Vidéosurveillance sphérique et caméras fisheye : comment un algorithme d’IA traite-t-il une image déformée ?

TL;DR : Les caméras fisheye et les caméras sphériques offrent un champ de vision très large, mais elles déforment la géométrie de l’image, notamment par une déformation en barillet (barrel distortion). La détection automatique des visages peut donc être moins fiable, surtout sur les bords de l’image, dans les scènes de foule et en faible luminosité. L’automatisation reste utile, mais ce type de contenu nécessite un contrôle par l’opérateur. Gallio PRO floute automatiquement les visages et les plaques d’immatriculation sur les photos et vidéos enregistrées ; les autres éléments peuvent être corrigés manuellement dans l’éditeur intégré, localement et sans enregistrement de journaux.

L’anonymisation des données visuelles réduit la possibilité d’identifier des personnes et des véhicules sur des photos ou des vidéos, le plus souvent par le floutage des visages et le floutage des plaques d’immatriculation. Avec les caméras sphériques et fisheye, le processus est plus complexe, car l’algorithme n’analyse pas une image rectilinéaire, mais un contenu présentant une forte distorsion géométrique. Pour les équipes IT, les intégrateurs CCTV, le marketing, les relations publiques et les responsables conformité, ce n’est pas un simple détail technique : cela influence directement la qualité de la détection, le temps de vérification manuelle et le risque de publier un contenu dans lequel un visage ou une plaque reste lisible.

Pourquoi l’image fisheye pose-t-elle problème aux algorithmes de détection ?

Une caméra fisheye capture un champ de vision très large, souvent proche de 180 degrés, et parfois encore plus vaste dans certaines configurations après un mappage adapté. Cet effet est obtenu au prix d’une représentation non linéaire de l’espace : les lignes droites situées près des bords de l’image deviennent nettement courbées, et les objets changent de proportions selon leur position par rapport au centre de l’image.

Le phénomène clé est la déformation en barillet (barrel distortion) : l’agrandissement de l’image diminue à mesure que l’on s’éloigne de l’axe optique. Résultat : un visage situé au bord du cadre peut paraître étiré, aplati ou incurvé. Pour un modèle de détection, c’est un problème important, car la plupart des modèles sont entraînés principalement sur des images dont la perspective est proche de celle des caméras standard, et non sur des projections sphériques fortement déformées.

C’est là que l’on voit la différence entre une vidéosurveillance classique et une vidéosurveillance sphérique. Dans une image standard, un visage présente une disposition relativement prévisible des yeux, du nez et du contour du visage ; dans une image fisheye, ces relations spatiales peuvent être perturbées. Plus l’objet est éloigné du centre du cadre, plus le risque de baisse de performance de la détection augmente.

Comment l’IA détecte-t-elle les visages sur une image déformée ?

Les systèmes modernes d’anonymisation des données visuelles fonctionnent généralement par étapes. Le modèle recherche d’abord des caractéristiques locales suggérant la présence d’un visage ou d’une plaque, puis il classe la zone détectée et définit la région à flouter. Avec une vidéo fisheye, ce pipeline ne fonctionne correctement que si la qualité de l’entrée est suffisante et si l’objet n’est pas trop petit, trop déformé ou partiellement masqué.

En pratique, l’algorithme peut obtenir de bons résultats au centre de l’image, mais être moins fiable sur les bords. Ce n’est pas nécessairement une erreur d’implémentation : c’est une conséquence naturelle du traitement d’une image qui ne correspond pas à la distribution des données d’entraînement typique de nombreux modèles de vision par ordinateur. C’est pourquoi les organisations qui publient des contenus issus de ce type de source adoptent généralement une approche prudente : la détection automatique accélère le travail, mais le résultat doit être vérifié avant publication, en particulier avec des caméras plafond 360, des caméras panoramiques embarquées, des systèmes installés dans des halls ou des dispositifs de vidéosurveillance urbaine.

Floutage des visages avec une caméra fisheye : où l’algorithme fonctionne bien et où il perd en efficacité

Les meilleurs résultats sont généralement obtenus lorsque le visage est relativement grand, orienté de face ou de trois quarts, bien éclairé et situé près de la partie centrale de l’image. L’efficacité diminue lorsque le visage se trouve au bord du cadre, occupe peu de pixels, est partiellement masqué, est capté en mouvement ou apparaît dans une scène à faible contraste. Ces facteurs peuvent aussi se cumuler.

Avec une image fisheye, quatre situations sont particulièrement problématiques : (1) les visages situés tout près du bord de l’image ; (2) les visages observés depuis une grande hauteur, par exemple avec une caméra fixée au plafond ; (3) les scènes très denses, où les zones de détection se chevauchent ; (4) les contenus fortement compressés, dans lesquels les détails fins du visage ont été perdus.

Gallio PRO doit donc être considéré comme un logiciel on-premise d’anonymisation des données visuelles sur photos et vidéos, mais pas comme un outil capable de résoudre tous les cas sans contrôle humain. La détection automatique de Gallio PRO couvre uniquement les visages et les plaques d’immatriculation ; le logiciel ne détecte pas automatiquement les logos, tatouages, badges nominatifs, documents ni contenus affichés sur des écrans. Ces éléments doivent être floutés manuellement dans l’éditeur intégré.

