Detección de objetos pequeños: definición
La detección de objetos pequeños es la capacidad de un sistema de visión artificial para localizar objetos que ocupan un número limitado de píxeles en una imagen o un fotograma de vídeo. En la anonimización de imágenes y vídeos, el término es especialmente relevante para los rostros y las matrículas que están lejos de la cámara, aparecen parcialmente ocultos, se ven afectados por el desenfoque de movimiento o se han grabado con baja resolución.
Un rostro o una matrícula pequeños pueden seguir siendo visibles para una persona encargada de la revisión, pero contener muy poca información visual fiable para que un detector automático los localice de forma sistemática. Esto supone un riesgo para la privacidad: un flujo de trabajo de anonimización automatizado puede no aplicar un difuminado a un rostro o una matrícula distantes, aunque el elemento siga siendo identificable o potencialmente identificable en la grabación original.
La detección de objetos pequeños es un problema técnico de visión artificial, no una categoría jurídica. No existe un umbral universal de píxeles a partir del cual un rostro o una matrícula se consideren «pequeños». El umbral depende del modelo de detección, la resolución de entrada, el ángulo de la cámara, el nivel de compresión, la iluminación, el contraste del objeto y la tasa de recuperación necesaria.
Por qué los rostros y las matrículas distantes requieren verificación manual
La detección automática de rostros y matrículas depende de patrones visuales. Cuando un objeto ocupa pocos píxeles, el modelo dispone de menos información sobre su forma, sus bordes, su textura y su contexto. La reducción de tamaño durante el preprocesamiento puede disminuir aún más el objeto hasta un punto en que la detección deja de ser fiable.
El marco de evaluación Common Objects in Context (COCO) clasifica como pequeño un objeto con un área inferior a 322 píxeles, es decir, 1.024 píxeles2. Esta definición de referencia resulta útil para comparar modelos, pero no constituye un criterio de aceptación en materia de privacidad. Un rostro o una matrícula pueden requerir revisión incluso cuando el área de su cuadro delimitador supera este valor.
La verificación manual es necesaria porque una detección omitida no equivale a una detección errónea. Una detección errónea puede provocar un difuminado innecesario. Una detección omitida puede dejar un rostro o una matrícula visibles en una grabación divulgada.
- Distancia: los objetos más alejados de la cámara ocupan menos píxeles.
- Compresión: los artefactos de bloques y la pérdida de detalles finos pueden ocultar los contornos faciales y los caracteres de las matrículas.
- Movimiento: el movimiento de la cámara o del objeto puede producir desenfoque direccional.
- Oclusión: las personas, los vehículos, la vegetación, los reflejos y las sombras pueden ocultar parte de un objeto.
- Ángulo de visión: los rostros de perfil y las matrículas inclinadas difieren de los ejemplos frontales utilizados en muchos conjuntos de datos de entrenamiento.
- Bajo contraste: una iluminación deficiente, los reflejos intensos, la lluvia o la sobreexposición pueden reducir la separación entre el objeto y el fondo.
Detección de objetos pequeños en la anonimización de imágenes y vídeos
Para proteger la privacidad, la detección de objetos pequeños se utiliza antes de aplicar un difuminado o una máscara. El sistema identifica primero un posible rostro o matrícula, crea después una región de interés a su alrededor y, por último, aplica un efecto de anonimización a esa región. Por tanto, la calidad de la detección afecta directamente a la integridad de la anonimización.
En vídeo, la verificación debe abarcar más de un único fotograma. Un rostro o una matrícula pueden ser visibles solo durante un instante, aparecer en el borde del encuadre o reducirse a medida que una persona o un vehículo se alejan de la cámara. El seguimiento de objetos puede ayudar a asociar detecciones entre fotogramas, pero no recupera de forma fiable un objeto que nunca se detectó.
Gallio PRO detecta automáticamente y difumina rostros y matrículas en imágenes y archivos de vídeo importados. No realiza anonimización en tiempo real ni anonimización de transmisiones de vídeo. Cuando queden objetos distantes, pequeños, parcialmente visibles o dudosos, el operador debe revisar el resultado y utilizar el editor manual integrado para aplicar un difuminado cuando sea necesario. Gallio PRO no detecta automáticamente logotipos, tatuajes, identificadores con nombre, documentos, contenido de monitores, cuerpos ni siluetas. Estos elementos pueden difuminarse manualmente cuando sean relevantes para la divulgación prevista o la evaluación de privacidad.
