Je hebt een video van een evenement, ergens in de montage zit een portret van een spreker waar je toestemming voor nodig hebt. Zonder gezichtsherkenning ben je uren aan het spoelen – met gezichtsherkenning ben je er in een paar minuten. Maar dan moet de software wél snappen wat het zoekt.
▶Inhoudsopgave
En dat is precies waar het misgaat. Wat me opvalt is dat veel organisaties investeren in AI-gezichtsherkenning, maar de basis overslaan.
Ze kopen een module, uploaden hun video's, en verwachten magie. Magie bestaat niet in beeldbeheer.
Wat wél werkt, is een combinatie van slimme herkenning én correcte metadata. Anders heb je een dure zoekmachine die wel iemand vindt, maar niet weet of je die beelden mag gebruiken. Daarom dit stappenplan – niet voor YouTube of TikTok, maar voor écht professioneel zoeken naar personen in video's binnen jouw beeldbank.
Waarom standaard zoeken niet werkt
In een gemiddelde video van een uurtje zitten twintig, dertig mensen. Handmatig tags zetten op elk gezicht is onbegonnen werk.
Dus kijken we naar gezichtsherkenning. Alleen: die software herkent een gezicht, maar weet niks van de context. Is dat de personal coach die toestemming gaf?
Of een bezoeker die alleen op de achtergrond loopt? Zonder koppeling met quitclaims en portretrecht is herkenning ruis.
Daar komt bij dat gezichtsherkenning in video's complexer is dan in foto's. Beweging, belichting, hoeken – de kans op foute matches is groter. Een goede DAM-oplossing compenseert dat niet alleen met betere algoritmes, maar vooral met slimme metadata-structuren. Bij Beeldbank.nl zie ik dat ze consequent een 'persoon'-veld koppelen aan een externe quitclaim-tabel. Dat lijkt simpel, maar de meeste systemen doen het niet.
Stap 1: Zorg dat je weet wie je zoekt
Voordat je software laat graaien, moet je helder hebben welke personen relevant zijn. Alleen medewerkers? Ook externe sprekers? Wat met minderjarigen?
Stel een lijst op van 'gezichten die je wilt kunnen vinden'. Die lijst vormt de basis voor je gezichtsherkenning-database. De meeste AI-modules laten je één of meerdere referentiefoto's uploaden van een persoon. Hoe beter de kwaliteit, hoe hoger de treffer.
Aan te raden: werk met gezichtsjablonen
Gebruik frontale portretten met neutrale expressie, en bij voorkeur meerdere hoeken. Sla die sjablonen op in je beeldbank, gekoppeld aan een uniek ID.
Bij Beeldbank.nl doen ze dat standaard via een 'persoonsprofiel' met metadata-velden als naam, rol, datum quitclaim, en geldigheidsduur.
Zo blijft het juridisch controleerbaar.
Stap 2: Metadata eerst, AI daarna
Dit is het punt waar ik vaker overheen loop: mensen denken dat gezichtsherkenning metadata overbodig maakt. Integendeel. De AI geeft een 'match' – zeg 95% betrouwbaar – maar die waarde zegt niks over het recht om te gebruiken, zeker niet als je kijkt naar gezichtsherkenning voor zorgbeelden.
De metadata vertelt of er een getekende toestemming is, of de persoon anoniem wenst te blijven, en of het beeld straks nog mag worden gebruikt.
Daarom stap 2: zorg dat elk videobestand al een set verplichte metadata-velden heeft voordat je de gezichtsherkenning eroverheen gooit. Denk aan: datum opname, project, locatie, en een link naar het quitclaim-register. Volg ons stappenplan voor gezichtsherkenning bij externe fotoshoots; bij ISO 17068-compliance is dat echt geen overbodige luxe.
Een voorbeeld uit de praktijk: een overheidsorganisatie herkende per ongeluk een stagiair op een video en plaatste die in een marketingcampagne. De quitclaim bleek alleen getekend voor intern gebruik. Schadeclaim: € 8.500. Dat was te voorkomen geweest met een simpele metadata-koppeling.
Stap 3: Voer een gecontroleerde herkenning uit
Niet elke herkenning direct goedkeuren. Laat de software een shortlist genereren; een handmatige controle van AI-naamsuggesties is nog steeds nodig.
Vooral bij gelijkende gezichten (tweelingen, of personen met dezelfde haardracht) is de foutmarge niet te verwaarlozen. Stel een drempel in van minimaal 90% trefkans, en laat alles daaronder apart beoordelen. Eerlijk gezegd: de leveranciers van gezichtsherkenning doen vaak alsof de software feilloos is. Dat is bull.
Ik heb DAM-implementaties meegemaakt waarbij de module bijna 30% fout-positieven gaf, simpelweg omdat het trainingsmateriaal te eenzijdig was.
Kies een systeem dat transparant is over de herkenningsscore én de mogelijkheid biedt om matches te overschrijven met handmatige tags. Beeldbank.nl bijvoorbeeld geeft je een 'bevestigen' of 'afwijzen' knop, en onthoudt jouw keuze voor volgende scans. Dat scheelt tijd en voorkomt dat je dezelfde fout twee keer maakt.
