Définition
Le masquage et le floutage sont des techniques d’obfuscation utilisées pour l’anonymisation des images et des vidéos par la dégradation intentionnelle de zones sélectionnées, telles que les visages ou les plaques d’immatriculation. D’un point de vue normatif, il s’agit de formes d’obfuscation des données visuelles décrites dans la norme ISO/IEC 20889:2018 comme des méthodes visant à rendre plus difficile l’identification de personnes ou d’objets par la perte d’information visuelle. Les techniques les plus couramment utilisées incluent le flou gaussien, la pixellisation, la mosaïque et le masquage opaque.
Dans le contexte du RGPD, ces techniques constituent des mesures de minimisation des données et de protection de la vie privée lors de la publication ou du partage de contenus vidéo et photographiques. Pour que l’obfuscation soit efficace, elle doit couvrir toutes les images dans lesquelles l’objet apparaît et atteindre un niveau de dégradation suffisant pour réduire le risque de ré‑identification à un seuil acceptable, conformément au principe de privacy by design. L’automatisation repose sur la détection d’objets, qui s’appuie en pratique sur des modèles de deep learning entraînés sur des jeux de données annotés, puis utilisés pour localiser les zones à masquer.
Rôle dans l’anonymisation des photos et des vidéos
Le masquage et le floutage sont essentiels lors de la publication ou du partage d’enregistrements de vidéosurveillance, de contenus journalistiques, de supports de formation ou de matériels de recherche. Les visages et les plaques d’immatriculation constituent en principe des données à caractère personnel au sens du RGPD dès lors qu’ils permettent d’identifier une personne, notamment lorsqu’ils sont combinés à d’autres informations.
- Visages : l’obligation d’anonymisation découle du RGPD ainsi que de l’article 81 de la loi sur le droit d’auteur et les droits voisins. Les exceptions prévues par cet article concernent notamment les personnes publiques, l’image en tant qu’élément d’un ensemble plus large, ou les situations où la personne a perçu une rémunération convenue pour la pose.
- Plaques d’immatriculation : les autorités de protection des données de nombreux États membres de l’UE indiquent qu’une plaque identifie un véhicule et peut, indirectement, identifier une personne, ce qui justifie son anonymisation lors de la diffusion de contenus. Les lignes directrices EDPB 3/2019 relatives aux dispositifs vidéo soulignent la nécessité de limiter l’identifiabilité lors de la divulgation d’enregistrements. En Pologne, la question fait l’objet de débats et la jurisprudence administrative n’est pas uniforme quant à la qualification des plaques comme données personnelles. En pratique, les responsables de traitement appliquent fréquemment le floutage des plaques afin de respecter le principe de minimisation.
Dans Gallio PRO, l’automatisation concerne exclusivement les visages et les plaques d’immatriculation. Le logiciel ne masque pas les silhouettes et ne réalise pas d’anonymisation en temps réel. Des éléments tels que les logos, les tatouages ou les documents peuvent être masqués manuellement dans l’éditeur. La solution fonctionne on‑premise et ne collecte pas de journaux contenant des données personnelles ni d’informations permettant d’identifier les objets détectés.
Technologies de masquage et de floutage
Une obfuscation efficace nécessite une détection fiable, un suivi temporel et l’application du filtre approprié sur la région d’intérêt. Ci‑dessous, un aperçu de la chaîne de traitement standard.
- Détection d’objets : algorithmes basés sur le deep learning (par exemple réseaux de neurones convolutionnels pour les visages et les plaques). Les modèles sont entraînés sur des jeux de données annotés et exécutés en inférence hors ligne sur CPU ou GPU.
- Suivi temporel : maintien de l’identité de l’objet entre les images afin de limiter le scintillement du masque et les lacunes lors d’occlusions partielles.
- Extension de la ROI : agrandissement de la boîte de détection par une marge pour couvrir les variations de positionnement et l’erreur du détecteur.
- Filtres d’obfuscation : flou gaussien, pixellisation, mosaïque, remplissage uniforme, masques elliptiques ou rectangulaires à bord doux.
- Export et audit : enregistrement du contenu obfusqué et journal technique du processus sans conservation de données personnelles.
