ist der PC-Markt. STMicroelectronics berichtet, dass bisher über 280 PC-Modelle mit seiner Presence-Detection-Technologie ausgestattet wurden – und die fünfte Generation befindet sich aktuell in der Markteinführung .

Die Implementierung erfolgt dabei äußerst platzsparend: Der VL53L8CP-Sensor wird hinter dem Bildschirmrand (Bezel) unter einem IR-durchlässigen Filter montiert. Er ist für den Nutzer unsichtbar und benötigt keine zusätzliche Öffnung im Gehäuse .

Die Funktionen im Einzelnen:

Walk-Away Lock (Automatische Sperre beim Verlassen)

Sobald der Sensor erkennt, dass der Nutzer den Erfassungsbereich verlässt, wird das System automatisch gesperrt. Anders als bei herkömmlichen Systemen, die eine feste Zeitspanne (z.B. fünf Minuten) abwarten, erfolgt die Sperrung hier unmittelbar nach dem Verlassen. Dies erhöht die Sicherheit erheblich, insbesondere in öffentlichen oder geteilten Arbeitsumgebungen .

Wake-on-Approach / Wake-on-Attention (Automatisches Aufwecken bei Rückkehr)

Erkennt der Sensor eine sich nähernde Person, weckt er das System aus dem Schlafmodus. Die fünfte Generation geht hier noch einen Schritt weiter: Das System unterscheidet zwischen einer Person, die nur vorbeigeht, und einer Person, die tatsächlich vor dem Bildschirm Platz nimmt und Blickkontakt aufnimmt. Erst im letzteren Fall wird der Login-Vorgang (z.B. über Windows Hello) gestartet. Dies vermeidet Fehlauslösungen und spart Energie .

Adaptive Dimming (Adaptive Bildschirmabdunklung)

Mithilfe der Kopfausrichtungserkennung (HOR AI) wird erfasst, ob der Nutzer zum Bildschirm schaut oder den Blick abwendet. Bei abgewandtem Blick wird der Bildschirm automatisch abgedunkelt – nicht ausgeschaltet, da der Nutzer ja noch anwesend ist, aber ausreichend gedimmt, um Energie zu sparen. STMicroelectronics beziffert die Einsparung durch diese Funktion (in Kombination mit Walk-Away Lock) auf über 20 Prozent des täglichen Energieverbrauchs eines Laptops .

Multi-Person Detection (Erkennung mehrerer Personen)

Eine der innovativsten Funktionen ist die Fähigkeit, mehrere Personen im Erfassungsbereich zu unterscheiden. Das System kann zwischen dem Hauptnutzer (der Person direkt vor dem Bildschirm) und bis zu drei weiteren Personen (z.B. jemand, der von der Seite auf den Bildschirm schaut) differenzieren. Wird eine unerwünschte Person (ein „Shoulder Surfer“) erkannt, kann das System den Nutzer warnen – etwa durch eine Einblendung oder einen Hinweiston .

Gesten- und Handhaltungserkennung

Die fünfte Generation unterstützt zwei Formen der Handinteraktion:

• Traditionelle Gesten: Wischen nach links/rechts, oben/unten, Klickbewegungen – zur Steuerung von Präsentationen, Musikwiedergabe oder anderen Anwendungen
• Handhaltungserkennung: Erkennung von statischen Handpositionen wie „Daumen hoch“ oder „Daumen runter“ – etwa zur Bewertung von Inhalten ohne Maus oder Tastatur 

Posture Detection (Haltungserkennung)

Eine besonders bemerkenswerte Entwicklung ist die Erkennung der Körperhaltung. Das System kann feststellen, ob der Nutzer in einer ergonomisch ungünstigen Position sitzt (z.B. vorgebeugt, seitlich verdreht) und gibt entsprechende Hinweise. Diese Funktion befindet sich derzeit noch im Konzeptstadium (Proof of Concept) und soll 2026 auf den Markt kommen .

3.2 Personenzählsysteme für Gebäude

Neben der PC-Anwendung finden ToF-basierte Personenerkennungssysteme zunehmend Verbreitung in der Gebäudeautomation und im Smart Building. Ein herausragendes Beispiel ist der AI ToF People Counting Sensor des chinesischen Herstellers Milesight IoT, der 2026 mit einem Red Dot Design Award ausgezeichnet wurde .