Workflow recommandé pour anonymiser des vidéos fisheye dans Gallio PRO, étape par étape

1. Importez le contenu dans Gallio PRO. Chargez une photo ou une vidéo enregistrée provenant d’une caméra fisheye ou 360. Gallio PRO travaille sur des fichiers, et non sur un flux en direct ou en temps réel.
2. En option, envisagez une correction de la distorsion avant la détection. Le déwarping peut améliorer la détection des visages près des bords, mais il ajoute une étape de traitement et peut générer des artefacts. La décision doit reposer sur des tests effectués avec vos propres contenus.
3. Lancez la détection automatique des visages et des plaques. Gallio PRO floute automatiquement les visages et les plaques d’immatriculation : ce sont les deux seuls éléments détectés automatiquement.
4. Contrôlez les zones à risque. Vérifiez en priorité les bords de l’image, les zones très denses en personnes et les zones faiblement éclairées : c’est là que la détection est la moins certaine.
5. Appliquez des corrections manuelles dans l’éditeur intégré de Gallio PRO lorsque l’algorithme a ignoré un visage ou une plaque encore identifiable, ainsi que sur les éléments non détectés automatiquement : documents, écrans, badges, tatouages, logos.
6. Exportez le contenu uniquement après un contrôle final. Gallio PRO n’enregistre pas de journaux de détection ni de données personnelles.

Si vous souhaitez évaluer ce processus sur des images issues de vos propres caméras fisheye ou 360, vous pouvez télécharger la version de démonstration et tester la qualité de détection sur des fichiers réels.

Découvrez comment Gallio PRO anonymise les vidéos.

Quand une correction manuelle est-elle nécessaire ?

Avec une image déformée, la vérification manuelle n’est pas un simple complément : c’est une pratique standard pour publier des contenus en toute sécurité. C’est particulièrement vrai pour les vidéos issues d’un objectif fisheye unique sans déwarping préalable, les scènes nocturnes et les prises de vue à grande distance. Deux limites doivent être clairement signalées aux décideurs techniques : Gallio PRO ne floute pas les silhouettes entières, mais uniquement les visages et les plaques ; et il ne s’agit pas d’un outil d’anonymisation en temps réel ni d’anonymisation de flux vidéo. La solution est conçue pour travailler sur des photos et des fichiers enregistrés avant publication.

Déwarping ou détection directe sur image fisheye ?

Deux approches sont possibles. La première consiste à analyser l’image dans sa projection fisheye d’origine : le processus est plus simple, sans génération de versions supplémentaires du contenu, mais la précision peut être plus faible dans les zones extrêmes du cadre. La seconde consiste à effectuer un déwarping en amont : cela améliore la géométrie locale et facilite la détection des visages, mais ajoute une étape de traitement et peut créer des artefacts d’interpolation locaux. Le choix dépend du type de caméra, de la résolution, de la densité de la scène et des exigences de l’organisation. Si les contenus d’une installation donnée posent régulièrement problème, il peut être utile de contacter l’équipe pour discuter d’un scénario on-premise et de tests sur des échantillons réels.

Quels facteurs influencent la qualité de l’anonymisation en vidéosurveillance sphérique ?

Aspect conformité lors de la publication de photos et de vidéos

Dans les scénarios de publication, un visage visible sur une photo ou une vidéo constitue très souvent une donnée personnelle, car il permet d’identifier une personne physique ou rend cette identification possible [1][2]. En pratique, les équipes conformité considèrent souvent qu’avant publication, il faut évaluer si l’image d’une personne doit être anonymisée, sauf s’il existe une base claire justifiant sa diffusion.

L’obligation de flouter un visage peut découler du RGPD, du droit à l’image, du droit civil et du droit de la propriété intellectuelle, selon la finalité du traitement et le mode de publication. Le droit prévoit toutefois des cas où la diffusion d’une image peut être admise sans consentement spécifique, notamment lorsque :

• la personne est connue du public et l’image a été réalisée dans le cadre de ses fonctions publiques, sociales ou professionnelles,
• l’image de la personne ne constitue qu’un détail d’un ensemble, comme un rassemblement, un paysage ou un événement public,
• la personne a reçu une rémunération convenue pour poser et n’a pas émis de réserve contraire.

Pour les plaques d’immatriculation, la pratique européenne n’est pas uniforme, et l’analyse dépend du contexte ainsi que de la possibilité de relier le numéro à une personne précise. Il n’est pas possible d’affirmer que le floutage des plaques est obligatoire dans tous les pays d’Europe occidentale sur la base de règles européennes identiques. En France comme ailleurs, l’appréciation peut varier selon les circonstances : un numéro de plaque n’est pas toujours une donnée personnelle pris isolément, mais il peut permettre une identification indirecte dans certains contextes. C’est pourquoi de nombreuses organisations adoptent une approche prudente et appliquent le floutage des plaques d’immatriculation même lorsque l’évaluation juridique dépend du cas concret.

