Definición
El enmascaramiento y desenfoque son técnicas de ofuscación utilizadas para la anonimización de imágenes y vídeos mediante la distorsión intencionada de áreas seleccionadas, como rostros y matrículas. En un enfoque normativo, se consideran formas de ofuscación de datos visuales descritas en la norma ISO/IEC 20889:2018 como métodos destinados a dificultar la identificación de personas u objetos mediante la degradación de la información visual. Entre las técnicas más utilizadas se encuentran el desenfoque gaussiano, la pixelación, el efecto mosaico y la máscara opaca.
En el contexto del RGPD, estas técnicas constituyen una medida de minimización de datos y de protección de la privacidad en la publicación y el intercambio de material fotográfico y de vídeo. Para que la ofuscación sea eficaz, debe aplicarse a todos los fotogramas en los que aparezca el objeto y presentar un nivel de degradación suficiente para reducir el riesgo de reidentificación a un nivel aceptable, de acuerdo con el principio de privacy by design. La automatización requiere la detección de objetos, que en la práctica se basa en modelos de aprendizaje profundo entrenados con conjuntos de datos etiquetados y posteriormente utilizados para localizar las regiones que deben enmascararse.
El papel del enmascaramiento y desenfoque en la anonimización de fotos y vídeos
El enmascaramiento y desenfoque son fundamentales a la hora de publicar o compartir grabaciones de videovigilancia, material periodístico, formativo o de investigación. Los rostros y las matrículas constituyen, por regla general, datos personales en el sentido del RGPD, si permiten identificar a una persona, especialmente cuando se combinan con otra información.
- Rostros: la obligación de anonimización deriva del RGPD y del artículo 81 de la Ley de Propiedad Intelectual y derechos afines. Las excepciones previstas en dicho artículo incluyen a las personas públicas, la imagen como parte de un conjunto más amplio y las situaciones en las que la persona ha recibido una remuneración acordada por posar.
- Matrículas: las autoridades de protección de datos de muchos países de la UE señalan que la matrícula identifica al vehículo y puede identificar indirectamente a una persona, lo que justifica su anonimización al difundir materiales. Las Directrices 3/2019 del EDPB sobre dispositivos de vídeo indican la necesidad de limitar la identificabilidad al divulgar grabaciones. En Polonia, esta cuestión es objeto de controversia y la jurisprudencia administrativa no es uniforme en cuanto a considerar las matrículas como datos personales. En la práctica, los responsables del tratamiento suelen optar por difuminar las matrículas para cumplir el principio de minimización.
En Gallio PRO, la automatización se limita exclusivamente a rostros y matrículas. El programa no difumina siluetas ni realiza anonimización en tiempo real. Elementos como logotipos, tatuajes o documentos pueden enmascararse manualmente en el editor. La solución funciona on‑premise y no recopila registros que contengan datos personales ni información que permita identificar los objetos detectados.
Tecnologías de enmascaramiento y desenfoque
Una ofuscación eficaz requiere una detección fiable, seguimiento y la aplicación del filtro adecuado sobre la región de interés. A continuación se presenta un esquema del flujo de procesamiento estándar.
- Detección de objetos: algoritmos basados en aprendizaje profundo (por ejemplo, redes neuronales convolucionales para rostros y matrículas). Los modelos se entrenan con conjuntos de datos etiquetados y funcionan de forma inferencial sin conexión en CPU o GPU.
- Seguimiento temporal: mantenimiento de la identidad del objeto entre fotogramas, lo que reduce el parpadeo de la máscara y los huecos en caso de oclusiones parciales.
- Expansión de la ROI: ampliación del recuadro con un margen para cubrir diferencias de posicionamiento y el error del detector.
- Filtros de ofuscación: desenfoque gaussiano, pixelación, mosaico, relleno uniforme, máscaras elípticas o rectangulares con borde suave.
- Exportación y auditoría: guardado del material ofuscado junto con un registro técnico del proceso sin almacenar datos personales.
