ALPR / ANPR : définition
L’ALPR et l’ANPR sont deux sigles utilisés de manière interchangeable pour désigner les systèmes de reconnaissance automatique des plaques d’immatriculation. ALPR signifie Automatic License Plate Recognition, tandis qu’ANPR signifie Automatic Number Plate Recognition. En pratique, il s’agit d’un ensemble de méthodes de traitement d’image permettant de détecter une plaque d’immatriculation sur une photo ou dans une vidéo, d’en localiser la zone, puis d’en lire les caractères au moyen de l’OCR ou de modèles d’apprentissage automatique.
Dans le contexte de l’anonymisation des photos et des enregistrements vidéo, la notion d’ALPR / ANPR revêt une double signification. D’une part, elle désigne une technique d’identification des numéros d’immatriculation. D’autre part, elle renvoie à une catégorie de traitement pouvant conduire au traitement de données à caractère personnel, si le numéro de plaque permet d’identifier une personne physique directement ou indirectement. Cette approche découle de l’article 4, point 1, du RGPD ainsi que de l’interprétation de la notion d’identifiabilité retenue par les autorités de protection des données et la jurisprudence de l’Union européenne.
Sur le plan technique, un système ALPR / ANPR fonctionne généralement en plusieurs étapes : détection de la plaque, normalisation de l’image, segmentation ou reconnaissance séquentielle des caractères, validation de la syntaxe du numéro, puis enregistrement du résultat. Dans les contenus destinés à la publication ou au partage externe, cette même étape de détection peut être utilisée non pas pour lire la plaque, mais pour la flouter. Cette distinction est essentielle du point de vue de la conformité. La lecture étend la portée du traitement. La simple détection suivie d’un floutage immédiat peut, au contraire, soutenir le principe de minimisation des données prévu à l’article 5, paragraphe 1, point c), du RGPD.
Quand l’ALPR / ANPR devient un traitement de données personnelles
Un numéro d’immatriculation ne constitue pas systématiquement une donnée personnelle dans toutes les situations. L’évaluation dépend du contexte, de la finalité et de la possibilité de relier ce numéro à une personne déterminée. Dans les pays de l’UE, l’approche prudente domine : si le responsable du traitement, ou une entité avec laquelle les données peuvent être recoupées, dispose d’une possibilité réelle d’identifier le propriétaire ou l’utilisateur du véhicule, le numéro de plaque doit être traité comme une information se rapportant à une personne identifiable.
En Pologne, il existe une divergence d’interprétation. D’un côté, l’UODO, le CEPD et la pratique fondée sur une conception large de l’identifiabilité conduisent à considérer les plaques d’immatriculation comme des données personnelles dans certains contextes. D’un autre côté, une partie de la jurisprudence administrative a estimé que le seul numéro d’immatriculation ne constitue pas toujours une donnée personnelle. Pour les contenus photo et vidéo destinés à être publiés, l’approche la plus sûre consiste à flouter les plaques d’immatriculation, en particulier lorsque l’image du véhicule est associée à un lieu, une heure, un itinéraire ou d’autres caractéristiques permettant l’identification.
L’arrêt de la CJUE dans l’affaire C-582/14 Breyer revêt également une importance particulière. La Cour y a retenu une approche large de l’identifiabilité à l’aide d’informations supplémentaires accessibles à d’autres entités. L’affaire ne portait pas sur les plaques d’immatriculation, mais elle reste pertinente pour évaluer l’identification indirecte. En pratique, du point de vue de la conformité, un numéro d’immatriculation figurant dans une vidéo doit être analysé de manière comparable à d’autres identifiants indirects.
Comment fonctionne l’ALPR / ANPR dans le traitement des photos et des vidéos
Dans les systèmes modernes, la détection des plaques repose généralement sur des modèles de deep learning. Cet aspect est également essentiel pour l’anonymisation. Pour flouter automatiquement les plaques d’immatriculation, il faut au préalable un modèle d’IA entraîné à reconnaître l’emplacement des plaques dans des images variées. Ce n’est qu’ensuite que ce modèle peut être utilisé en production pour détecter et masquer les plaques dans des fichiers vidéo ou des photos.
Un pipeline technique typique comprend les étapes suivantes :
- détection de l’objet : délimitation du rectangle englobant la plaque,
- suivi entre les images : maintien de la continuité du masque dans une vidéo,
- OCR optionnel : reconnaissance des caractères si l’objectif est la lecture,
- anonymisation : flou, pixellisation ou occultation complète de la zone détectée,
- contrôle qualité : vérification des non-détections et des faux positifs.
Dans le cas de Gallio PRO, l’automatisation concerne exclusivement les visages et les plaques d’immatriculation dans les contenus enregistrés, et non l’anonymisation en temps réel ni les flux vidéo. Le logiciel ne détecte pas automatiquement les logos, tatouages, badges nominatifs, documents ou contenus affichés sur des écrans. Ces éléments peuvent être masqués manuellement dans l’éditeur.