Sécurité opérationnelle lors de l’anonymisation des contenus

Pour de nombreuses organisations, l’efficacité de la détection n’est pas le seul critère : il est tout aussi important que l’outil lui-même ne crée pas un nouveau problème de données. Gallio PRO ne collecte pas de journaux contenant les résultats de détection des visages et des plaques d’immatriculation, ni de journaux contenant des données personnelles ou des catégories particulières de données personnelles. C’est essentiel pour les environnements qui souhaitent limiter les traces opérationnelles liées au traitement de contenus visuels : administrations, intégrateurs CCTV et entreprises travaillant en mode on-premise, où la limitation des transferts de données et la minimisation des métadonnées font partie des standards de sécurité.

Comment évaluer si l’auto-détection sur image fisheye est suffisante ?

Plutôt que de se fier à une déclaration générale de performance, testez vos propres contenus. Préparez un échantillon comprenant différentes positions de visage dans le cadre, au centre et sur les bords, plusieurs conditions d’éclairage, des scènes denses et moins denses, ainsi que, si vous l’envisagez, une version avec et sans déwarping. Comparez le nombre de visages correctement détectés avec le nombre d’omissions. Si les omissions sont nombreuses sur les bords de l’image, la conclusion la plus sûre n’est pas d’abandonner l’automatisation, mais de rendre obligatoire une vérification manuelle pour les contenus issus de cette installation.

Conclusions pour les équipes techniques et conformité

Les caméras fisheye augmentent la couverture de la scène, mais elles compliquent la détection des visages en raison de la déformation en barillet et de la variation d’échelle des objets dans l’image. L’automatisation de l’anonymisation reste pertinente, car elle réduit fortement le temps de traitement sur de grands volumes. Toutefois, en vidéosurveillance sphérique, elle ne doit pas être considérée comme un processus entièrement autonome. Plus les distorsions sont importantes, plus le contrôle manuel avant publication devient indispensable.

L’approche la plus sûre est simple : détecter et flouter automatiquement uniquement les visages et les plaques d’immatriculation, puis effectuer une vérification manuelle là où la géométrie de l’image, l’éclairage ou la densité de la scène peuvent réduire l’efficacité du modèle. Cela limite le risque d’erreurs sans créer une fausse impression d’automatisation totale.

FAQ : vidéosurveillance sphérique et caméras fisheye

Une caméra fisheye réduit-elle toujours l’efficacité de la détection des visages ?

Pas toujours. Les difficultés les plus importantes apparaissent près des bords de l’image, avec de petits visages, une faible luminosité ou une forte compression. Au centre de l’image, les résultats peuvent être nettement meilleurs. Le résultat exact dépend toujours du contenu analysé.

Faut-il corriger l’image fisheye avant l’anonymisation ?

Parfois, oui. Le déwarping peut améliorer la géométrie du visage et faciliter la détection, mais il ajoute une étape de traitement et peut introduire des artefacts. La meilleure décision consiste à tester vos propres enregistrements.

Que détecte automatiquement Gallio PRO ?

La détection automatique couvre uniquement les visages et les plaques d’immatriculation. Gallio PRO ne détecte pas automatiquement les logos, tatouages, badges nominatifs, documents ni contenus affichés sur des écrans ; ces éléments doivent être floutés manuellement dans l’éditeur intégré.

Gallio PRO floute-t-il les silhouettes entières ?

Non. Gallio PRO ne floute pas les silhouettes entières. Le floutage automatique concerne les visages et les plaques d’immatriculation.

Gallio PRO fonctionne-t-il en temps réel sur un flux vidéo ?

Non. Gallio PRO ne réalise pas d’anonymisation en temps réel ni d’anonymisation de flux vidéo. Il est conçu pour travailler sur des contenus avant publication.

Avec une caméra fisheye, la vérification manuelle est-elle nécessaire ?

En pratique, très souvent oui, surtout lorsque les visages sont proches des bords du cadre, petits, partiellement masqués ou enregistrés dans des conditions d’éclairage difficiles.

L’outil enregistre-t-il des journaux contenant des données de détection ?

Non. Gallio PRO ne collecte pas de journaux contenant la détection des visages et des plaques d’immatriculation, ni de journaux contenant des données personnelles ou des catégories particulières de données personnelles.

Ressources associées

• Anonymisation vidéo avec Gallio PRO
• Télécharger la démonstration gratuite
• Les défis de l’anonymisation vidéo dans les environnements de ville intelligente
• Quand le floutage des visages et des plaques est-il suffisamment efficace ? Paramètres techniques et contrôle qualité

Texte préparé par l’équipe Gallio PRO : spécialistes de la protection des données et de l’ingénierie vidéo, créateurs de logiciels d’anonymisation utilisés dans la sécurité, le secteur public et les médias. Ce contenu est fourni à titre informatif et ne constitue pas un conseil juridique.

Vous avez des vidéos issues de caméras fisheye ou 360 ? Testez la qualité de détection sur vos propres contenus avec la démonstration gratuite de Gallio PRO.