Videovigilancia esférica y cámaras fisheye: ¿cómo gestiona un algoritmo de IA una imagen distorsionada?

TL;DR: Las cámaras fisheye y esféricas ofrecen un campo de visión muy amplio, pero distorsionan la geometría de la imagen (barrel distortion o distorsión de barril). Por eso, la detección automática de rostros puede ser menos eficaz, sobre todo en los bordes del encuadre, en escenas con mucha gente y con poca luz. La automatización sigue teniendo sentido, pero con este tipo de material requiere supervisión del operador. Gallio PRO difumina automáticamente rostros y matrículas en fotos y grabaciones guardadas, y los elementos restantes pueden corregirse manualmente en el editor integrado, de forma local y sin almacenar registros.

La anonimización de datos visuales reduce la posibilidad de identificar a personas y vehículos en fotos y vídeos. En la práctica, antes de publicar material audiovisual, esto suele hacerse mediante el difuminado de rostros y el difuminado de matrículas. En cámaras esféricas y cámaras fisheye, el proceso es más complejo, porque el algoritmo no analiza una imagen rectilínea, sino material con una fuerte distorsión geométrica. Para equipos de TI, integradores CCTV, marketing, relaciones públicas y compliance, no es un detalle técnico: afecta directamente a la calidad de la detección, al tiempo de revisión manual y al riesgo de publicar contenido en el que un rostro o una matrícula sigan siendo legibles.

¿Por qué la imagen fisheye supone un problema para los algoritmos de detección?

Una cámara fisheye registra un campo de visión muy amplio, a menudo cercano a 180 grados y, en algunas configuraciones, incluso superior tras aplicar el mapeado adecuado. Este efecto se consigue a costa de una representación no lineal del espacio: las líneas rectas cerca de los bordes del encuadre aparecen claramente curvadas, y los objetos cambian de proporción según su posición respecto al centro de la imagen.

El fenómeno clave es la distorsión de barril (barrel distortion): la ampliación de la imagen disminuye a medida que aumenta la distancia respecto al eje óptico. Como resultado, un rostro situado en el borde del encuadre puede aparecer ópticamente estirado, aplanado o curvado. Para un modelo de detección, esto representa un problema importante, porque la mayoría de los modelos se entrenan principalmente con imágenes cuya perspectiva se parece a la de las cámaras estándar, no con proyecciones esféricas muy deformadas.

Aquí se aprecia la diferencia entre la videovigilancia convencional y la videovigilancia esférica. En una imagen clásica, un rostro tiene una disposición relativamente predecible de ojos, nariz y contorno facial; en una imagen fisheye, esas relaciones espaciales pueden alterarse. Cuanto más lejos del centro del encuadre se encuentre el objeto, mayor será el riesgo de que disminuya la eficacia de la detección.

¿Cómo detecta la IA rostros en una imagen distorsionada?

Los sistemas modernos de anonimización de datos visuales suelen funcionar por etapas. Primero, el modelo busca rasgos locales que sugieren la presencia de un rostro o una matrícula; después clasifica la región detectada y delimita el área que debe difuminarse. Con material fisheye, este flujo solo funciona correctamente cuando la calidad de entrada es suficiente y el objeto no es demasiado pequeño, demasiado deformado o está parcialmente oculto.

En la práctica, el algoritmo puede funcionar bien en el centro del encuadre y peor en las zonas periféricas. No se trata necesariamente de un error de implementación, sino de una consecuencia natural de trabajar con una imagen que no se corresponde con la distribución de datos de entrenamiento habitual en muchos modelos de visión artificial. Por eso, las organizaciones que publican material procedente de estas fuentes suelen adoptar un enfoque conservador: la detección automática acelera el trabajo, pero el resultado debe revisarse antes de la publicación, especialmente en cámaras 360 de techo, cámaras panorámicas en vehículos, sistemas instalados en naves o instalaciones CCTV urbanas.

Difuminado de rostros en cámaras fisheye: dónde funciona bien el algoritmo y dónde pierde eficacia

Los mejores resultados suelen obtenerse cuando el rostro es relativamente grande, está de frente o en semiperfil, bien iluminado y más cerca de la zona central de la imagen. La eficacia disminuye cuando el rostro se encuentra en el borde, ocupa pocos píxeles, está parcialmente tapado, aparece en movimiento o forma parte de una escena con bajo contraste. Además, estos factores suelen acumularse.

En cámaras fisheye, cuatro situaciones son especialmente problemáticas: (1) rostros situados justo en el borde del encuadre; (2) rostros observados desde mucha altura, por ejemplo desde una cámara de techo; (3) escenas densamente ocupadas por personas, donde las áreas de detección se solapan; (4) material comprimido en el que se han perdido rasgos faciales pequeños.