Dieser Sensor erreicht eine Erkennungsgenauigkeit von 99,8 Prozent und arbeitet mit einer speziellen Filteroption, die zwischen Erwachsenen und Kindern unterscheiden kann. Er erfasst Tiefenbilder – keine Farbbilder – und ist damit von Natur aus datenschutzkonform. Selbst bei völliger Dunkelheit funktioniert die Erfassung zuverlässig .

Einsatzgebiete für solche Systeme sind:

• Einzelhandel: Zählung von Kundenströmen zur Optimierung von Personal- und Warenplanung
• Öffentliche Gebäude: Steuerung von Lüftungs- und Klimaanlagen nach tatsächlicher Auslastung
• Bürogebäude: Optimierung von Raumbelegung und Reinigungszyklen
• Museen und Ausstellungen: Analyse von Besucherströmen und Verweildauern

3.3 Forschung: 3D-Gesichtserkennung mit ToF-Kameras

Während die zuvor beschriebenen Anwendungen bewusst auf die Identifikation von Personen verzichten, gibt es auch Forschungsansätze, die ToF-Daten für die biometrische Gesichtserkennung nutzen. Ein Beispiel ist das Projekt C1 Face Recognition from 2D/3D Sensor Data der Universität Siegen .

Die Forscher kombinieren hier 2D-Bilddaten mit 3D-Tiefendaten von einer PMD-ToF-Kamera (Photonic Mixer Device), um Gesichter auch bei schwierigen Lichtverhältnissen und aus verschiedenen Blickwinkeln zuverlässig zu erkennen. Die ToF-Daten liefern dabei die geometrische Information, die bei reinen 2D-Verfahren verloren geht, wenn das Gesicht nicht frontal aufgenommen wird .

Allerdings weisen die Forscher auch auf die Grenzen der ToF-Technologie hin: Die relativ geringe Auflösung aktueller ToF-Kameras und die Anfälligkeit für Mehrfachreflexionen stellen Herausforderungen dar, die in der weiteren Forschung adressiert werden müssen .

3.4 Industrielle und robotische Anwendungen

Über den Consumer-Bereich hinaus finden ToF-basierte Personenerkennungssysteme auch in der Industrie und Robotik Verwendung. Hier stehen nicht Datenschutz oder Energieeffizienz im Vordergrund, sondern die zuverlässige und berührungslose Erkennung von Menschen in der Umgebung .

Beispiele sind:

• Kollaborative Roboter (Cobots): Erkennung, ob sich ein Mensch im Arbeitsbereich aufhält, um die Betriebsgeschwindigkeit zu reduzieren oder den Roboter anzuhalten
• Sicherheitsüberwachung: Detektion von Personen in Gefahrenbereichen ohne den Einsatz von Kameras
• Autonome mobile Roboter (AMR): Unterscheidung zwischen Personen und anderen Hindernissen zur optimalen Navigation

4. Technische Herausforderungen und Grenzen

Trotz ihrer zahlreichen Vorteile ist die ToF-basierte Personenerkennung kein Allheilmittel. Sie unterliegt technischen Grenzen, die bei der Systemauswahl berücksichtigt werden müssen.

4.1 Geringe laterale Auflösung

Die aktuelle Generation von Multizonen-ToF-Sensoren für den Consumer-Markt arbeitet mit 64 Zonen. Das entspricht einer Auflösung von 8×8 Pixeln – grob genug, um einen Menschen als solchen zu erkennen und seine grobe Haltung zu bestimmen, aber nicht ausreichend für feine Details wie Gesichtsausdrücke oder die Identifikation einzelner Finger .

Die in der Entwicklung befindlichen Sensoren mit höherer Auflösung – wie der TMF8829 von ams OSRAM mit bis zu 48×32 Zonen (1.536 Pixel) – adressieren dieses Problem zunehmend. Sie bleiben jedoch deutlich unter der Auflösung einer typischen VGA-Kamera (640×480 Pixel) .