Paramètres clés et métriques de l’ALPR / ANPR
L’évaluation d’un système ALPR / ANPR suppose de distinguer la performance de détection de la performance de lecture. Dans les usages liés à la conformité, ce n’est souvent pas la perfection de l’OCR qui importe le plus, mais un rappel de détection élevé, car une plaque non détectée reste non anonymisée.
Le tableau ci-dessous présente les métriques de base.
Paramètre | Signification | Pratique en matière d’anonymisation
|
|---|---|---|
Recall de détection | Pourcentage de plaques correctement détectées | Critique : un recall faible augmente le risque de divulgation de données |
Precision de détection | Pourcentage de détections correspondant à de véritables plaques | Influe sur le nombre de masques inutiles |
IoU | Degré de recouvrement entre le cadre de détection et l’objet | Détermine si le masque couvrira l’intégralité de la plaque |
Précision OCR | Exactitude de la lecture des caractères | Secondaire si l’objectif est uniquement le floutage |
Latence par image / fichier | Temps de traitement du contenu | Influe sur l’efficacité du processus hors ligne |
Taux de faux négatifs | Pourcentage de plaques non détectées | Indicateur clé du risque juridique |
Pour décrire simplement la performance, on peut utiliser les formules suivantes :
Precision = TP / (TP + FP)
Recall = TP / (TP + FN)
Où TP désigne les détections correctes, FP les fausses détections et FN les plaques omises. Dans les processus d’anonymisation, on privilégie généralement un recall plus élevé, même au prix d’une hausse modérée des FP, car un floutage excessif est en règle générale moins risqué qu’une absence de floutage.
Obligations juridiques et conformité au RGPD
Si l’ALPR / ANPR sert à lire les plaques et à exploiter ensuite le résultat, le responsable du traitement doit déterminer la base juridique du traitement, sa finalité, la durée de conservation et les catégories de destinataires des données. Il doit également satisfaire aux obligations d’information, sauf exception prévue par le RGPD, et évaluer les risques pour les droits et libertés des personnes. En cas de surveillance, d’analyse du trafic ou de recouvrement, une analyse d’impact relative à la protection des données (AIPD / DPIA) au titre de l’article 35 du RGPD sera souvent nécessaire.
Dans le cas de la publication de photos et de vidéos, les exigences de conformité conduisent souvent à une conclusion différente : au lieu de lire le numéro, il convient de le flouter immédiatement. Une telle approche limite l’étendue des données traitées et soutient le principe de privacy by design de l’article 25 du RGPD. Dans de nombreux pays européens, le floutage des plaques d’immatriculation dans les contenus publiés constitue une pratique largement admise, fondée sur les réglementations nationales, les lignes directrices des autorités et l’approche européenne en matière de protection de la vie privée.
Défis et limites de l’ALPR / ANPR
L’efficacité de la reconnaissance des plaques dépend de la qualité du contenu. Des difficultés apparaissent en cas de forte compression, de mouvement, de contraste marqué, de plaques sales, de polices de caractères atypiques ou d’occultation partielle. Pour l’anonymisation, les petits objets en arrière-plan, les scènes de nuit et les reflets lumineux posent également problème.
En pratique, il faut tenir compte des limites suivantes :
- un modèle entraîné sur un seul pays peut être moins performant sur d’autres formats de plaques,
- une faible résolution réduit l’efficacité de la détection et de l’OCR,
- les faux négatifs constituent l’erreur la plus grave du point de vue de la protection des données,
- l’OCR n’est pas indispensable pour l’anonymisation et peut inutilement élargir le périmètre du traitement.
Références normatives et sources
La notion d’ALPR / ANPR n’est pas définie, en tant que terme de conformité, dans un acte juridique unique de l’UE. Son évaluation repose sur les règles générales relatives aux données personnelles, à la vie privée et à la sécurité du traitement de l’image.
- Règlement (UE) 2016/679 – RGPD, notamment les articles 4, 5, 25, 32 et 35.
- Cour de justice de l’Union européenne, arrêt du 19 octobre 2016, C-582/14, Breyer – interprétation large de l’identifiabilité à l’aide d’informations supplémentaires.
- Comité européen de la protection des données (CEPD) – lignes directrices sur les notions de responsable du traitement, de traitement et d’évaluation des risques, utiles à l’analyse des systèmes d’identification.
- ISO/IEC 27001:2022 – exigences relatives au système de management de la sécurité de l’information, importantes pour les organisations traitant des photos et des vidéos.
- ISO/IEC 23894:2023 – lignes directrices relatives à la gestion des risques dans les systèmes d’IA, utiles pour l’évaluation des modèles de détection de plaques.