Definición del control de calidad de la anonimización
El control de calidad de la anonimización es la verificación documentada de imágenes o grabaciones de vídeo tras su anonimización. Su finalidad es determinar si los rostros y las matrículas que requieren protección se han difuminado o pixelado en el resultado final y si las máscaras aplicadas siguen siendo eficaces durante toda la grabación.
En la anonimización de imágenes y vídeos, el control de calidad suele combinar comprobaciones automatizadas, revisión humana de una muestra, una lista de verificación y un registro del resultado. Se centra en dos tipos de error: el falso negativo, cuando un rostro o una matrícula permanece visible sin una máscara eficaz, y el falso positivo, cuando se aplica una máscara a contenido que no requería anonimización. El proceso debe evaluar el archivo final exportado, no solo los resultados de detección generados durante el procesamiento.
El control de calidad de la anonimización es un control técnico. Puede aportar pruebas de que se ha aplicado un procedimiento de revisión definido, pero no puede garantizar por sí solo que ninguna persona pueda ser identificada en todas las condiciones de visualización posibles ni mediante futuros métodos técnicos.
Función del control de calidad en la anonimización de imágenes y vídeos
La detección de rostros y la detección de matrículas pueden localizar automáticamente muchos elementos relevantes, pero su rendimiento puede variar según la resolución, el desenfoque por movimiento, las oclusiones, el ángulo de la cámara, la iluminación, la compresión y el tamaño del objeto. El control de calidad aborda el riesgo residual de que un proceso automatizado no detecte un elemento o aplique una máscara incompleta.
En los vídeos, las personas revisoras deben comprobar tanto los fotogramas individuales como la continuidad temporal. Un rostro puede detectarse en un fotograma, pero no cuando entra en escena, gira de lado, queda parcialmente cubierto o se mueve con rapidez. Una matrícula puede resultar legible solo durante un breve instante debido a un reflejo, un zoom o cambios de distancia.
- Revise el primer y el último fotograma de cada escena o plano.
- Revise los fotogramas en los cortes de escena, movimientos de cámara, cambios de zoom y cambios de exposición.
- Revise las secuencias que contengan multitudes, vehículos, reflejos u oclusiones parciales.
- Inspeccione el archivo exportado con la resolución y velocidad de reproducción previstas.
- Confirme que las máscaras cubren el objeto protegido durante todo el tiempo que permanece visible.
Muestreo de fotogramas para el control de calidad de la anonimización
El muestreo de fotogramas se utiliza cuando revisar todos los fotogramas no resulta proporcionado desde el punto de vista operativo. El plan de muestreo debe basarse en el riesgo y documentarse antes de iniciar la revisión. Debe definir la población, el método de muestreo, las instrucciones para las personas revisoras, los criterios de aceptación y el procedimiento de escalado.
El muestreo aleatorio simple puede ayudar a estimar las tasas de error en un conjunto de vídeos. Sin embargo, los fotogramas de vídeo suelen estar correlacionados. Un rostro no detectado puede permanecer sin detectar en fotogramas consecutivos, por lo que una muestra aleatoria puede pasar por alto toda una secuencia con errores. Por ello, el muestreo estratificado es útil. Divide las grabaciones en grupos significativos, como ubicaciones de cámaras, condiciones de iluminación, tipos de escena, dispositivos de origen o grupos de material procesado.
Elemento de muestreo | Aplicación práctica | Finalidad del control de calidad
|
|---|---|---|
Fotogramas aleatorios | Seleccione fotogramas mediante un método aleatorio registrado. | Detectar fallos distribuidos de forma generalizada. |
Fotogramas por intervalos | Revise fotogramas en intervalos de tiempo definidos. | Comprobar la continuidad en secuencias largas. |
Fotogramas basados en eventos | Revise cortes, entradas en el encuadre, movimientos rápidos y zooms. | Evaluar transiciones conocidas de alto riesgo. |
Revisión de la secuencia completa | Revise todos los fotogramas de los clips designados como de alto riesgo. | Reducir el riesgo cuando el impacto de la divulgación es elevado. |
Un modelo básico de probabilidad de detección puede servir de apoyo para la planificación. Si p es la probabilidad de que un fotograma seleccionado contenga un elemento no detectado y n es el número de fotogramas seleccionados de forma independiente, la probabilidad de encontrar al menos uno de esos errores es:
P(detección) = 1 - (1 - p)n
En la práctica, la hipótesis de independencia suele ser débil en los vídeos. Por tanto, las organizaciones deben combinar este cálculo con una revisión específica de las escenas de alto riesgo, en lugar de basarse únicamente en el muestreo aleatorio. ISO 2859-1:1999, publicada por la Organización Internacional de Normalización (ISO), ofrece principios generales para el muestreo de aceptación por atributos.
