Détection de petits objets : définition
La détection de petits objets désigne la capacité d’un système de vision par ordinateur à localiser des objets qui n’occupent qu’un nombre limité de pixels dans une image ou une image vidéo. Dans le cadre de l’anonymisation d’images et de vidéos, ce terme concerne tout particulièrement les visages et les plaques d’immatriculation éloignés de la caméra, partiellement masqués, affectés par le flou de mouvement ou enregistrés en basse résolution.
Un petit visage ou une petite plaque d’immatriculation peut rester visible pour un examinateur humain tout en contenant trop peu d’informations visuelles fiables pour qu’un détecteur automatisé le repère de manière constante. Cela crée un risque pour la vie privée : un processus d’anonymisation automatisé peut ne pas flouter un visage ou une plaque d’immatriculation éloignés, alors que cet élément reste identifiable ou potentiellement identifiable dans les séquences source.
La détection de petits objets est un problème technique de vision par ordinateur, et non une catégorie juridique. Il n’existe pas de seuil universel de pixels à partir duquel un visage ou une plaque d’immatriculation devient « petit ». Ce seuil dépend du modèle de détection, de la résolution d’entrée, de l’angle de la caméra, du niveau de compression, de l’éclairage, du contraste de l’objet et du taux de rappel requis.
Pourquoi les visages et les plaques d’immatriculation éloignés exigent une vérification manuelle
La détection automatique des visages et des plaques d’immatriculation repose sur des motifs visuels. Lorsqu’un objet occupe peu de pixels, le modèle dispose de moins d’informations sur sa forme, ses contours, sa texture et son contexte. Une réduction de la taille de l’image lors du prétraitement peut encore diminuer l’objet jusqu’à rendre sa détection peu fiable.
Le cadre d’évaluation Common Objects in Context (COCO) classe comme petit un objet dont la surface est inférieure à 322 pixels, soit 1 024 pixels2. Cette définition de référence est utile pour comparer les modèles, mais elle ne constitue pas un critère d’acceptation en matière de protection de la vie privée. Un visage ou une plaque d’immatriculation peut nécessiter une vérification même lorsque la surface de sa boîte englobante dépasse cette valeur.
La vérification manuelle est nécessaire, car une non-détection diffère d’une fausse détection. Une fausse détection peut entraîner un floutage inutile. Une non-détection peut laisser un visage ou une plaque d’immatriculation visible dans des séquences diffusées.
- Distance : les objets éloignés de la caméra occupent moins de pixels.
- Compression : les artefacts de bloc et la perte de détails fins peuvent masquer les contours des visages et les caractères des plaques d’immatriculation.
- Mouvement : le mouvement de la caméra ou de l’objet peut produire un flou directionnel.
- Occultation : des personnes, des véhicules, de la végétation, des reflets et des ombres peuvent dissimuler une partie d’un objet.
- Angle de vue : les visages de profil et les plaques d’immatriculation inclinées diffèrent des exemples de face utilisés dans de nombreux jeux de données d’entraînement.
- Faible contraste : un éclairage insuffisant, l’éblouissement, la pluie ou la surexposition peuvent réduire la distinction entre l’objet et son arrière-plan.
Détection de petits objets dans l’anonymisation d’images et de vidéos
Pour protéger la vie privée, la détection de petits objets intervient avant l’application d’un floutage ou d’une pixellisation. Le système repère d’abord un visage ou une plaque d’immatriculation potentiels, crée ensuite une région d’intérêt autour de cet élément, puis applique un effet d’anonymisation à cette zone. La qualité de la détection influence donc directement l’exhaustivité de l’anonymisation.
Dans une vidéo, la vérification doit couvrir davantage qu’une seule image. Un visage ou une plaque d’immatriculation peut n’être visible que brièvement, apparaître au bord de l’image ou devenir petit lorsqu’une personne ou un véhicule s’éloigne de la caméra. Le suivi d’objets peut aider à associer les détections entre les images, mais il ne permet pas de retrouver de manière fiable un objet qui n’a jamais été détecté.
Gallio PRO détecte et floute automatiquement les visages et les plaques d’immatriculation dans les images et les fichiers vidéo importés. Il n’effectue pas d’anonymisation en temps réel ni d’anonymisation de flux vidéo. Lorsque des objets éloignés, petits, partiellement visibles ou incertains subsistent, l’opérateur doit examiner le résultat et utiliser l’éditeur manuel intégré pour appliquer un floutage lorsque nécessaire. Gallio PRO ne détecte pas automatiquement les logos, les tatouages, les badges nominatifs, les documents, le contenu des moniteurs, les corps ou les silhouettes. Ces éléments peuvent être floutés manuellement lorsqu’ils sont pertinents pour la diffusion envisagée ou l’évaluation de la vie privée.