4.2 Begrenzte Reichweite

Für die Personenerkennung im Nahbereich – wie bei Laptops oder Türsteuerungen – sind Reichweiten von 2 bis 4 Metern völlig ausreichend. Für Anwendungen wie Personenzählung in großen Räumen oder die Überwachung von Außenbereichen können ToF-Sensoren jedoch an ihre Grenzen stoßen. Hier kommen entweder Hochleistungs-dToF-Sensoren (Reichweiten über 10 Meter) oder alternative Technologien wie Radar zum Einsatz .

4.3 Material- und Oberflächenabhängigkeit

Wie jeder optische Sensor reagieren auch ToF-Sensoren empfindlich auf die Reflexionseigenschaften der erfassten Objekte. Sehr dunkle Kleidung absorbiert einen großen Teil des Infrarotlichts, was die Reichweite reduziert. Hochglänzende oder spiegelnde Oberflächen können zu Mehrfachreflexionen führen, die die Entfernungsmessung verfälschen .

4.4 Mehrfachreflexionen (Multipath Interference)

In Räumen mit Wänden, Decken und Möbeln kann das Infrarotlicht mehrfach reflektiert werden, bevor es zum Sensor zurückkehrt. Dies führt zu Überlagerungen von Signalen mit unterschiedlichen Laufzeiten, die von einfachen Auswertealgorithmen nicht korrekt getrennt werden können. Fortschrittliche Systeme nutzen Histogramm-basierte Verfahren, um mehrere Rückläufe pro Zone zu unterscheiden – ein wichtiger Fortschritt, der die Genauigkeit in komplexen Umgebungen erhöht .

4.5 Datenschutz als zweischneidiges Schwert

Die Tatsache, dass ToF-Sensoren keine Bilder erzeugen, macht sie datenschutzfreundlich – sie schränkt aber auch ihre Einsatzmöglichkeiten ein. In Szenarien, in denen eine Identifikation von Personen erforderlich ist (z.B. Zutrittskontrolle mit Gesichtserkennung), reichen reine ToF-Daten nicht aus. Hier sind entweder Kamerasysteme oder die Kombination von ToF mit anderen Technologien notwendig .

5. Marktentwicklung und Zukunftsperspektiven

5.1 Marktgröße und Wachstum

Der Markt für ToF-Module befindet sich in einer dynamischen Wachstumsphase. Laut Yole Group erreichte das Marktvolumen 2024 etwa 2,2 Milliarden US-Dollar. Bis 2030 wird ein Anstieg auf 3,8 Milliarden US-Dollar prognostiziert, was einer durchschnittlichen jährlichen Wachstumsrate von 9,5 % entspricht .

Besonders der Bereich der Multizonen-dToF-Sensoren wächst überproportional. Analysten führen dies auf mehrere Faktoren zurück:

• Die zunehmende Miniaturisierung und sinkende Kosten
• Die Erweiterung des Anwendungsspektrums über Smartphones hinaus (Laptops, Robotik, AR/VR)
• Die steigende Nachfrage nach datenschutzfreundlichen Erfassungslösungen 

5.2 Die führenden Hersteller

Die Entwicklung von ToF-Sensoren für die Personen- und Gesichtserkennung wird von wenigen großen Halbleiterherstellern dominiert:

5.3 Zukünftige Entwicklungen

Die Entwicklung der ToF-basierten Personenerkennung ist keineswegs abgeschlossen. Mehrere Trends zeichnen sich ab:

Höhere Auflösungen werden die Einsatzmöglichkeiten erweitern. Sensoren wie der TMF8829 mit 1.536 Zonen zeigen bereits, wohin die Reise geht. Zukünftige Generationen werden Auflösungen im Bereich von einigen tausend Zonen erreichen – immer noch weit unter dem Niveau einer Kamera, aber ausreichend für detailliertere Gesten- und Haltungserkennung .

Integration von KI auf dem Sensor (Edge AI) wird die Energieeffizienz weiter verbessern. Anstatt Rohdaten an einen externen Mikrocontroller zu senden, werden zukünftige Sensoren die KI-Inferenz direkt auf dem Chip durchführen – mit dem Potenzial, den Energieverbrauch weiter zu senken .

Sensorfusion wird die Zuverlässigkeit erhöhen. Die Kombination von ToF-Daten mit anderen Sensortechnologien – etwa einem Radarsensor für die Erkennung von Mikrobewegungen (Atmung, Herzschlag) oder einem Umgebungslichtsensor zur Kompensation von Störlicht – wird die Einsatzmöglichkeiten erweitern und die Fehlerrate weiter reduzieren .