Métricas clave y criterios de aceptación
Las métricas permiten comparar los resultados de las revisiones entre grupos de material, personas revisoras y configuraciones de procesamiento. Requieren una referencia definida: un registro aprobado por la persona revisora de los rostros y las matrículas que deberían haberse enmascarado en la muestra evaluada.
Métrica | Fórmula | Interpretación
|
|---|---|---|
Exhaustividad | TP / (TP + FN) | Proporción de objetos que requerían una máscara y recibieron una máscara eficaz. |
Precisión | TP / (TP + FP) | Proporción de máscaras aplicadas que cubrieron correctamente un objeto objetivo. |
Recuento de falsos negativos | FN | Número de rostros o matrículas visibles no detectados en la muestra revisada. |
Persistencia de la máscara | fotogramas enmascarados / fotogramas requeridos | Continuidad del enmascaramiento mientras un objeto permanece visible. |
TP significa verdadero positivo, FP significa falso positivo y FN significa falso negativo. La organización debe establecer umbrales de aceptación según el tipo de grabación, la divulgación prevista y las consecuencias de no anonimizar un elemento. Una muestra no superada debe activar una acción correctiva definida, como reprocesar el archivo afectado, ampliar la muestra o realizar una revisión completa del grupo de material correspondiente.
Lista de verificación y documentación del resultado de la revisión
Una lista de verificación garantiza que las personas revisoras apliquen los mismos criterios. Debe diferenciar una máscara eficaz de una máscara presente pero insuficiente, por ejemplo, porque parte de un rostro o una matrícula sigue siendo visible tras la exportación.
- Identificador del archivo, sistema de origen, fecha de procesamiento y versión de salida.
- Duración de la grabación, velocidad de fotogramas, resolución, códec y configuración de exportación.
- Método de muestreo, intervalo de fotogramas o códigos de tiempo seleccionados y fecha de revisión.
- Rostros y matrículas confirmados que requieren enmascaramiento.
- Máscaras omitidas, parciales, inestables o colocadas incorrectamente.
- Correcciones manuales realizadas e identidad o función de la persona revisora.
- Decisión de aceptación, acción correctiva y registro de aprobación.
En los flujos de trabajo de Gallio PRO, el control de calidad debe confirmar el resultado anonimizado final después de difuminar o pixelar rostros y matrículas. Gallio PRO detecta automáticamente únicamente rostros y matrículas. El contenido como logotipos, tatuajes, identificadores con nombre, documentos o pantallas de monitor requiere revisión manual y, cuando sea necesario, enmascaramiento manual en el editor integrado.
Normas y referencias
No existe una única norma técnica que defina un umbral universal de aprobación para el control de calidad de la anonimización visual. Las organizaciones deben documentar su propio umbral y vincularlo a un plan de revisión reproducible. Entre las fuentes relevantes se incluyen las siguientes:
- ISO 2859-1:1999, Procedimientos de muestreo para la inspección por atributos, para conceptos de muestreo de aceptación.
- NIST AI RMF 1.0, Instituto Nacional de Estándares y Tecnología, 2023, para documentar, medir y gestionar el riesgo de los sistemas de inteligencia artificial.
- ISO/IEC 24029-1:2021, Inteligencia artificial. Evaluación de la robustez de redes neuronales. Parte 1: Visión general, para conceptos de evaluación de la robustez.
- Manual del Marco de gestión de riesgos de IA del NIST, para acciones operativas relacionadas con la medición y gestión de riesgos de IA.