Por eso, Gallio PRO debe tratarse como software on-premise para la anonimización de datos visuales en fotos y grabaciones, pero no como una herramienta que resuelva todos los casos sin revisión del operador. La detección automática de Gallio PRO cubre únicamente rostros y matrículas; el software no detecta automáticamente logotipos, tatuajes, placas con nombres, documentos ni contenido visible en pantallas. Estos elementos deben difuminarse manualmente en el editor integrado.

Flujo de trabajo recomendado para anonimizar grabaciones fisheye en Gallio PRO paso a paso

1. Importa el material en Gallio PRO. Sube una foto o una grabación guardada procedente de una cámara fisheye o 360. Gallio PRO trabaja con archivos, no con vídeo en directo ni en tiempo real.
2. Valora, de forma opcional, aplicar dewarping antes de la detección. La corrección geométrica puede mejorar la detección de rostros en los bordes, pero añade una etapa de procesamiento y puede generar artefactos. La decisión debe basarse en pruebas con tu propio material.
3. Ejecuta la detección automática de rostros y matrículas. Gallio PRO difumina automáticamente rostros y matrículas; estos son los únicos dos elementos que detecta de forma automática.
4. Revisa las zonas de riesgo. Comprueba sobre todo los bordes del encuadre, las zonas con alta concentración de personas y las áreas poco iluminadas, donde la detección es menos fiable.
5. Aplica correcciones manuales en el editor integrado de Gallio PRO allí donde el algoritmo haya omitido un rostro o una matrícula y el objeto siga siendo identificable, así como en elementos que no se detectan automáticamente: documentos, pantallas, placas, tatuajes o logotipos.
6. Exporta el material solo después de la revisión final. Gallio PRO no almacena registros de detección ni datos personales.

Si quieres comprobar este flujo con grabaciones de tus propias cámaras, puedes probar gratis la versión de demostración.

¿Cuándo es necesaria la corrección manual?

Con imágenes distorsionadas, la revisión manual no es un complemento, sino un estándar para publicar contenido de forma segura. Esto es especialmente importante en material procedente de una única lente fisheye sin dewarping previo, escenas nocturnas y tomas realizadas desde gran distancia. Conviene subrayar dos limitaciones relevantes para los responsables técnicos: Gallio PRO no difumina cuerpos completos, sino únicamente rostros y matrículas, y no es una herramienta para anonimización en tiempo real ni para flujos de vídeo en directo. Está diseñada para trabajar con fotos y archivos guardados antes de su publicación.

¿Dewarping o detección directamente sobre la imagen fisheye?

Existen dos enfoques. El primero consiste en analizar la imagen en su proyección fisheye original: es más sencillo desde el punto de vista del proceso y no genera versiones adicionales del material, pero en las zonas extremas del encuadre la precisión puede ser menor. El segundo consiste en aplicar dewarping previamente: mejora la geometría local y facilita la detección de rostros, pero añade una fase de procesamiento y puede introducir artefactos locales de interpolación. La elección depende del tipo de cámara, la resolución, la densidad de la escena y los requisitos de la organización. Si el material de una instalación concreta plantea dificultades de forma recurrente, merece la pena ponerse en contacto para analizar un escenario on-premise y realizar pruebas con muestras reales.

Qué influye en la calidad de la anonimización en videovigilancia esférica

Aspectos de cumplimiento al publicar fotos y grabaciones

En escenarios de publicación, un rostro visible en una foto o grabación suele constituir un dato personal, porque permite identificar a una persona física o hace probable su identificación [1][2]. En la práctica de compliance, las organizaciones suelen asumir que, antes de publicar, debe evaluarse si la imagen de una persona debe anonimizarse, salvo que exista una base clara para su divulgación.

La obligación de anonimizar rostros puede derivarse del RGPD, del Código Civil y de la normativa sobre derechos de autor, según la finalidad del tratamiento y la forma de publicación. No obstante, la legislación sobre derechos de autor contempla excepciones al requisito de consentimiento para difundir la imagen, en particular cuando:

• se trata de una persona públicamente conocida y la imagen se ha captado en relación con el desempeño de funciones públicas, sociales o profesionales,
• la imagen de la persona constituye únicamente un detalle dentro de un conjunto, como una reunión, un paisaje o un evento público,
• la persona recibió una remuneración acordada por posar y no estableció ninguna reserva en contrario.

En el caso de las matrículas, la práctica europea no es uniforme y la evaluación depende del contexto y de la posibilidad de vincular el número con una persona concreta. No puede sostenerse que el difuminado de matrículas sea obligatorio en todos los países de Europa Occidental sobre la base de una normativa europea única. En Polonia, la situación tampoco es completamente inequívoca: en algunos casos se considera que el número de matrícula por sí solo no siempre constituye un dato personal, pero en determinadas circunstancias puede permitir una identificación indirecta. Por eso, muchas organizaciones optan por un enfoque prudente y aplican el difuminado de matrículas incluso cuando la valoración jurídica depende del caso concreto.

