Jakie są główne metody rozpoznawania twarzy?
Główne metody rozpoznawania twarzy to: analiza geometryczna, analiza tekstury, sieci konwolucyjne (CNN) oraz embeddingi deep learningowe. Każda z nich wykorzystuje inne podejście do przetwarzania obrazu twarzy i porównywania go z zapisanymi wzorcami. W praktyce, skuteczne systemy łączą często kilka z tych technik.
1. Metoda geometryczna (feature-based)
Analizuje kluczowe punkty twarzy – np. odległość między oczami, szerokość nosa, kształt szczęki. Twarz jest reprezentowana przez zbiór wektorów odpowiadających położeniu tych punktów. To jedna z najstarszych technik, dziś stosowana głównie jako komponent wspomagający.
Zaleta: mała ilość danych potrzebna do przetwarzania.
Wada: niska odporność na zmiany mimiki, kąta twarzy i częściowe zasłonięcia.
2. Metoda teksturalna (appearance-based)
System analizuje całe obrazy twarzy jako zestawy cech wizualnych – cieni, gradientów, wzorców pikseli. Wykorzystuje algorytmy takie jak PCA (Principal Component Analysis), LBP (Local Binary Patterns) czy ICA. Dobrze radzi sobie z różnymi oświetleniami.
Zaleta: wysoka efektywność w dobrych warunkach.
Wada: słaba skuteczność przy niskiej jakości obrazu lub dynamicznych scenach.
3. Konwolucyjne sieci neuronowe (CNN)
Sieci uczone na ogromnych zbiorach danych same uczą się, które cechy twarzy są najbardziej istotne dla rozpoznania. Potrafią wykrywać wzorce niezauważalne dla człowieka. Używane w systemach takich jak VGG-Face, DeepFace (Facebook) czy Amazon Rekognition.
Zaleta: bardzo wysoka trafność nawet przy zniekształceniach.
Wada: wymaga dużej mocy obliczeniowej i bazy treningowej.
4. Embeddingi twarzy (deep learning embeddings)
Najnowocześniejsze podejście – twarz przekształcana jest w unikalny wektor liczb (np. przez modele FaceNet, ArcFace, InsightFace). Porównanie odbywa się na poziomie matematycznej odległości między wektorami.
Zaleta: najwyższa skuteczność i elastyczność, niezależnie od warunków.
Wada: trudność w interpretacji działania (tzw. black box).
Metody rozpoznawania twarzy przeszły ewolucję od prostych pomiarów geometrycznych po głębokie sieci neuronowe i wektory embeddingowe. Najskuteczniejsze systemy łączą precyzję, odporność na zakłócenia i zdolność do uczenia się nowych wzorców – a przyszłość należy do metod głębokiego uczenia i ich adaptacyjnych architektur.
Oto tabela porównująca główne metody rozpoznawania twarzy.
| Metoda | Opis działania | Zalety | Wady | Zastosowania |
|---|---|---|---|---|
| Geometryczna (feature-based) | Analiza odległości i układu punktów twarzy (np. oczy, nos, usta). | Niska złożoność obliczeniowa. | Wrażliwa na zmiany mimiki, kąta twarzy i zasłonięcia. | Wczesne systemy biometryczne, logika wspomagająca. |
| Teksturalna (appearance-based) | Analiza wzorców pikseli i tekstur na całej powierzchni twarzy. | Lepsza skuteczność w zmiennym oświetleniu. | Niska odporność na niską jakość obrazu. | Monitoring wewnętrzny, badania naukowe. |
| CNN (konwolucyjne sieci) | Sieci neuronowe uczą się hierarchii cech na dużych zbiorach danych. | Bardzo wysoka skuteczność rozpoznania w zmiennych warunkach. | Wymaga mocy obliczeniowej i dużych zbiorów treningowych. | Przemysł, smart cities, logowanie biometryczne. |
| Embeddingi (deep learning) | Twarz konwertowana na wektor numeryczny i porównywana wg. odległości. | Najwyższa precyzja i skalowalność, odporność na zmiany wyglądu. | „Czarna skrzynka” – trudna do interpretacji decyzja algorytmu. | Kontrola dostępu, identyfikacja w czasie rzeczywistym. |
Nowoczesne systemy rozpoznawania twarzy coraz częściej łączą kilka metod jednocześnie, aby zredukować błędy i zwiększyć trafność. Największy potencjał mają modele embeddingowe, które zapewniają niskie koszty semantyczne przetwarzania i wysoką skuteczność w praktycznych wdrożeniach.
