¿Qué es el procesamiento por lotes de vídeo?

Procesamiento por lotes de vídeo: definición

El procesamiento por lotes de vídeo, es decir, el procesamiento masivo de archivos de vídeo, es una forma de organizar el trabajo de un sistema en la que múltiples grabaciones se procesan automáticamente como un conjunto de tareas, y no de forma individual ni en tiempo real. En el contexto de la anonimización de imágenes y grabaciones, esto significa ejecutar una secuencia de operaciones sobre grandes volúmenes de archivos, normalmente de archivo, siguiendo un pipeline predefinido. Cada archivo pasa por las mismas etapas: ingestión, validación del formato, decodificación, extracción de fotogramas o análisis fotograma a fotograma, detección de objetos que requieren protección, seguimiento de objetos en el tiempo, aplicación de máscara o desenfoque, recodificación, control de calidad y guardado del resultado.

En la práctica técnica, el batch processing se contrapone al procesamiento real-time. El sistema no tiene que cumplir requisitos de baja latencia, pero sí debe garantizar un rendimiento predecible, tolerancia a fallos y capacidad de reanudar tareas. En la anonimización de vídeo, lo más habitual es la detección automática y el difuminado de rostros y matrículas en un gran número de materiales. Este enfoque es estándar en archivos de videovigilancia, materiales probatorios, conjuntos de auditoría, repositorios multimedia y procesos de publicación de materiales tras su anonimización.

En sistemas como Gallio PRO, el procesamiento por lotes de vídeo se refiere al tratamiento de archivos guardados en disco o en un repositorio. No implica la anonimización de una transmisión de vídeo ni el funcionamiento en tiempo real. La detección automática abarca rostros y matrículas. Otros elementos, como documentos, contenido de pantallas, tatuajes, logotipos o identificadores nominales, pueden requerir trabajo manual en el editor si el sistema no ofrece detección automática para ellos.

El papel del procesamiento por lotes de vídeo en la anonimización de grandes colecciones de grabaciones

En los proyectos de anonimización de archivos, lo más difícil no es difuminar un único rostro, sino procesar de forma repetible miles de horas de material con control de calidad y trazabilidad completa del proceso. El procesamiento por lotes de vídeo resuelve este problema al dividir el trabajo en etapas separadas y automatizar su ejecución.

Para el Delegado de Protección de Datos, es importante que un pipeline por lotes permita establecer reglas uniformes de tratamiento para todo el conjunto. Esto reduce el riesgo de omitir accidentalmente parte de los archivos o de aplicar configuraciones distintas de anonimización en casos similares.

• Escalabilidad: el sistema puede procesar miles de archivos mediante una cola de tareas y múltiples workers.
• Repetibilidad: el mismo modelo de detección, los mismos umbrales y las mismas políticas de enmascaramiento para todo el lote.
• Resiliencia: un archivo erróneo no detiene todo el proceso y la tarea puede relanzarse.
• Auditabilidad: es posible vincular el resultado a la versión del modelo, los parámetros y el momento de ejecución.
• Separación de entornos: resulta más fácil mantener un procesamiento on-premise sin transferir las grabaciones a servicios públicos.

Cómo organizar un pipeline de anonimización por lotes

El pipeline debe diseñarse como una secuencia de etapas que puedan monitorizarse y reiniciarse. En la práctica, la arquitectura basada en colas con workers independientes de CPU y GPU suele ofrecer los mejores resultados. La decodificación, la inferencia de modelos y la codificación final tienen perfiles de carga distintos, por lo que no deberían combinarse en un único proceso indiferenciado.

Para archivos de gran tamaño, conviene conservar no solo el archivo de salida, sino también los metadatos técnicos necesarios para la trazabilidad del proceso. Sin embargo, no deben generarse logs que contengan datos personales ni capturas de las detecciones. Gallio PRO no debería recopilar registros que incluyan detección de rostros y matrículas ni otros logs con datos personales.

Tecnologías utilizadas en el procesamiento por lotes de vídeo

La anonimización automática de rostros y matrículas suele basarse en modelos de aprendizaje profundo. El deep learning se utiliza para construir un modelo de IA que posteriormente realiza la detección de objetos en los fotogramas. En la práctica se emplean arquitecturas de detección CNN o sus equivalentes más recientes, entrenadas con conjuntos de datos etiquetados. El modelo por sí solo no basta. Para un funcionamiento correcto también se necesitan algoritmos de seguimiento de objetos, mecanismos de interpolación de detecciones ausentes y control de calidad de la máscara.