Seguridad operativa al anonimizar material visual

Para muchas organizaciones, tan importante como la eficacia de la detección es saber si la propia herramienta crea un problema adicional con los datos. Gallio PRO no recopila registros que contengan detecciones de rostros y matrículas ni registros con datos personales o categorías especiales de datos personales. Esto resulta relevante en entornos que buscan limitar las huellas operativas asociadas al tratamiento de material visual, en línea con las necesidades de organismos públicos, integradores CCTV y empresas que trabajan con modelos on-premise, donde la reducción de transferencias de datos y la minimización de metadatos forman parte del estándar de seguridad.

Cómo evaluar si la detección automática en cámaras fisheye es suficiente

En lugar de basarte en una declaración general de eficacia, prueba tu propio material. Prepara una muestra que incluya distintas posiciones de los rostros en el encuadre, tanto en el centro como en los bordes, diferentes condiciones de iluminación, escenas densas y poco concurridas y, si lo estás valorando, una versión con dewarping y otra sin dewarping. Compara el número de rostros detectados correctamente con las omisiones. Si hay muchas omisiones en los bordes, la conclusión segura no es abandonar la automatización, sino introducir una revisión manual obligatoria para el material procedente de esa instalación.

Conclusiones para equipos técnicos y de compliance

Las cámaras fisheye aumentan la cobertura de la escena, pero dificultan la detección de rostros debido a la distorsión de barril y a la escala variable de los objetos dentro del encuadre. La automatización de la anonimización sigue teniendo sentido, porque reduce de forma significativa el trabajo en grandes volúmenes de material, pero en videovigilancia esférica no debería tratarse como un proceso totalmente desatendido. Cuanto mayor sea la distorsión, más importante será la revisión manual antes de publicar.

El enfoque más seguro es sencillo: detectar y difuminar automáticamente únicamente rostros y matrículas y, a continuación, realizar una verificación manual allí donde la geometría de la imagen, la iluminación o la densidad de la escena puedan reducir la eficacia del modelo. Esto disminuye el riesgo de errores sin crear una falsa sensación de automatización completa.

FAQ: videovigilancia esférica y cámaras fisheye

¿Una cámara fisheye siempre reduce la eficacia de la detección de rostros?

No siempre. Los mayores problemas aparecen en los bordes del encuadre, con rostros pequeños, poca iluminación y alta compresión. En el centro de la imagen, la eficacia suele ser claramente mejor. El resultado exacto depende del material concreto.

¿Conviene corregir primero la imagen fisheye antes de anonimizarla?

A veces sí. El dewarping puede mejorar la geometría del rostro y facilitar la detección, pero añade otra etapa de procesamiento y puede introducir artefactos. Lo más recomendable es decidirlo a partir de pruebas con tus propias grabaciones.

¿Qué detecta automáticamente Gallio PRO?

La detección automática cubre únicamente rostros y matrículas. Gallio PRO no detecta automáticamente logotipos, tatuajes, placas con nombres, documentos ni contenido visible en pantallas; estos elementos deben difuminarse manualmente en el editor integrado.

¿Gallio PRO difumina cuerpos completos?

No. Gallio PRO no difumina cuerpos completos. El difuminado automático se aplica a rostros y matrículas.

¿Gallio PRO funciona en tiempo real sobre un stream de vídeo?

No. Gallio PRO no realiza anonimización en tiempo real ni anonimización de flujos de vídeo. Está pensado para trabajar con material antes de su publicación.

¿La revisión manual es necesaria con cámaras fisheye?

En la práctica, muy a menudo sí, especialmente cuando los rostros están cerca de los bordes del encuadre, son pequeños, están parcialmente ocultos o se han grabado en condiciones de iluminación difíciles.

¿La herramienta almacena registros con datos de detección?

No. Gallio PRO no recopila registros que contengan detecciones de rostros y matrículas ni registros con datos personales o categorías especiales de datos personales.

Materiales relacionados

• Anonimización de vídeo con Gallio PRO
• Descargar la demo gratuita
• Retos de la anonimización de vídeo en entornos de ciudades inteligentes
• Cuándo el difuminado de rostros y matrículas es suficientemente eficaz: parámetros técnicos y control de calidad

Texto preparado por el equipo de Gallio PRO: especialistas en protección de datos e ingeniería de vídeo que desarrollan software de anonimización utilizado en seguridad, sector público y medios de comunicación. Este material tiene carácter informativo y no constituye asesoramiento jurídico.

¿Tienes grabaciones de cámaras fisheye o 360? Comprueba la calidad de la detección con tu propio material antes de publicarlo.