Uczenie maszynowe (ML) jest podstawą nowoczesnych systemów rozpoznawania twarzy – pozwala na automatyczne wykrywanie, analizowanie i identyfikowanie twarzy z wysoką precyzją, nawet w trudnych warunkach. Algorytmy uczą się na milionach przykładów, wyciągając wzorce i korelacje, których nie da się zdefiniować ręcznie.
Tradycyjne systemy opierały się na regułach (np. odległość między oczami), ale miały niską skuteczność przy zmianach kąta, mimiki czy oświetlenia. Uczenie maszynowe umożliwia przetwarzanie złożonych cech twarzy w sposób nieliniowy i dynamiczny, co zwiększa trafność rozpoznania i zmniejsza liczbę błędów.
Szczególnie skuteczne okazały się głębokie sieci neuronowe (Deep Learning) – modele takie jak FaceNet, ArcFace czy VGG-Face zamieniają twarz na tzw. embedding – wektor liczb opisujący tożsamość osoby. Dzięki temu możliwe jest porównywanie twarzy nawet w przypadku starzenia się, zmiany fryzury czy oświetlenia.
Uczenie maszynowe pozwala systemom rozpoznawania twarzy nie tylko analizować dane – ale rozumieć je w kontekście. Dzięki temu systemy te są dziś dokładniejsze, szybsze i bardziej odporne na zakłócenia niż kiedykolwiek wcześniej.
Zastosowania rozpoznawania twarzy wideo
Jakie są główne obszary zastosowań rozpoznawania twarzy?
Rozpoznawanie twarzy znajduje zastosowanie w pięciu kluczowych obszarach: bezpieczeństwie publicznym, kontroli dostępu, handlu detalicznym, finansach oraz automatyzacji usług. Każdy z tych sektorów wykorzystuje technologię w inny sposób, ale wspólnym celem jest szybka, bezdotykowa identyfikacja tożsamości i poprawa efektywności operacyjnej.
- Bezpieczeństwo publiczne i monitoring wizyjny
Systemy rozpoznawania twarzy są powszechnie używane przez służby porządkowe do identyfikacji osób poszukiwanych, monitorowania tłumów, wykrywania podejrzanych zachowań i automatycznego śledzenia jednostek w przestrzeni miejskiej – np. na lotniskach, dworcach czy w metrze. - Kontrola dostępu (biometria fizyczna)
Technologia zastępuje tradycyjne karty i kody – umożliwia bezdotykowe wejście do budynków, biur, stref VIP lub serwerowni. Rozpoznawanie twarzy zwiększa poziom bezpieczeństwa, skraca czas logowania i eliminuje ryzyko utraty fizycznego identyfikatora. - Handel detaliczny i marketing personalizowany
W sklepach i galeriach handlowych systemy analizują profile klientów: mierzą ich emocje, czas spędzony przed półkami, rozpoznają powracających użytkowników. Dane te służą do optymalizacji ekspozycji, cen i komunikatów reklamowych. - Finanse i płatności biometryczne
Banki i fintechy wdrażają rozpoznawanie twarzy w procesach logowania, potwierdzania przelewów czy autoryzacji płatności mobilnych. Technologia zwiększa wygodę użytkownika i poziom bezpieczeństwa, redukując ryzyko oszustw. - Automatyzacja procesów (np. check-in, edukacja, HR)
W hotelach, szkołach i zakładach pracy systemy rozpoznają osoby przy wejściu, rejestrują obecność lub umożliwiają szybką rejestrację bez użycia dokumentów. Zmniejsza to koszty administracyjne i poprawia komfort użytkownika.
Rozpoznawanie twarzy to nie tylko technologia bezpieczeństwa – to uniwersalne narzędzie wykorzystywane w wielu branżach do automatyzacji, optymalizacji i ochrony. Jego skuteczność zależy od precyzyjnego dopasowania funkcji do konkretnego kontekstu użycia.
Jak rozpoznawanie twarzy wpływa na bezpieczeństwo publiczne?