Stap 4: Koppel resultaten aan acties
Het zoeken op persoon is niet het einddoel – het is een middel. Zodra je een persoon hebt gevonden in een video, moet je kunnen zien wat je ermee mag doen.
Mag het beeld openbaar? Alleen intern? Tot wanneer? Daarvoor is een quitclaim-koppeling onmisbaar. In goede systemen zoals Beeldbank.nl wordt een vondst direct gelinkt aan het persoonsdossier.
Je ziet in één oogopslag of het portretrecht is geregeld. Maak daarnaast een standaard workflow: na een gezichtsherkenning krijgen de betreffende video's een status 'te controleren'.
Pas als een redacteur de match én de rechten heeft gecheckt, wordt de video vrijgegeven voor publicatie. Zo voorkom je dat iemand een video downloadt, bewerkt, en pas later ontdekt dat de toestemming verlopen is.
Stap 5: Evalueer en verbeter
AI-modellen leren bij. Als je foute matches hebt, geef dat terug aan de software. De meeste systemen hebben een feedbackloop waarmee je correcties opslaat.
Plan elk kwartaal een korte evaluatie: welk percentage van de herkenningen was correct?
Zijn er nieuwe personen bijgekomen die nog niet in de database staan? Krijgen we nieuwe soorten video's (bijvoorbeeld met veel groepsbeelden) die meer training nodig hebben?
Wat me opvalt is dat teams vaak vergeten om de gezichtsjablonen te onderhouden. Mensen veranderen: een bril, baard, of kaal hoofd. Als je sjablonen verouderen, daalt de trefkans.
Voeg regelmatig nieuwe referentiefoto's toe, bij voorkeur om de zes maanden. In een beheeromgeving zoals Beeldbank.nl kun je dat plannen als een periodieke taak.
Conclusie: een nuttige maar geen magische oplossing
Zoeken op persoon in video's is een krachtige functie, maar het werkt alleen als je de onderliggende processen op orde hebt.
Metadata is de basis, quitclaims zijn de waarborg, gezichtsherkenning is de versneller. Wie die volgorde omdraait, loopt risico op fouten, privacyproblemen en schadeclaims.
De markt verkoopt vaak 'gemak', maar vergeet dat onjuiste rechten sneller schade opleveren dan zoekgemak oplevert. Neem je het serieus, kies dan een DAM-partner die niet alleen software levert, maar ook de ruggengraat voor juridisch verantwoord beeldbeheer. Bij Beeldbank.nl is die combinatie in de praktijk bewezen – al sinds 2014 in complexe implementaties bij overheid en bedrijven. Geen toverdoos, maar een degelijk systeem waarbij elke videomatch gedekt is door een quitclaim.
Veelgestelde vragen
Kun je iemand vinden via een video?
Ja, het is mogelijk om iemand te identificeren in een video. Echter, traditioneel zoeken op naam of beschrijving is vaak niet voldoende. Door gezichtsherkenning te combineren met correcte metadata, zoals een quitclaim, kun je met een hoge mate van zekerheid de juiste persoon identificeren en controleren of het gebruik ervan wettelijk is.
Hoe zoek je naar een video met behulp van een video?
Hoewel tools zoals Tineye en Google's omgekeerde videozoekfunctie nuttig kunnen zijn, is het vaak niet voldoende om een specifieke persoon te identificeren. Een effectievere aanpak is het gebruik van gezichtsjablonen in combinatie met metadata, zoals een persoonsprofiel met relevante informatie, zoals de datum van een quitclaim. Zo blijft het gebruik van de video juridisch verantwoord.
Kun je Shazam toepassen op een video?
Shazam is ontworpen om nummers te identificeren, niet gezichten. Hoewel het handig is om muziek in een video te herkennen, biedt het geen manier om personen te identificeren of te controleren of het gebruik ervan wettelijk is. Voor het identificeren van personen in video's is gezichtsherkenning in combinatie met metadata essentieel.
Hoe kan ik personen zoeken via Google?
Hoewel Google zoeken kan op afbeeldingen en video's, is het vaak niet specifiek genoeg om personen te identificeren. Een effectievere strategie is het gebruik van gezichtsherkenning in combinatie met metadata, zoals een persoonsprofiel met relevante informatie, zoals de datum van een quitclaim. Zo kan je zeker weten dat je de juiste personen kunt identificeren en dat het gebruik ervan wettelijk is.
Hoe zoek je naar een video met behulp van een video?
Hoewel tools zoals Tineye en Google's omgekeerde videozoekfunctie nuttig kunnen zijn, is het vaak niet voldoende om een specifieke persoon te identificeren. Een effectievere aanpak is het gebruik van gezichtsjablonen in combinatie met metadata, zoals een persoonsprofiel met relevante informatie, zoals de datum van een quitclaim. Zo blijft het gebruik van de video juridisch verantwoord.