Parámetros y métricas clave para la detección de objetos pequeños
La calidad de detección debe medirse con grabaciones similares al material previsto para su uso en producción. Un modelo probado únicamente con rostros cercanos y bien iluminados puede no ofrecer resultados comparables en grabaciones de videovigilancia distantes, grabaciones de vehículos o imágenes de cámaras con gran angular.
Parámetro o métrica | Significado para la anonimización
|
|---|---|
Resolución de entrada | Una resolución más alta puede conservar más información visual sobre rostros y matrículas pequeños, pero aumenta el tiempo de procesamiento y el uso de memoria. |
Área del objeto en píxeles | Es un indicador práctico de si el detector dispone de suficiente detalle visual. Debe medirse antes y después de cualquier cambio de tamaño. |
Recuperación | La proporción de rostros o matrículas relevantes detectados por el sistema. En una revisión de privacidad, los objetos omitidos son la principal preocupación. |
Precisión | La proporción de detecciones correctas. Una precisión baja aumenta el trabajo de revisión, pero suele ser menos crítica para la privacidad que una tasa de recuperación baja. |
Intersección sobre unión (IoU) | El solapamiento entre el área de detección prevista y el área de referencia. Los cuadros incompletos pueden dejar los bordes de un rostro o una matrícula insuficientemente difuminados. |
Muestreo de fotogramas y seguimiento | Determina si se examinan las apariciones breves y si las regiones de difuminado se mantienen alineadas entre fotogramas consecutivos. |
La recuperación se calcula de la siguiente forma:
Recuperación = verdaderos positivos / (verdaderos positivos + falsos negativos)
En un flujo de trabajo de privacidad, la evaluación debe incluir ejemplos difíciles: peatones lejanos, vehículos estacionados al fondo, personas que entran o salen del encuadre, grabaciones nocturnas, rostros reflejados y matrículas afectadas por reflejos intensos. El protocolo de revisión debe documentar el tipo de grabación, la configuración del detector, el método de muestreo, las decisiones de la persona revisora y las limitaciones no resueltas.
Enfoques técnicos y limitaciones
Los detectores modernos de objetos suelen utilizar extracción de características a múltiples escalas. Las redes de pirámides de características, por ejemplo, combinan características de imagen de distintas capas de la red para que el modelo pueda procesar objetos a varias escalas. La división de imágenes en mosaicos es otro enfoque. Consiste en dividir un fotograma de alta resolución en regiones más pequeñas para que los rostros y las matrículas distantes ocupen más píxeles durante la detección.
Estos métodos pueden mejorar la recuperación de objetos pequeños, pero no eliminan la necesidad de revisión humana. La división en mosaicos puede aumentar el tiempo de procesamiento y generar problemas en los límites cuando un objeto abarca dos mosaicos. Ampliar una imagen puede hacer que un objeto parezca más grande, pero no puede recuperar detalles que no estaban presentes en la grabación original. Por tanto, los resultados de la detección automática deben tratarse como elementos que requieren revisión, no como prueba de que todos los rostros y matrículas visibles se han anonimizado.
Normas y referencias
Las siguientes fuentes aportan contexto técnico para evaluar la detección de objetos pequeños y la calidad de imagen. No establecen un tamaño mínimo universal para difuminar rostros o matrículas de forma segura desde el punto de vista de la privacidad.
- Tsung-Yi Lin et al., Microsoft COCO: objetos comunes en contexto, 2014. El protocolo de evaluación COCO define los objetos pequeños por su área.
- Tsung-Yi Lin et al., Redes de pirámides de características para la detección de objetos, 2017. Esta publicación describe pirámides de características multiescala para la detección de objetos.
- National Institute of Standards and Technology (NIST), Prueba de NIST para proveedores: calidad de imagen facial. NIST explica cómo los factores de calidad de imagen pueden afectar al rendimiento de los sistemas automatizados de detección de rostros.
- ISO/IEC 29794-5:2010, Tecnología de la información. Calidad de muestras biométricas. Parte 5: datos de imagen facial. Esta norma aborda las propiedades de calidad de los datos de imagen facial.