> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/german/function-blocks/ai-blocks/face-detection.md).

# Face Detection

Dieser Funktionsblock erkennt menschliche Gesichter in einem Eingabebild und liefert visuelle sowie numerische Ergebnisse zur weiteren Verarbeitung.

## 📥 Eingänge <a href="#inputs" id="inputs"></a>

`Image Any` Das Bild, das auf Gesichter analysiert werden soll (Farbe oder Graustufen). Übergeben Sie Frames von Kameras oder geladene Bilder.

## 📤 Ausgänge <a href="#outputs" id="outputs"></a>

`Image Any` Annotiertes Bild mit eingezeichneten Gesichtsrahmen.

`Face Area Coordinates` Liste der Rechteckskoordinaten für jedes erkannte Gesicht.

`Face Count` Anzahl der im Eingabebild erkannten Gesichter.

## 🕹️ Steuerungen <a href="#controls" id="controls"></a>

`Confidence Threshold %` Ein Schieberegler zur Festlegung der minimalen Erkennungswahrscheinlichkeit. Erhöhen, um Fehlalarme zu reduzieren; verringern, um permissiver zu sein.

## ✨ Funktionen <a href="#features" id="features"></a>

* Echtzeit-Gesichtserkennung, geeignet für Live-Kamerafeeds oder statische Bilder.
* Liefert sowohl visuelles Feedback (annotiertes Bild) als auch strukturierte Daten (Koordinaten und Anzahl) für nachgeschaltete Logik.
* Einstellbare Confidence-Stufe zur Steuerung der Erkennungsstrenge.

## 📝 Nutzungshinweise <a href="#usage" id="usage"></a>

1. Verbinden Sie einen bildliefernden Block (Kamera oder File Loader) mit dem Eingang `Image Any`.
2. Stellen Sie den Schieberegler `Confidence Threshold %` auf die gewünschte Empfindlichkeit ein.
3. Verwenden Sie die Ausgänge nach Bedarf:
   * Vorschau des annotierten Bildes über einen Anzeige-Block (z. B. `Show Image`).
   * Lesen Sie `Face Area Coordinates` für ROI-Verarbeitung oder Tracking.
   * Nutzen Sie `Face Count` für Alarmierung, Protokollierung oder einfache Analysen.

## 📊 Bewertung <a href="#evaluation" id="evaluation"></a>

Beim Ausführen scannt der Block das eingehende Bild nach Gesichtern oberhalb der konfigurierten Confidence und erzeugt das annotierte Bild, eine Liste der Gesichtsrechtecke sowie die erkannte Gesichteranzahl.

## 💡 Tipps und Tricks <a href="#tips-and-tricks" id="tips-and-tricks"></a>

* Zur visuellen Prüfung verbinden Sie den Ausgang dieses Blocks mit dem Block `Show Image`, um den Bildviewer zu öffnen und die Erkennungen zu inspizieren.
* Wenn Sie nur einen bestimmten Bereich überwachen möchten (z. B. eine Tür), schneiden Sie zuerst mit `Image ROI Select` zu, um Fehlalarme zu reduzieren und die Verarbeitung zu beschleunigen.
* Um CPU-Last zu verringern oder die Verarbeitung zu beschleunigen, fügen Sie vor diesem Block `Image Resize` ein, um die Frame-Größe zu reduzieren.
* Verwenden Sie `Draw Detections`, um Erkennungsrechtecke mit benutzerdefinierten Overlays oder Status-Texten zu kombinieren und die Anzeige klarer zu machen.
* Speichern Sie Beispiele erfolgreicher oder fehlgeschlagener Erkennungen mit `Image Logger` zur Offline-Überprüfung und Feinabstimmung.
* Vorverarbeiten Sie verrauschte Eingaben mit `Blur` oder einem Threshold-Block (z. B. `Image Threshold`), um die Stabilität der Erkennung in minderwertigen Bildern zu verbessern.

## 🛠️ Fehlersuche <a href="#troubleshooting" id="troubleshooting"></a>

* Keine Gesichter erkannt: Senken Sie den `Confidence Threshold %` und stellen Sie sicher, dass das Bild klare frontale oder leicht geneigte Gesichter zeigt. Erhöhen Sie ggf. den Bildkontrast oder verwenden Sie `Image Resize` auf eine sinnvolle Arbeitsgröße.
* Zu viele Fehlalarme: Erhöhen Sie den `Confidence Threshold %` und schneiden Sie die Szene mit `Image ROI Select` zu, um irrelevante Bereiche auszuschließen.
* Performance-Probleme: Reduzieren Sie die Eingangsauflösung mit `Image Resize` oder führen Sie die Erkennung nur auf ausgewählten Frames durch, z. B. mittels eines Steuerungssignals oder Batch-Strategien.


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.augelab.com/german/function-blocks/ai-blocks/face-detection.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.