ALPR / ANPR: definición
ALPR y ANPR son siglas que se usan indistintamente para referirse a los sistemas de reconocimiento automático de matrículas. ALPR significa Automatic License Plate Recognition y ANPR, Automatic Number Plate Recognition. En la práctica, se trata de un conjunto de métodos de procesamiento de imagen que detectan una matrícula en una foto o en una grabación de vídeo, localizan su área y, a continuación, leen los caracteres mediante OCR o modelos de aprendizaje automático.
En el contexto de la anonimización de fotos y vídeos, el concepto de ALPR / ANPR tiene un doble significado. Por un lado, designa la técnica de identificación de matrículas. Por otro, señala una categoría de tratamiento que puede dar lugar al tratamiento de datos personales si el número de matrícula permite identificar a una persona física de forma directa o indirecta. Este enfoque se deriva del artículo 4.1 del RGPD y de la interpretación del concepto de identificabilidad adoptada por las autoridades de protección de datos y por la jurisprudencia de la UE.
Técnicamente, un sistema ALPR / ANPR suele funcionar en varias etapas: detección de la matrícula, normalización de la imagen, segmentación o reconocimiento secuencial de caracteres, validación de la sintaxis del número y almacenamiento del resultado. En materiales destinados a publicación o a compartirse con terceros, esa misma fase de detección puede utilizarse no para leer la matrícula, sino para difuminarla. Esta distinción es importante desde la perspectiva del compliance. La lectura amplía el alcance del tratamiento. La mera detección y el difuminado inmediato pueden reforzar el principio de minimización de datos del artículo 5.1.c del RGPD.
Cuándo ALPR / ANPR pasa a ser tratamiento de datos personales
No toda matrícula constituye siempre un dato personal en cualquier situación. La evaluación depende del contexto, de la finalidad y de la posibilidad de vincular el número a una persona concreta. En los países de la UE predomina un enfoque cauteloso: si el responsable del tratamiento o una entidad con la que los datos puedan cruzarse tiene una posibilidad real de determinar al propietario o usuario del vehículo, el número de matrícula debe tratarse como información relativa a una persona identificable.
En Polonia existe una divergencia interpretativa. Por un lado, la UODO, el CEPD y la práctica basada en una comprensión amplia de la identificabilidad tienden a considerar las matrículas como datos personales en determinados contextos. Por otro, parte de la jurisprudencia de los tribunales administrativos ha sostenido que el mero número de matrícula no siempre constituye un dato personal. En el caso de materiales fotográficos y de vídeo destinados a su publicación, el enfoque más seguro es la anonimización de matrículas, especialmente cuando la imagen del vehículo se relaciona con el lugar, la hora, la ruta del trayecto u otras características identificativas.
También resulta relevante la sentencia del TJUE en el asunto C-582/14, Breyer, en la que el Tribunal adoptó un enfoque amplio de la identificabilidad mediante información adicional disponible para otras entidades. No se refería a matrículas, pero es importante para evaluar la identificación indirecta. En la práctica del compliance, el número de matrícula en material de vídeo debe analizarse de forma similar a otros identificadores indirectos.
Cómo funciona ALPR / ANPR en el tratamiento de fotos y vídeos
En los sistemas modernos, la detección de matrículas suele basarse en modelos de deep learning. Esto también es clave para la anonimización. Para difuminar matrículas automáticamente, se necesita un modelo de IA previamente entrenado que haya aprendido a reconocer la ubicación de las matrículas en imágenes variadas. Solo entonces ese modelo puede utilizarse de forma operativa para detectar y ocultar matrículas en archivos de vídeo o fotografías.
Un flujo técnico típico incluye las siguientes etapas:
- detección del objeto: identificación del rectángulo delimitador de la matrícula,
- seguimiento entre fotogramas: mantenimiento de la continuidad de la máscara en el vídeo,
- OCR opcional: reconocimiento de caracteres si el objetivo es la lectura,
- anonimización: desenfoque, pixelado u ocultación completa del área detectada,
- control de calidad: verificación de detecciones omitidas y falsos positivos.
En el caso de Gallio PRO, la automatización se limita exclusivamente a rostros y matrículas en materiales ya grabados, y no a la anonimización en tiempo real ni a flujos de vídeo. El software no detecta automáticamente logotipos, tatuajes, placas identificativas, documentos ni contenidos mostrados en monitores. Estos elementos pueden difuminarse manualmente en el editor.