Rozpoznawanie twarzy znacząco zwiększa skuteczność nadzoru i identyfikacji osób w przestrzeni publicznej. Umożliwia automatyczne wykrywanie poszukiwanych przestępców, lokalizowanie osób z list nadzorowych i analizowanie zachowań w czasie rzeczywistym – bez potrzeby interwencji człowieka.
Systemy tego typu są wykorzystywane m.in. na lotniskach, dworcach, stadionach i w przestrzeni miejskiej. Kamera identyfikuje twarz w tłumie, porównuje ją z bazą danych (np. policyjną lub Interpolu), a w razie zgodności natychmiast informuje odpowiednie służby. W efekcie czas reakcji na zagrożenie skraca się z minut do sekund.
Z perspektywy efektywności systemów bezpieczeństwa, rozpoznawanie twarzy jest jednym z najbardziej przełomowych narzędzi ostatnich lat. Pozwala na automatyzację procesów, które wcześniej wymagały zespołu operatorów i wielogodzinnego przeglądania nagrań. W praktyce – technologia ta umożliwia przeciwdziałanie zagrożeniom zanim się zmaterializują.
Nie bez znaczenia jest też aspekt prewencyjny – świadomość istnienia systemu rozpoznawania twarzy działa odstraszająco na potencjalnych sprawców przestępstw. To przekłada się na realny spadek incydentów w miejscach objętych monitoringiem biometrycznym.
Kluczowym czynnikiem skuteczności nie jest sam algorytm, ale jakość danych wejściowych (rozdzielczość, kąt, oświetlenie) oraz szybkość integracji z innymi systemami – np. bazami danych osób poszukiwanych, kontrolą wejść czy systemami alarmowymi.
Rozpoznawanie twarzy wpływa na bezpieczeństwo publiczne poprzez szybką identyfikację zagrożeń, skrócenie czasu reakcji oraz działanie prewencyjne. Odpowiednio wdrożona technologia staje się nie tylko narzędziem kontroli, ale realnym wsparciem w utrzymaniu porządku i ochronie obywateli.
Wyzwania i ograniczenia rozpoznawania twarzy
Jakie są trudności związane z technologią rozpoznawania twarzy?
Technologia rozpoznawania twarzy, mimo swojej skuteczności, wiąże się z szeregiem wyzwań technicznych, prawnych i etycznych. Jej wdrożenie na szeroką skalę wymaga nie tylko sprawnych algorytmów, ale też odpowiedzialności w zakresie ochrony danych i praw obywatelskich.
- Błędy identyfikacji (False Positive / False Negative)
Systemy rozpoznawania twarzy mogą generować błędne dopasowania. False positive (fałszywe rozpoznanie) to sytuacja, w której osoba zostaje błędnie zidentyfikowana jako ktoś inny. False negative (brak rozpoznania) to przypadek, w którym system nie rozpoznaje osoby, mimo że znajduje się w bazie danych. Te błędy są szczególnie niebezpieczne w kontekście bezpieczeństwa publicznego i egzekwowania prawa. - Jakość danych wejściowych
Skuteczność rozpoznawania zależy od warunków technicznych: rozdzielczości obrazu, kąta twarzy, oświetlenia, zakrycia (maska, okulary), a także od typu kamery. Słaba jakość obrazu = wysoki koszt semantyczny dla algorytmu → niższa trafność rozpoznania (zgodnie z modelem Koraya). - Ograniczenia algorytmiczne i uprzedzenia danych (bias)
Algorytmy uczą się na dostępnych zbiorach danych. Jeśli baza jest nierównomiernie zbudowana (np. dominują osoby o jednej grupie etnicznej czy wieku), system może wykazywać niższą skuteczność w rozpoznawaniu osób spoza tej grupy. To prowadzi do realnych nierówności i ryzyka dyskryminacji. - Problemy z prywatnością i RODO
Rozpoznawanie twarzy wiąże się z przetwarzaniem danych biometrycznych, które są chronione prawnie jako dane wrażliwe. W Unii Europejskiej ich użycie podlega ścisłym przepisom RODO – np. wymagana jest zgoda osoby lub spełnienie przesłanek interesu publicznego. Nieuprawnione stosowanie systemów FRT (Facial Recognition Technology) może prowadzić do naruszeń prawa. - Brak przejrzystości i kontroli społecznej
Wielu użytkowników nie wie, kiedy i gdzie ich twarz jest skanowana. Brak jasnych regulacji i transparentnych polityk może prowadzić do nadużyć, masowej inwigilacji i ograniczania wolności obywatelskich – szczególnie w systemach państw autorytarnych.
