Definición de pixelación
La pixelación es una transformación de imagen que sustituye un área seleccionada por bloques más grandes y de color uniforme. En la anonimización de imágenes y vídeos, el área seleccionada suele ser un rostro o una matrícula detectados. Esta transformación reduce el detalle espacial local al representar varios píxeles originales con un único valor de salida.
La pixelación también suele denominarse enmascaramiento mediante mosaico. Se diferencia del desenfoque gaussiano, que distribuye los valores de los píxeles entre los píxeles vecinos mediante un filtro matemático. La pixelación conserva los límites de los bloques y las grandes regiones de color, mientras que el desenfoque genera transiciones graduales. Ninguno de los dos métodos equivale automáticamente a la anonimización. Que un rostro o una matrícula pixelados puedan seguir vinculándose con una persona depende de la resolución de origen, el tamaño de los bloques, la distancia de visualización, el contexto circundante y las capacidades de un posible destinatario.
Una operación de pixelación simplificada puede describirse de la siguiente manera:
Ip(x,y) = media(I(u,v))
En este caso, I(u,v) representa los píxeles originales dentro de un bloque, e Ip(x,y) asigna el mismo valor medio de color a cada píxel de salida de ese bloque. Algunas implementaciones utilizan la mediana, un píxel muestreado u otro valor representativo en lugar de la media.
Cómo se aplica la pixelación a rostros y matrículas
Normalmente, la pixelación se aplica después de identificar la región pertinente. En un flujo de trabajo automatizado de anonimización de vídeo, la detección de rostros localiza un rostro en cada fotograma. Un proceso independiente de detección de matrículas localiza las matrículas. A continuación, el sistema aplica una máscara de pixelado al rectángulo delimitador o a la región poligonal seleccionada.
Una implementación fiable debe tener en cuenta el movimiento, las oclusiones parciales, el ángulo de la cámara y los cambios en el tamaño del objeto. En vídeo, la máscara también debe mantenerse alineada a lo largo del tiempo. Si el seguimiento falla entre los fotogramas detectados, pueden quedar visibles partes de un rostro o una matrícula.
- Detección de rostros: localiza rostros sin determinar la identidad de una persona.
- Detección de matrículas: localiza el área de la matrícula antes de aplicar una transformación de enmascaramiento.
- Seguimiento: vincula un rostro o una matrícula detectados entre fotogramas consecutivos de vídeo.
- Ampliación de la máscara: añade un margen alrededor de la región detectada para reducir el riesgo de que queden expuestos los bordes.
- Revisión manual: comprueba las detecciones omitidas, las máscaras incorrectas y las áreas en las que la información contextual sigue permitiendo identificar a una persona.
Gallio PRO utiliza la detección de rostros y la detección de matrículas para aplicar automáticamente el enmascaramiento de rostros y matrículas en archivos de imágenes y vídeo importados. No realiza anonimización en tiempo real ni anonimización de transmisiones de vídeo. Los logotipos de empresas, los tatuajes, las tarjetas identificativas, los documentos y el contenido mostrado en monitores no se detectan automáticamente. Estos elementos pueden requerir enmascaramiento manual en el editor manual integrado.
Parámetros clave de la pixelación y métricas de calidad
La intensidad de la pixelación viene determinada principalmente por la relación entre el tamaño de los bloques y el tamaño del objeto protegido. Un tamaño de bloque suficiente para un rostro lejano puede resultar inadecuado para un primer plano grabado con mayor resolución.