Parámetros y métricas clave de ALPR / ANPR
La evaluación de un sistema ALPR / ANPR exige distinguir entre la eficacia de la detección y la eficacia de la lectura. En aplicaciones de compliance, a menudo lo más importante no es la perfección del OCR, sino un alto recall de detección, ya que una matrícula no detectada permanece sin anonimizar.
La siguiente tabla resume las métricas básicas.
Parámetro | Significado | Aplicación práctica en anonimización
|
|---|---|---|
Recall de detección | Porcentaje de matrículas correctamente detectadas | Crítico: un recall bajo aumenta el riesgo de divulgación de datos |
Precision de detección | Porcentaje de aciertos que son matrículas reales | Influye en el número de máscaras innecesarias |
IoU | Grado de solapamiento entre el marco de detección y el objeto | Influye en si la máscara cubrirá toda la matrícula |
Precisión del OCR | Corrección en la lectura de caracteres | Secundaria si el objetivo es solo difuminar |
Latencia por fotograma / archivo | Tiempo de procesamiento del material | Influye en la eficiencia del proceso offline |
Tasa de falsos negativos | Porcentaje de matrículas omitidas | Indicador clave del riesgo jurídico |
Para una descripción sencilla de la eficacia, pueden utilizarse las fórmulas:
Precision = TP / (TP + FP)
Recall = TP / (TP + FN)
Donde TP significa detecciones correctas, FP detecciones falsas y FN matrículas omitidas. En procesos de anonimización suele preferirse un mayor recall incluso a costa de un aumento moderado de FP, porque un difuminado excesivo suele ser menos arriesgado que la ausencia de difuminado.
Obligaciones legales y cumplimiento del RGPD
Si ALPR / ANPR se utiliza para leer matrículas y dar un uso posterior al resultado, el responsable del tratamiento debe determinar la base jurídica del tratamiento, la finalidad, el plazo de conservación y el alcance de los destinatarios de los datos. También deben cumplirse los deberes de información, salvo que sea aplicable una excepción prevista en el RGPD, y debe evaluarse el riesgo para los derechos y libertades de las personas. En actividades de videovigilancia, análisis del tráfico o gestión de cobros, a menudo será necesaria una evaluación de impacto relativa a la protección de datos, es decir, una EIPD conforme al artículo 35 del RGPD.
En el caso de la publicación de fotos y vídeos, las obligaciones de compliance suelen llevar a una conclusión distinta: en lugar de leer el número, debe difuminarse de inmediato. Este enfoque limita el alcance de los datos y refuerza el principio de privacy by design del artículo 25 del RGPD. En muchos países europeos, el difuminado de matrículas en materiales publicados es un estándar práctico ampliamente aceptado, derivado de la normativa nacional, de las directrices de las autoridades y del enfoque europeo de protección de la privacidad.
Retos y limitaciones de ALPR / ANPR
La eficacia del reconocimiento de matrículas depende de la calidad del material. Los problemas aparecen con una compresión elevada, movimiento, alto contraste, suciedad en las matrículas, tipografías inusuales y ocultación parcial. En anonimización también suponen un problema los objetos pequeños en segundo plano, las tomas nocturnas y los reflejos de luz.
En la práctica, deben tenerse en cuenta las siguientes limitaciones:
- un modelo entrenado para un solo país puede funcionar peor con otros formatos de matrícula,
- una baja resolución reduce la eficacia de la detección y del OCR,
- los falsos negativos son el error más grave desde la perspectiva de la protección de datos,
- el OCR en sí no es necesario para la anonimización y puede ampliar innecesariamente el alcance del tratamiento.
Referencias normativas y fuentes
El concepto ALPR / ANPR no está definido en un único acto jurídico de la UE como término de compliance. Su evaluación se basa en las normas generales sobre datos personales, privacidad y seguridad en el tratamiento de imágenes.
- Reglamento (UE) 2016/679 - RGPD, en particular los artículos 4, 5, 25, 32 y 35.
- Tribunal de Justicia de la Unión Europea, sentencia de 19 de octubre de 2016, C-582/14, Breyer: interpretación amplia de la identificabilidad mediante información adicional.
- Comité Europeo de Protección de Datos (CEPD): directrices sobre los conceptos de responsable, tratamiento y evaluación de riesgos, aplicables de forma auxiliar al análisis de sistemas de identificación.
- ISO/IEC 27001:2022: requisitos para un sistema de gestión de la seguridad de la información, relevantes para organizaciones que tratan fotos y vídeos.
- ISO/IEC 23894:2023: directrices para la gestión de riesgos en sistemas de IA, útiles para evaluar modelos de detección de matrículas.