Desde el punto de vista de la infraestructura, la pila tecnológica típica incluye aceleración por GPU para la inferencia, colas de tareas, almacenamiento de archivos, una base de metadatos técnicos y un módulo de orquestación. En entornos con requisitos de seguridad elevados, se prefiere una implantación on-premise.

Parámetros y métricas clave del procesamiento por lotes de vídeo

La evaluación de un pipeline por lotes no puede basarse únicamente en el tiempo de ejecución. En anonimización, importan tanto la eficacia de detección como la estabilidad del funcionamiento y el coste de procesar una hora de material. Los parámetros deben medirse por separado para rostros y para matrículas, ya que presentan distinto tamaño de objeto, diferentes condiciones de iluminación y una dinámica de error distinta.

• Throughput: número de minutos u horas de material procesados por cada hora de funcionamiento del sistema.
• Latencia de la tarea: tiempo desde que se añade un archivo a la cola hasta que se obtiene el resultado.
• Recall: porcentaje de rostros o matrículas reales detectados por el sistema.
• Precision: porcentaje de detecciones correctas entre todas las detecciones del sistema.
• Frame miss rate: proporción de fotogramas en los que un objeto presente no fue difuminado.
• Tracking continuity: consistencia del enmascaramiento entre fotogramas consecutivos.
• Failure rate: porcentaje de archivos que terminan con error técnico.
• Bitrate de salida: tasa de bits objetivo tras la recodificación, que influye en la calidad y el tamaño del archivo.

En una formulación simple, el rendimiento puede expresarse como: Throughput = tiempo total del material de entrada / tiempo total de procesamiento. Para la planificación de recursos también resulta útil la relación GPU-hours / 100h de material.

Retos y limitaciones del procesamiento por lotes de vídeo

En el material de archivo existen grandes diferencias de calidad. Códecs antiguos, bitrate bajo, entrelazado, resolución SD, grabaciones nocturnas y compresión intensa reducen la calidad de la detección. Lo mismo ocurre con escenas con mucho movimiento de cámara, oclusiones y objetos pequeños al fondo. En estas condiciones, son necesarios umbrales conservadores y control manual por muestreo.

En la práctica, también conviene separar las cuestiones técnicas de las jurídicas. Un rostro puede constituir un dato personal en material visual si permite identificar a una persona. La obligación de anonimizarlo depende del contexto del tratamiento, incluido el RGPD, la protección de los derechos de la personalidad y las normas sobre difusión de la imagen. En el caso de las matrículas, la situación en Polonia no siempre se interpreta de forma uniforme. Existen posturas que apuntan a la necesidad de difuminarlas, pero también una línea jurisprudencial de tribunales contencioso-administrativos que considera que las matrículas por sí solas no siempre constituyen datos personales. En muchos países de Europa occidental, la práctica de protección suele ser más estricta.

Referencias normativas y fuentes para el procesamiento por lotes de vídeo

El procesamiento por lotes de vídeo como término técnico no está definido en una única norma sectorial para la anonimización de vídeo. Su significado deriva del uso consolidado en la informática del procesamiento por lotes y de la práctica de los sistemas de visión por computador. Para evaluar la conformidad y la seguridad, es necesario remitirse a actos normativos y estándares que describen el tratamiento de datos, la gestión de la seguridad y la evaluación de sistemas de IA.

• Reglamento (UE) 2016/679 del Parlamento Europeo y del Consejo - RGPD, 2016.
• ISO/IEC 27001:2022 - requisitos para un sistema de gestión de la seguridad de la información, ISO/IEC, 2022.
• ISO/IEC 23894:2023 - gestión del riesgo relacionado con la inteligencia artificial, ISO/IEC, 2023.
• NIST AI RMF 1.0 - Artificial Intelligence Risk Management Framework, NIST, 2023.
• ISO/IEC 22989:2022 - conceptos y terminología de IA, ISO/IEC, 2022.
• ETSI EN 303 645 V2.1.1, 2020 - buenas prácticas de seguridad para dispositivos conectados, útil al trabajar con material procedente de cámaras IoT.

Si una organización implanta un pipeline on-premise, también conviene documentar adicionalmente: la versión del modelo de detección, el alcance del conjunto de entrada, el nivel de muestreo del control de calidad, el procedimiento de gestión de errores y las reglas de retención de archivos fuente y de salida.