Z mojego doświadczenia wynika, że największym wyzwaniem jest znalezienie równowagi między skutecznością systemu a jego etycznym zastosowaniem. Technologia nie jest ani dobra, ani zła – wszystko zależy od tego, jak i przez kogo jest używana. Kluczowe jest nie tylko, czy „system działa”, ale czy działa sprawiedliwie, transparentnie i z poszanowaniem prywatności.
Rozpoznawanie twarzy to technologia o ogromnym potencjale – ale również wysokiej odpowiedzialności. Trudności związane z błędami algorytmu, uprzedzeniami danych, ograniczeniami technicznymi i aspektami prawnymi wymagają szczegółowej analizy przy każdym wdrożeniu. Tylko wtedy system może być zarówno skuteczny, jak i etyczny.
Jakie są zagadnienia etyczne i prywatności związane z rozpoznawaniem twarzy?
Technologia rozpoznawania twarzy budzi poważne pytania etyczne i prywatnościowe – głównie w kontekście masowej inwigilacji, zgody na przetwarzanie danych oraz dyskryminacyjnego działania algorytmów. W przeciwieństwie do klasycznych systemów monitoringu, technologia FRT (Facial Recognition Technology) nie tylko „widzi”, ale rozpoznaje, klasyfikuje i automatycznie reaguje – bez udziału człowieka.
- Brak świadomej zgody (lack of informed consent)
Większość systemów działa bez wiedzy i zgody osób, których twarze są przetwarzane. W przestrzeni publicznej nie ma obowiązku informowania o każdym użyciu FRT, co narusza zasadę świadomego uczestnictwa i transparentności. Zgodnie z RODO, dane biometryczne są kategorią szczególnie chronioną – wymagają podstawy prawnej lub wyraźnej zgody. - Ryzyko nadużyć i inwigilacji
W rękach państw autorytarnych technologia może służyć nie bezpieczeństwu, lecz represji – do śledzenia obywateli, tłumienia protestów i identyfikowania osób niewygodnych politycznie. W krajach demokratycznych również istnieje ryzyko rozszerzania systemów FRT bez kontroli społecznej. - Dyskryminacja algorytmiczna (algorithmic bias)
Systemy uczone na nierównych zbiorach danych często rozpoznają gorzej osoby o ciemniejszej karnacji, kobiety lub osoby starsze. To prowadzi do wyższych wskaźników fałszywych alarmów i potencjalnej dyskryminacji – np. błędnej identyfikacji przez policję czy odmowy dostępu do usług. - Naruszenie zasady proporcjonalności i minimalizacji danych
Zbieranie i przechowywanie danych biometrycznych w sposób masowy, bez wyraźnego celu i ograniczeń czasowych, stoi w sprzeczności z zasadą minimalizacji danych zawartą w art. 5 RODO. Systemy powinny przetwarzać tylko tyle informacji, ile jest niezbędne do konkretnego celu. - Brak standardów etycznych i regulacji
Obecnie brakuje globalnych i jednolitych standardów wdrażania systemów FRT. Część firm wdraża je komercyjnie bez audytów, bez oceny ryzyka i bez informowania użytkowników. Powoduje to erozję zaufania społecznego i narastającą krytykę ze strony organizacji ochrony praw człowieka.
Rozpoznawanie twarzy to technologia o ogromnej mocy – ale jak każda moc, wymaga kontroli. Wdrożenie systemu FRT powinno być poprzedzone oceną ryzyka, zgodą użytkowników i audytem etycznym. Sam fakt, że coś jest możliwe technologicznie, nie oznacza jeszcze, że powinno być wdrożone bez ograniczeń.
Zagadnienia etyczne i prywatnościowe w rozpoznawaniu twarzy dotyczą nie tylko prawa, ale zaufania społecznego, wolności obywatelskich i godności jednostki. Bez jasnych ram prawnych i odpowiedzialności etycznej, nawet najbardziej zaawansowany system może stać się narzędziem nadużycia – zamiast ochrony.
Przyszłość rozpoznawania twarzy wideo
Jakie są aktualne trendy w dziedzinie rozpoznawania twarzy?