Neue Anwendungsfelder werden erschlossen. Während der PC-Markt heute dominiert, zeichnen sich Wachstumsfelder in der Gebäudeautomation (Personenzählung, Raumbelegung), im Gesundheitswesen (Sturzerkennung bei älteren Menschen, kontaktlose Vitalparameter-Erfassung) und in der Unterhaltungselektronik (intelligente Fernseher, die Zuschauer erkennen) ab .

6. Fazit: Ein neuer Ansatz für mehr Privatsphäre

Die Gesichts- und Personenerkennung mit mehreren ToF-Sensoren markiert einen Paradigmenwechsel. Während herkömmliche Systeme auf der detaillierten Erfassung von Gesichtsmerkmalen basieren und damit zwangsläufig in die Privatsphäre eindringen, setzen ToF-Lösungen auf das Prinzip der abstrakten räumlichen Wahrnehmung. Sie erkennen Menschen – aber nicht, wer sie sind. Sie analysieren Verhalten – ohne es identifizieren zu können. Sie schützen Daten – indem sie sie gar nicht erst erheben.

Die technologische Entwicklung hat gezeigt, dass dieser Ansatz keineswegs mit Einschränkungen bei der Funktionalität erkauft werden muss. Im Gegenteil: Die Kombination von Multizonen-dToF-Sensoren mit spezialisierten KI-Modellen ermöglicht Funktionen, die mit Kameras allein nur schwer zu realisieren wären – etwa die energieeffiziente Dauerüberwachung, die Unterscheidung zwischen Hauptnutzer und „Shoulder Surfer“ oder die Erkennung der Körperhaltung.

Die Marktentwicklung spricht eine klare Sprache: Über 280 PC-Modelle sind bereits mit der Technologie ausgestattet, und die Nachfrage wächst. Der Siegeszug der ToF-basierten Personenerkennung ist jedoch nicht nur eine wirtschaftliche, sondern auch eine gesellschaftliche Entwicklung. In einer Zeit, in der die Debatte um Überwachung, Datenschutz und die Grenzen der Privatsphäre intensiver denn je geführt wird, bietet diese Technologie einen Weg aus dem Dilemma zwischen Sicherheit und Freiheit. Sie zeigt: Moderne Technologie muss nicht auf Kosten der Privatsphäre gehen. Sie kann beides sein – intelligent und respektvoll, leistungsfähig und diskret, vernetzt und anonym.

Die nächsten Jahre werden zeigen, ob sich dieses Prinzip auch in anderen Bereichen durchsetzen kann. Sollte dies gelingen, könnte die ToF-basierte Personenerkennung zu einem Vorbild für eine neue Generation von Sensorlösungen werden – solchen, die den Menschen in den Mittelpunkt stellen, ohne ihn zum Objekt der Beobachtung zu machen.

Quellen

• STMicroelectronics: Fifth-Generation Human Presence Detection (HPD) Solution – Produktankündigung und technische Dokumentation, Juni 2025 
• STMicroelectronics: VL53L8CP Multizone Time-of-Flight Sensor – Produktdokumentation, 2025 
• ams OSRAM: 3D Sensing Technologies – Technologieübersicht und Produktinformationen 
• Yole Group: Imaging Market Analysis – Marktstudie zu ToF-Modulen, Florian Domengie, 2025 
• Universität Siegen: C1 Face Recognition from 2D/3D Sensor Data – Forschungsprojekt unter Leitung von Prof. Christoph Ruland, Prof. Volker Blanz und Jun.-Prof. Marcin Grzegorzek 
• Red Dot Design Award: AI ToF People Counting Sensor – Auszeichnung und Produktbeschreibung, Xiamen Milesight IoT Co., Ltd., 2026 
• CNX Software: ST’s Human Presence Detection (HPD) solution tracks head and posture with AI and VL53L8CP ToF sensor – Technische Analyse, Juni 2025 
• All About Circuits: ST’s Presence Detection for Laptops and PCs Leverages ToF Sensor and AI – Fachartikel mit technischen Details, Jake Hertz, Juni 2025