Paramètres et métriques clés pour la détection de petits objets
La qualité de détection doit être mesurée sur des séquences similaires aux contenus prévus en production. Un modèle testé uniquement sur des visages proches et bien éclairés peut ne pas offrir des performances comparables sur des séquences de type vidéosurveillance prises à distance, des enregistrements de véhicules ou des vues issues de caméras grand angle.
Paramètre ou métrique | Importance pour l’anonymisation
|
|---|---|
Résolution d’entrée | Une résolution plus élevée peut préserver davantage d’informations visuelles pour les petits visages et les plaques d’immatriculation, mais elle augmente le temps de traitement et l’utilisation de la mémoire. |
Surface de l’objet en pixels | Indicateur pratique permettant de déterminer si le détecteur dispose de suffisamment de détails visuels. Elle doit être mesurée avant et après toute étape de redimensionnement. |
Rappel | Proportion de visages ou de plaques d’immatriculation pertinents détectés par le système. Dans le cadre d’un contrôle de la vie privée, les objets non détectés constituent le principal enjeu. |
Précision | Proportion de détections correctes. Une faible précision augmente le travail de vérification, mais elle est généralement moins critique pour la vie privée qu’un faible rappel. |
Intersection sur union (IoU) | Chevauchement entre la zone de détection prédite et la zone de référence. Des boîtes incomplètes peuvent laisser les bords d’un visage ou d’une plaque insuffisamment floutés. |
Échantillonnage des images et suivi | Détermine si les apparitions brèves sont examinées et si les zones de floutage restent alignées sur des images consécutives. |
Le rappel se calcule comme suit :
Rappel = vrais positifs / (vrais positifs + faux négatifs)
Pour un processus de protection de la vie privée, l’évaluation doit inclure des exemples difficiles : des piétons éloignés, des véhicules stationnés à l’arrière-plan, des sujets entrant dans l’image ou en sortant, des séquences nocturnes, des visages reflétés et des plaques d’immatriculation affectées par l’éblouissement. Le protocole de vérification doit documenter le type de séquences, la configuration du détecteur, la méthode d’échantillonnage, les décisions des examinateurs et les limites non résolues.
Approches techniques et limites
Les détecteurs d’objets modernes utilisent souvent une extraction de caractéristiques à plusieurs échelles. Les réseaux pyramidaux de caractéristiques, par exemple, combinent les caractéristiques d’image issues de différentes couches du réseau afin que le modèle puisse traiter des objets à plusieurs échelles. Le découpage d’image en tuiles constitue une autre approche. Il divise une image haute résolution en régions plus petites afin que les visages et plaques d’immatriculation éloignés occupent davantage de pixels lors de la détection.
Ces méthodes peuvent améliorer le rappel pour les petits objets, mais elles ne suppriment pas la nécessité d’un contrôle humain. Le découpage en tuiles peut augmenter le temps de traitement et créer des problèmes aux limites lorsqu’un objet s’étend sur deux tuiles. Agrandir une image peut faire paraître un objet plus grand, mais ne peut pas restaurer les détails absents de l’enregistrement d’origine. Les résultats de la détection automatique doivent donc être considérés comme des éléments à vérifier, et non comme la preuve que tous les visages et plaques d’immatriculation visibles ont été anonymisés.
Normes et références
Les sources suivantes fournissent un contexte technique pour évaluer la détection de petits objets et la qualité des images. Elles n’établissent pas de taille minimale universelle garantissant un floutage sûr des visages ou des plaques d’immatriculation pour la protection de la vie privée.
- Tsung-Yi Lin et al., Microsoft COCO : objets courants dans leur contexte, 2014. Le protocole d’évaluation COCO définit les petits objets selon leur surface.
- Tsung-Yi Lin et al., Réseaux pyramidaux de caractéristiques pour la détection d’objets, 2017. Cette publication décrit des pyramides de caractéristiques à plusieurs échelles pour la détection d’objets.
- National Institute of Standards and Technology (NIST), Test des fournisseurs : qualité des images de visage. Le NIST explique comment les facteurs liés à la qualité des images peuvent affecter les performances de l’analyse automatisée des visages.
- ISO/IEC 29794-5:2010, Technologies de l’information - Qualité des échantillons biométriques - Partie 5 : données d’image de visage. Cette norme traite des propriétés de qualité des données d’image de visage.