Rozpoznawanie twarzy rozwija się dynamicznie w kilku kierunkach: zwiększania precyzji, poprawy działania w czasie rzeczywistym, ochrony prywatności oraz integracji z nowymi technologiami. Te trendy wyznaczają kierunek, w którym zmierza branża – zarówno pod kątem technologicznym, jak i społecznym.
- Rozpoznawanie twarzy w czasie rzeczywistym (real-time facial recognition)
Systemy coraz częściej analizują obraz na żywo – nie tylko porównując twarze z bazą, ale też natychmiastowo reagując: np. blokując wejście, aktywując alert czy uruchamiając systemy analityczne. Działa to nie tylko w nadzorze miejskim, ale też w firmach, szkołach i na stadionach. - Edge AI – przetwarzanie lokalne zamiast chmurowego
Nowoczesne urządzenia (kamery, rejestratory) są wyposażone w chipy AI, które umożliwiają analizę twarzy bez wysyłania danych do chmury. Oznacza to szybsze działanie, niższe opóźnienia i większą ochronę prywatności, ponieważ dane nie opuszczają urządzenia. - Rozpoznawanie twarzy z maską, okularami, brodą
W odpowiedzi na wyzwania pandemii i zmienność wyglądu, algorytmy uczą się rozpoznawać osoby mimo zasłonięcia części twarzy. Modele uczenia głębokiego (np. ArcFace, Dlib, InsightFace) osiągają dziś skuteczność powyżej 95% nawet przy częściowym ukryciu rysów. - Biometria hybrydowa (multimodalna)
Rozpoznawanie twarzy coraz częściej łączone jest z innymi formami uwierzytelniania – jak rozpoznawanie głosu, tęczówki czy chodu. Systemy multimodalne zwiększają bezpieczeństwo i zmniejszają ryzyko błędnej identyfikacji. - Rozwój rozpoznawania emocji i nastrojów
Nowe systemy nie tylko identyfikują osobę, ale też próbują ocenić jej stan emocjonalny: zdenerwowanie, stres, zainteresowanie. Tego typu analiza stosowana jest w handlu, HR i edukacji, ale budzi poważne kontrowersje etyczne. - Etyczne i regulacyjne AI (Responsible AI)
Pod wpływem nacisku społecznego i zmian prawnych (np. AI Act w UE), producenci wdrażają mechanizmy zgodności z przepisami, anonimizację danych, możliwość rezygnacji z monitoringu. Pojawia się silny trend audytowalności, przejrzystości i ograniczania inwigilacji.
Obecnie najbardziej wartościowe systemy to te, które łączą wysoką skuteczność technologiczną z odpowiedzialnością wdrożeniową. Widać wyraźnie przesunięcie narracji z „czy działa” na „czy działa odpowiedzialnie” – co oznacza zmianę także w algorytmach, politykach prywatności i projektowaniu całych systemów.
Trendy w rozpoznawaniu twarzy przesuwają technologię z poziomu eksperymentalnego do infrastrukturalnego – systemy stają się szybsze, dokładniejsze i bardziej zintegrowane. Jednocześnie rośnie nacisk na ich zgodność z prawem, etyką i oczekiwaniami społecznymi. To właśnie równowaga między efektywnością a odpowiedzialnością definiuje przyszłość tej technologii.
W jaki sposób rozwijają się technologie rozpoznawania twarzy?
Technologie rozpoznawania twarzy rozwijają się w kierunku większej precyzji, odporności na zakłócenia, elastyczności działania i zgodności z wymogami etycznymi oraz prawnymi. Kluczowe zmiany zachodzą na poziomie algorytmów, sprzętu oraz integracji z systemami analitycznymi i bezpieczeństwa.
1. Głębokie uczenie (Deep Learning) i embeddingi twarzy
Największy przełom dokonał się dzięki algorytmom deep learning. Systemy oparte na modelach takich jak FaceNet, ArcFace czy InsightFace przekształcają twarz w tzw. embedding – wektor liczb, który precyzyjnie opisuje tożsamość osoby. Dzięki temu możliwe jest rozpoznanie osoby mimo zmiany fryzury, mimiki czy kąta patrzenia.