Parámetro o métrica | Significado técnico | Relevancia para la privacidad
|
|---|---|---|
Tamaño de bloque | La anchura y la altura, en píxeles, de cada bloque de mosaico. | Los bloques más grandes eliminan más detalle, pero pueden ocultar una parte mayor de la imagen circundante. |
Anchura del rostro o de la matrícula | El tamaño del objeto detectado en el fotograma original. | La configuración de la máscara debe evaluarse en relación con el tamaño del objeto, no solo con la resolución del fotograma completo. |
Margen de la máscara | Área adicional añadida fuera del rectángulo delimitador detectado. | Reduce la exposición de los contornos faciales, los caracteres de la matrícula y los errores en los límites de detección. |
Exhaustividad de detección | La proporción de rostros o matrículas pertinentes que detecta el sistema. | Una exhaustividad baja genera datos personales sin enmascarar en los archivos de salida. |
Tasa de falsos positivos | La proporción de objetos no objetivo que se enmascaran incorrectamente. | Un enmascaramiento excesivo puede reducir el valor probatorio u operativo. |
Estabilidad temporal | La consistencia de la posición de la máscara entre fotogramas de vídeo. | Las máscaras inestables pueden revelar información protegida durante el movimiento. |
Las pruebas deben utilizar grabaciones representativas, incluidas escenas con poca luz, desenfoque de movimiento, vistas de perfil, reflejos, escenas concurridas y matrículas parcialmente ocultas. Una revisión de privacidad debe evaluar tanto el objeto enmascarado como la escena en su conjunto. La ropa, la ubicación, las marcas del vehículo, la voz, las marcas de tiempo y el contexto de la secuencia pueden seguir permitiendo la identificación incluso cuando un rostro está pixelado.
Pixelación, desenfoque y resistencia a la reidentificación
La pixelación y el desenfoque son métodos de ofuscación visual, no mecanismos de control de acceso. Modifican la información visible en una imagen o un vídeo divulgados. No impiden que un destinatario autorizado combine el resultado con otra información.
La investigación ha demostrado que el aprendizaje automático puede inferir información a partir de imágenes que parecen difíciles de interpretar para las personas. McPherson, Shokri y Shmatikov demostraron que los métodos de aprendizaje profundo podían superar varios enfoques de ofuscación de imágenes, incluida la pixelación, en condiciones experimentales ( Superación de la ofuscación de imágenes mediante aprendizaje profundo, 2016). Este resultado no significa que todas las imágenes pixeladas sean identificables. Demuestra que la apariencia visual por sí sola no es una prueba suficiente de privacidad.
La pixelación puede ofrecer menos resistencia que un desenfoque intenso cuando el patrón de bloques conserva una estructura facial distintiva, como la posición de los ojos, la forma de la línea del cabello o la disposición de los caracteres de la matrícula. A la inversa, un desenfoque débil puede conservar rasgos legibles o reconocibles. No existe un tamaño de bloque, radio de desenfoque o ajuste de compresión universal que garantice resistencia a la reidentificación en todas las imágenes.
Controles prácticos para grabaciones pixeladas
Las organizaciones deben tratar la pixelación como un control dentro de un proceso documentado de divulgación de imágenes y vídeos. La configuración adecuada depende del destinatario previsto, el uso permitido, la calidad de la imagen, el plazo de conservación y las consecuencias de la identificación.
- Defina la finalidad de la divulgación e identifique qué rostros y matrículas requieren enmascaramiento.
- Pruebe la configuración de pixelación con grabaciones que representen las condiciones de registro de mayor riesgo.
- Revise las muestras con su resolución nativa, no solo en una vista previa reducida.
- Compruebe los fotogramas consecutivos para detectar desplazamientos de la máscara y exposiciones breves.
- Evalúe los identificadores contextuales fuera de la región pixelada.
- Registre el método de enmascaramiento, la versión del software, los pasos de revisión y la decisión de aprobación.
Normas y referencias
Ninguna norma de la Organización Internacional de Normalización (ISO) ni del Instituto Nacional de Estándares y Tecnología (NIST) define un umbral universal de pixelación que haga anónimos los rostros o las matrículas. La evaluación del riesgo debe ser específica para el conjunto de datos y el contexto de divulgación.
- ISO/IEC 29100:2011, Tecnologías de la información. Técnicas de seguridad. Marco de privacidad. Esta norma describe principios y terminología de privacidad pertinentes para los controles de privacidad.
- NISTIR 8053, Desidentificación de información personal, 2015. Esta publicación explica que el riesgo de desidentificación depende de los datos, los destinatarios y la información auxiliar disponible.
- McPherson, Shokri y Shmatikov, Superación de la ofuscación de imágenes mediante aprendizaje profundo, 2016. Este artículo evalúa ataques contra diversos métodos de ofuscación visual.
- Newton et al., Preservación de la privacidad mediante la desidentificación de imágenes faciales, IEEE Transactions on Knowledge and Data Engineering, 2005. Este artículo analiza enfoques técnicos para la desidentificación de imágenes de rostros.