Recaptcha: Google-KI will eure Hände sehen – Nutzer sollen zur Autorisierung Winken statt Tippen (alle Infos)

 

Google hat vor wenigen Tagen die neuen Handgesten-Captchas vorgestellt, die schon bei der ersten Ankündigung für Diskussionen sorgen – denn für diese ist der Zugriff auf die Kamera des Nutzers notwendig. Heute wollen wir ein wenig hinter die Kulissen blicken und zeigen euch, wie diese Erkennung funktionieren soll und welche technischen Feinheiten für die Auswertung der Handgesten zum Einsatz kommen.

Der rasante technische Fortschritt hat es auch den Captchas in den letzten Jahren nicht leicht gemacht, sodass auch Google beim hauseigenen populären Dienst Recaptcha mehrfach nachlegen musste. Nach den immer komplizierteren Captchas, den Bildpuzzles und dem Nocaptcha wurde vor wenigen Tagen das neue Konzept der Autorisierung per Handgeste vorgestellt, das eine völlig neue Möglichkeit der Menschlichkeitsbestätigung etablieren soll.

Damit das Ganze funktionieren kann, müssen die Nutzer den Google-Webseiten den Zugriff auf ihre Kamera erlauben, sodass das Winken in die Kamera entsprechend ausgewertet werden kann. Ob das tatsächlich angenommen werden wird, muss sich erst noch zeigen. Das Winken in die Kamera ist das eine, die Freigabe des Kamerazugriffs hingegen noch einmal ein ganz anderes Thema. Das hatte ich schon im verlinkten Artikel ausführlich im Monolog diskutiert. Jetzt soll es um die dafür genutzte Technologie gehen.

Laut Google Recaptcha kann eine sich bewegende Hand ein eindeutiges Kennzeichen sein, um einen Menschen von einer Maschine zu unterscheiden. Denn es wird nicht die Hand als Einzelobjekt ausgewertet, sondern tatsächlich die Handknochen. Insgesamt werden 21 „Handpunkt-Landmarks“ angelegt, die sich über die Hand legen und jede Bewegung erfassen können. In der folgenden Infografik ist gut zu sehen, was das bedeutet.

Die Technologie verfolgt die genaue Position der Knochen und Gelenke. Insgesamt werden 21 Hand-Landmarks in der erhobenen Hand lokalisiert, die von der KI in Bewegung verfolgt werden. Dabei geht es um 3D-Gelenkkoordinaten wie Fingerspitzen, Fingerknöchel oder auch den Handballen. Es kommen zwei Koordinatensysteme zum Einsatz: Die Positionen werden sowohl in normalisierten Bildkoordinaten (x, y, z relativ zu Bildbreite und -höhe) als auch in realen Weltkoordinaten (3D-Koordinaten in Metern) ausgegeben.

Das Modell kann erkennen, ob der Nutzer die linke oder die rechte Hand gehoben hat. Das ist eher eine Zusatzinformation und hat wohl nicht viel mit der Menschlichkeitserkennung zu tun. Um Rechenleistung zu sparen, wird die Handflächenerkennung nicht bei jedem Frame ausgeführt. Sobald eine Hand gefunden wurde, übernimmt ein ressourcenschonender Tracking-Algorithmus: Erst wenn die Hand aus dem Bild verschwindet oder die Erkennungsrate zu stark abfällt, wird die initiale Handflächenerkennung neu ausgelöst.

Für mich ist weiter fraglich, wie das Ganze gegen KI helfen soll. Denn diese kann Menschen sowohl auf Bildern als auch in Videos mehr oder weniger perfekt visuell nachbilden. Wenn alle Daten sofort nach der Verwendung gelöscht werden, könnte man mit dem immer wieder selben Video alle Captcha-Anfragen erfolgreich meistern. Dennoch eine interessante Technologie, die vielleicht zukünftig auch für andere Aufgaben zum Einsatz kommen könnte.

[Google Developers Info]

Letzte Aktualisierung am 21.06.2026 / Bilder von der Amazon Product Advertising API / Affiliate Links, vielen Dank für eure Unterstützung! Als Amazon-Partner verdiene ich an qualifizierten Verkäufen.

---

---