Parámetros y métricas clave
La selección de parámetros influye tanto en el nivel de protección como en la utilidad del material. Se recomienda medir tanto la calidad de la detección como la eficacia para impedir la identificación. A continuación se presentan algunos parámetros y métricas utilizados en la práctica.
Parámetro/Métrica | Descripción | Unidad/observaciones
|
|---|---|---|
Umbral de detección | Confianza mínima del modelo para considerar un objeto | [0-1] |
IoU para emparejamiento | Umbral de Intersection over Union en evaluación y seguimiento | típicamente 0,5 o 0,75 |
Recall de detección | Fracción de objetos reales detectados | referencia a métricas COCO/PASCAL |
Precisión de detección | Fracción de detecciones que son objetos reales | sin unidad |
Tamaño del kernel de desenfoque | Dimensión del filtro gaussiano | px, por ejemplo 21x21 |
Sigma gaussiano | Intensidad del desenfoque | px |
Tamaño de píxel del mosaico | Lado del bloque de pixelación | px |
Margen de ROI | Ampliación porcentual de la máscara respecto a la detección | % |
Riesgo de reidentificación R | Proporción de identificaciones exitosas tras la ofuscación mediante un algoritmo potente de reconocimiento | R = éxitos/intentos |
Fuerza de anonimización S | Medida 1 - R | S = 1 - R |
Latencia | Retardo de procesamiento por fotograma | ms/fotograma |
Throughput | Capacidad de procesamiento | fps |
Tasa de defectos en QA | Porcentaje de fotogramas que requieren corrección manual | % |
Retos y limitaciones
Es necesario asumir un compromiso entre la protección de la privacidad y el valor analítico de la imagen. También existen riesgos técnicos y legales.
- No detección del objeto: planos extremos, bajo contraste, oclusiones, tamaño reducido del objeto.
- Seguimiento: la pérdida del objeto entre fotogramas puede generar huecos en las máscaras.
- Reversibilidad: un desenfoque insuficiente o una pixelación demasiado fina puede no proteger frente al reconocimiento mediante algoritmos modernos de reconocimiento facial.
- Base legal ambigua: diferencias interpretativas sobre el estatus de las matrículas en Polonia frente a la práctica de las autoridades en otros países de la UE.
- Usabilidad: una ofuscación excesiva reduce el valor probatorio o formativo del material.
Ejemplos de uso
Las técnicas de enmascaramiento y desenfoque se aplican en numerosos procesos de tratamiento de imágenes fuera del tiempo real.
- Publicación de grabaciones de videovigilancia o bodycam tras incidentes, con desenfoque de personas ajenas y matrículas.
- Compartición de vídeos con medios de comunicación o comunidades locales, con anonimización de personas y vehículos.
- Materiales de formación y e‑learning con protección de la imagen de los participantes.
- Investigación y difusión de conjuntos de datos de vídeo de espacios públicos con anonimización de rostros.
Referencias normativas y fuentes
La lista incluye actos legales y normas que precisan conceptos, requisitos y buenas prácticas relacionadas con el tratamiento de imágenes y la anonimización.
- RGPD - Reglamento (UE) 2016/679 de 27.04.2016, artículos 5 y 25 y considerandos sobre identificabilidad.
- EDPB, Directrices 3/2019 sobre el tratamiento de datos personales mediante dispositivos de vídeo, versión 2.0 de 29.01.2020.
- ISO/IEC 20889:2018 - Privacy enhancing data de-identification terminology and classification.
- ISO/IEC 29100:2011 - Privacy framework.
- Ley de Propiedad Intelectual y derechos afines, artículo 81 - consentimiento para la difusión de la imagen y excepciones.
- CNIL, fichas prácticas sobre la publicación de imágenes y datos identificativos en imágenes, que consideran las matrículas como datos personales.
- AEPD, Guía sobre el uso de videocámaras para seguridad y otras finalidades, versiones actualizadas - calificación de las matrículas como datos personales.
- NIST, Face Recognition Vendor Test - materiales sobre la evaluación de algoritmos de reconocimiento facial; como contexto para pruebas de reidentificación pueden utilizarse publicaciones del NIST FRVT y determinados informes NISTIR.