Biometrische Unterscheidung eineiiger Zwillinge anhand von Gesichtsmalzeichen durch dynamische Merkmalserweiterung

Warum winzige Hautdetails wichtig sind

Die meisten von uns gehen davon aus, dass eineiige Zwillinge, nun ja, identisch sind – so ähnlich, dass selbst Hightech-Kameras und DNA-Tests Schwierigkeiten haben, sie auseinanderzuhalten. Diese Ähnlichkeit verursacht in der Praxis erhebliche Probleme, von der Aufklärung von Straftaten bis zur Grenzsicherung. Diese Studie zeigt, dass die Lösung in etwas liegen kann, das wir selten bewusst wahrnehmen: kleinen, stabilen Malen und Unregelmäßigkeiten, die über das Gesicht verteilt sind. Indem die Forschenden Muttermale, Flecken und Poren als eine Art „Hautkarte“ behandeln, entwickelten sie ein automatisiertes System, das eineiige Zwillinge zuverlässig unterscheiden kann und damit auf präzisere und besser erklärbare biometrische Werkzeuge zusteuert.

Von verwirrten Gesichtern zu klaren Hautkarten

Traditionelle Gesichtserkennungssysteme konzentrieren sich auf die Gesamtstruktur des Gesichts – den Abstand zwischen den Augen, die Form der Nase, die Kontur des Kiefers. Bei eineiigen Zwillingen sind diese Merkmale fast identisch, weshalb selbst fortgeschrittene Algorithmen und DNA-Profile oft nicht sagen können, welcher Zwilling welcher ist. Die Autorinnen und Autoren richten ihren Fokus stattdessen auf die winzigen, weitgehend dauerhaften Details der Gesichtshaut: Aknenarben, dunkle Flecken, Poren und Falten. Diese Male neigen dazu, sich im Laufe des Lebens zu einzigartigen Mustern zu formen, selbst bei Menschen, die nahezu alle Gene teilen. Die Kernidee ist einfach, aber wirkungsvoll: Während Zwillinge auf den ersten Blick gleich aussehen mögen, tun es ihre Konstellationen von Hautmalen nicht.

Wie das System sieht, was wir übersehen

Das Team arbeitete mit 319 Porträtfotos von 74 Zwillingspaaren aus einer bekannten Forschungsammlung. Zunächst verwendeten sie ein vortrainiertes Computer-Vision-Modell, um jedes Gesicht zu scannen und verschiedene Arten von Hautmerkmalen zu erkennen – etwa Akne, dunkle Ringe oder Poren – und zogen unsichtbare Boxen um jedes Merkmal. Wichtig war, dass der Detektor sehr empfindlich eingestellt wurde, so dass auch schwache Male erfasst wurden, selbst wenn dadurch auch Rauschen mit aufgefangen wurde. Anstatt jeder einzelnen Erkennung zu vertrauen, fassten sie alle Male zu einem reichhaltigen Profil pro Person zusammen: wie viele Male welcher Art vorkommen, wie eng sie zusammenliegen, wie sie über das Gesicht verteilt sind und wie groß sie im Durchschnitt sind.

Hautmuster in Zwillingentscheidungen umwandeln

Als Nächstes verglichen die Forschenden diese Hautprofile zwischen Bildpaaren – manchmal echte Zwillinge, manchmal nicht verwandte Personen – um zu messen, wie ähnlich oder verschieden sie sind. Sie kombinierten mehrere intuitive Vergleichsschritte: wie gut die Mischung der Maltypen übereinstimmt, wie ähnlich die durchschnittlichen Größen der Male sind, wie gleichmäßig die Male zwischen links und rechts oder oben und unten verteilt sind, und wie die Male räumlich angeordnet sind, einschließlich ihres Abstands von der Mitte des Gesichts und ihrer Clusterbildung. Diese Ähnlichkeitswerte wurden dann in ein Modell des maschinellen Lernens eingespeist, das lernte, eine Ja‑/Nein‑Frage zu beantworten: Gehören diese beiden Gesichter zum selben Zwillingspaar oder nicht?

Intelligentes Tuning ohne Zeitverschwendung

Ein solcher Klassifikator zu bauen, hängt nicht nur davon ab, welche Informationen man ihm gibt, sondern auch davon, wie man seine vielen internen „Regler“ einstellt, etwa wie komplex das Modell werden darf. Die Studie verglich systematisch vier verschiedene Strategien zur Suche nach den besten Einstellungen, von einem erschöpfenden Raster aller Möglichkeiten bis zu explorativeren Methoden, die vom zufälligen Sampling und Schwarmverhalten in der Natur inspiriert sind. Während eine schwarmbasierte Methode im Test bei der Rohgenauigkeit leicht vorn lag, lieferte eine einfachere Zufallssuche nahezu identische Leistung in einem Bruchteil der Zeit. Dieses Verhältnis ist in der Praxis wichtig: Ein System, das sowohl genau als auch effizient ist, hat weitaus größere Chancen, in Polizeilaboren, Grenzkontrollen oder der medizinischen Forschung eingesetzt zu werden.

Was die Haut über Identität aussagt

Insgesamt erreichte das Rahmenwerk etwa 96,6 % Genauigkeit in der Kreuzvalidierung und gute Werte in Tests, die messen, wie gut Zwillinge von Nicht‑Zwillingen getrennt werden, mit nur geringen Anzeichen von Überanpassung. Das entscheidendste Signal war nicht die Art der Male, die jemand hatte, sondern wo diese Male im Gesicht auftauchten – das räumliche Muster fungierte wie eine einzigartige Signatur. Zählungen von Maltypen, Unterschiede zwischen Gesichtsregionen und subtile Clusterungsmuster trugen zusätzliche Zuverlässigkeit bei. Wichtig ist, dass die Entscheidungen des Systems visualisiert und erklärt werden können, sodass Ermittler sehen können, welche Aspekte der Hautkarte eine Übereinstimmung oder Nichtübereinstimmung verursacht haben. Für nichtfachliche Leser ist die Botschaft eindrücklich: Selbst bei den äußerlich ähnlichsten Menschen zeichnet die Haut still genug individuelle Details auf, damit Maschinen sie unterscheiden können, was Türen zu gerechteren Gerichtsverfahren, sichereren Biometrieverfahren und neuen Wegen öffnet, wie unsere Umgebung unser Aussehen im Laufe der Zeit prägt.

Zitation: Brahmbhatt, K.J., Prakasha, K. & Sanil, G. Facial mark based biometric differentiation of identical twins using dynamic feature enhancement. Sci Rep 16, 9249 (2026). https://doi.org/10.1038/s41598-026-39470-y

Schlüsselwörter: eineiige Zwillinge, Gesichtsbiometrie, Hautmale, forensische Identifikation, maschinelles Lernen