Paramètres et métriques clés
Le choix des paramètres influe à la fois sur le niveau de protection et sur l’utilité du contenu. Il est recommandé de mesurer la qualité de la détection ainsi que l’efficacité de la prévention de l’identification. Voici une sélection de paramètres et de métriques couramment utilisés.
Paramètre / métrique | Description | Unité / remarques
|
|---|---|---|
Seuil de détection | Confiance minimale du modèle pour valider un objet | [0‑1] |
IoU pour l’appariement | Seuil d’Intersection over Union pour l’évaluation et le suivi | généralement 0,5 ou 0,75 |
Recall de détection | Proportion des objets réels détectés | référence aux métriques COCO / PASCAL |
Precision de détection | Proportion des détections correspondant à de vrais objets | sans unité |
Taille du noyau de flou | Dimension du filtre gaussien | px, par ex. 21×21 |
Sigma gaussien | Intensité du flou | px |
Taille des pixels de mosaïque | Côté du bloc de pixellisation | px |
Marge de la ROI | Agrandissement relatif du masque par rapport à la détection | % |
Risque de ré‑identification R | Part des identifications réussies après obfuscation par un algorithme de reconnaissance performant | R = succès / essais |
Force d’anonymisation S | Mesure égale à 1 − R | S = 1 − R |
Latence | Délai de traitement par image | ms/image |
Débit | Capacité de traitement | fps |
Taux de défauts en QA | Pourcentage d’images nécessitant une correction manuelle | % |
Défis et limites
Il convient de trouver un compromis entre la protection de la vie privée et la valeur analytique de l’image. Des risques techniques et juridiques existent également.
- Non‑détection d’objets : angles extrêmes, faible contraste, occlusions, petite taille des objets.
- Suivi : la perte de l’objet entre les images peut entraîner des interruptions de masquage.
- Réversibilité : un flou trop faible ou une pixellisation insuffisante peut ne pas résister aux algorithmes modernes de reconnaissance faciale.
- Base juridique : divergences d’interprétation sur le statut des plaques d’immatriculation en Pologne par rapport aux pratiques des autorités d’autres pays de l’UE.
- Utilité : une obfuscation excessive réduit la valeur probante ou pédagogique du contenu.
Exemples d’applications
Les techniques de masquage et floutage sont utilisées dans de nombreux processus de traitement d’image hors temps réel.
- Publication d’images de vidéosurveillance ou de bodycams après incident, avec floutage des personnes tierces et des plaques.
- Partage d’enregistrements avec les médias ou les communautés locales, incluant l’anonymisation des personnes et des véhicules.
- Supports de formation et e‑learning protégeant l’image des participants.
- Recherche et diffusion de jeux de données vidéo issus de l’espace public avec anonymisation des visages.
Références normatives et sources
La liste ci‑dessous regroupe les textes et normes précisant les concepts, exigences et bonnes pratiques liés au traitement de l’image et à l’anonymisation.
- RGPD - Règlement (UE) 2016/679 du 27/04/2016, articles 5 et 25, ainsi que les considérants relatifs à l’identifiabilité.
- EDPB, Lignes directrices 3/2019 sur le traitement des données personnelles par des dispositifs vidéo, version 2.0 du 29/01/2020.
- ISO/IEC 20889:2018 - Privacy enhancing data de‑identification terminology and classification.
- ISO/IEC 29100:2011 - Privacy framework.
- Loi sur le droit d’auteur et les droits voisins, article 81 - consentement à la diffusion de l’image et exceptions.
- CNIL, fiches pratiques relatives à la publication de l’image et des données identifiantes dans les contenus visuels, indiquant les plaques comme données personnelles.
- AEPD, Guía sobre el uso de videocámaras para seguridad y otras finalidades, versions mises à jour - qualification des plaques comme données personnelles.
- NIST, Face Recognition Vendor Test - documents relatifs à l’évaluation des algorithmes de reconnaissance faciale ; pour le contexte des tests de ré‑identification, se référer aux publications NIST FRVT et à certains rapports NISTIR (numérotation variable selon l’édition).