2. Uczenie transferowe i pretrenowane modele
Nowoczesne systemy uczą się szybciej, bazując na pretrenowanych sieciach neuronowych, które zostały wytrenowane na milionach twarzy. Dzięki temu możliwe jest szybkie wdrażanie systemów w firmach i instytucjach bez potrzeby budowania własnej bazy od zera.
3. Miniaturyzacja i Edge AI (lokalne przetwarzanie danych)
Coraz więcej kamer i urządzeń IoT posiada zintegrowane procesory AI (np. Ambarella, NVIDIA Jetson), które analizują twarz bez potrzeby przesyłania obrazu do serwera. To zwiększa prędkość działania i chroni prywatność użytkowników, ponieważ dane biometryczne pozostają lokalne.
4. Rozpoznawanie w warunkach utrudnionych (np. z maską, w ruchu, nocą)
Algorytmy uczą się rozpoznawać twarze mimo zasłonięcia (maski, okulary), złego oświetlenia, szybkiego ruchu czy niskiej rozdzielczości. To odpowiedź na realne warunki uliczne, handlowe i przemysłowe – gdzie dane są niedoskonałe.
5. Integracja z multimodalną biometrią i analityką zachowań
Systemy FRT są coraz częściej integrowane z analizą głosu, chodu, emocji czy intencji. Rozpoznawanie twarzy staje się elementem większego ekosystemu bezpieczeństwa i personalizacji – np. w lotnictwie, bankowości czy handlu.
6. Rozwój zgodny z regulacjami (AI Act, RODO, EDPB)
Technologie rozwijają się także w kontekście prawodawstwa. Producenci dostosowują algorytmy do wymogów RODO, wdrażają anonimizację, lokalny zapis danych, możliwość wycofania zgody. Powstają też tzw. „privacy by design” systemy – projektowane z założeniem ochrony prywatności od początku.
Rozwój FRT to nie tylko kwestia „większej mocy obliczeniowej” – to przede wszystkim przejście od narzędzia technicznego do komponentu społeczno-prawnego. Dobre systemy rozpoznają twarze szybko i skutecznie. Świetne systemy robią to świadomie, z poszanowaniem użytkownika i środowiska regulacyjnego.
Technologie rozpoznawania twarzy rozwijają się w kierunku większej dokładności, elastyczności i odpowiedzialności. Głębokie sieci, edge AI i integracja z regulacjami prawnymi sprawiają, że FRT staje się nie tylko bardziej skuteczne, ale też lepiej dostosowane do rzeczywistych potrzeb społeczeństwa i rynku.
Jakie są przewidywane zastosowania rozpoznawania twarzy w przyszłości?
W przyszłości rozpoznawanie twarzy będzie coraz częściej wykorzystywane w automatyzacji codziennych procesów – od odprawy lotniskowej i dostępu do usług publicznych, po inteligentne domy, personalizację marketingu i bezdotykowe płatności biometryczne. Systemy FRT zostaną zintegrowane z rozszerzoną rzeczywistością (AR), rozpoznawaniem emocji, a także będą wspierać opiekę zdrowotną (np. monitorowanie stanu pacjenta na podstawie ekspresji twarzy). W miastach przyszłości technologia może wspomagać dynamiczne zarządzanie ruchem i bezpieczeństwem tłumu, a w sektorze edukacyjnym – dostosowywać tempo nauki do mimiki i reakcji uczniów. Równocześnie rozwijane będą rozwiązania chroniące prywatność użytkowników: anonimizacja danych w czasie rzeczywistym, systemy lokalnego przetwarzania (edge AI) oraz standardy „etycznej biometrii”, które zminimalizują ryzyko nadużyć.
Rozpoznawanie twarzy to jedna z najbardziej zaawansowanych i wszechstronnych technologii XXI wieku – łączy w sobie precyzję algorytmów, analizę biometryczną i potencjał automatyzacji na skalę masową. W artykule omówiliśmy, czym jest ta technologia, jak działa, jakie są jej metody, zastosowania i ograniczenia. Pokazaliśmy zarówno jej ogromne możliwości w zwiększaniu bezpieczeństwa i efektywności, jak i ryzyka związane z prywatnością, etyką i regulacją. Przyszłość FRT będzie zależeć nie tylko od postępu technologicznego, ale również od tego, czy potrafimy korzystać z niej odpowiedzialnie, transparentnie i z poszanowaniem godności każdego człowieka.
