Anonymisation vidéo dans la recherche scientifique : définition
L’anonymisation vidéo dans la recherche scientifique désigne un ensemble de mesures techniques et organisationnelles visant à préparer des enregistrements et des images de recherche de manière à limiter ou à supprimer la possibilité d’identifier les personnes physiques visibles dans le contenu. En pratique, cela concerne principalement les visages, les plaques d’immatriculation et d’autres éléments révélant l’identité, lorsqu’ils apparaissent dans l’image et présentent une valeur d’identification dans le contexte de la recherche.
Dans le contexte des contenus visuels, il convient de distinguer l’anonymisation de la pseudonymisation. Conformément au RGPD, la pseudonymisation constitue toujours un traitement de données à caractère personnel, puisqu’il reste possible d’attribuer les données à une personne précise à l’aide d’informations complémentaires. L’anonymisation, quant à elle, a un caractère irréversible. En pratique scientifique, l’anonymisation complète des enregistrements peut s’avérer difficile, car l’identification peut résulter non seulement du visage, mais aussi du contexte de la scène, de la voix, de la tenue vestimentaire, du lieu, du moment de l’événement ou des métadonnées du fichier. C’est pourquoi, même après floutage des visages et des plaques d’immatriculation, de nombreux jeux de données doivent encore être considérés comme des contenus à risque d’identification réduit, et non toujours comme des données définitivement anonymes.
La base juridique de cette appréciation repose sur le règlement (UE) 2016/679 du Parlement européen et du Conseil, à savoir le RGPD, applicable depuis le 25 mai 2018, ainsi que sur les lignes directrices du Comité européen de la protection des données relatives notamment à la pseudonymisation, à la minimisation des données et au privacy by design. Dans la recherche scientifique, s’y ajoutent également les consentements et avis des comités d’éthique, les politiques de l’établissement de recherche, les exigences des financeurs et les standards d’archivage et de partage des données de recherche.
Le rôle de l’anonymisation vidéo dans la recherche scientifique
Dans la recherche scientifique, les vidéos et les photographies sont utilisées notamment dans les sciences sociales, la médecine, la psychologie, les transports, l’ergonomie, l’éducation, le sport et la recherche comportementale. Ces contenus peuvent être d’une grande valeur analytique, tout en contenant des données à caractère personnel ou des catégories particulières de données personnelles, par exemple lorsqu’ils montrent l’état de santé, un handicap, des enfants ou des situations intimes.
L’anonymisation poursuit ici plusieurs objectifs à la fois :
- mettre en œuvre le principe de minimisation des données prévu à l’article 5, paragraphe 1, point c) du RGPD,
- réduire le risque d’atteinte aux droits et libertés des participants à la recherche,
- permettre un partage plus sûr des contenus avec l’équipe de recherche, les auditeurs ou les archives de données,
- respecter les conditions d’autorisation éthique lorsque le comité exige une désidentification du contenu avant analyse ou publication,
- préparer les contenus à une réutilisation scientifique secondaire conformément à la politique de l’institution.
Dans les recherches fondées sur l’image, la simple suppression des métadonnées d’un fichier ne suffit pas. Si un visage, une plaque d’immatriculation ou un autre identifiant unique est visible dans l’enregistrement, le contenu peut toujours permettre une identification. C’est pourquoi les techniques intervenant directement sur la couche visuelle sont essentielles.
Comment se déroule l’anonymisation des photos et des enregistrements de recherche
Le processus doit être planifié avant le début de la collecte des contenus. En pratique, cela implique de décrire les sources de risque d’identification, de déterminer la base juridique du traitement et de préciser quels éléments de l’image feront l’objet d’un masquage automatique et lesquels nécessiteront un traitement manuel.
Un processus type comprend les étapes suivantes :
- Inventaire des contenus : photos, séquences vidéo, formats de fichiers, métadonnées, durée des enregistrements, nombre de personnes.
- Classification des risques : le contenu montre-t-il des enfants, des patients, des personnes en situation sensible, des lieux privés ?
- Détection des éléments identifiants : principalement les visages et les plaques d’immatriculation.
- Masquage : le plus souvent par floutage, pixellisation ou occultation permanente de la zone.
- Contrôle qualité : vérification qu’aucune image ne conserve un visage ou une plaque visible.
- Archivage : séparation entre la version source et la version anonymisée, gestion des habilitations et de la durée de conservation.
Dans le cas de Gallio PRO, le floutage automatique concerne les visages et les plaques d’immatriculation. Le logiciel ne détecte pas automatiquement les logos, tatouages, badges nominatifs, documents ni les contenus affichés sur les écrans. Ces éléments peuvent être masqués manuellement dans l’éditeur intégré. Cela est particulièrement important dans les recherches de terrain, en laboratoire et observationnelles, où la source d’identification ne se limite pas à l’apparence du visage.
Technologies utilisées pour l’anonymisation vidéo
Une anonymisation efficace des contenus visuels exige une détection correcte des objets dans chaque image ou sur des images représentatives. En pratique, on utilise des modèles d’apprentissage automatique, le plus souvent issus du deep learning. Cela est nécessaire, car les méthodes classiques fondées uniquement sur les caractéristiques de l’image sont généralement moins robustes face aux variations d’éclairage, à l’angle de la caméra, au masquage partiel du visage ou au mouvement.
Sur le plan technique, le processus se déroule généralement ainsi :
- un modèle de détection localise un visage ou une plaque d’immatriculation dans l’image,
- un algorithme de suivi relie les détections entre les images successives,
- un module de masquage applique un effet de flou ou d’occultation sur toute la zone détectée,
- un opérateur vérifie ensuite le contenu et effectue les corrections manuelles nécessaires.
Pour construire les modèles de détection, on utilise des architectures CNN ou leurs variantes plus récentes, ainsi que, dans les tâches de détection d’objets, des modèles à une étape ou à deux étapes. L’élément essentiel n’est toutefois pas tant l’architecture utilisée que le fait que le modèle atteigne un niveau de sensibilité et de stabilité suffisant sur des données similaires à celles exploitées dans l’étude. Les contenus issus de caméras fixes, de téléphones, de caméras-piétons et de laboratoires présentent des caractéristiques différentes ; le modèle doit donc être validé pour l’usage visé.
Une limite pratique importante est que Gallio PRO n’effectue ni anonymisation en temps réel ni anonymisation de flux vidéo. Il s’agit d’une solution destinée au traitement de contenus déjà enregistrés, ce qui, dans la recherche scientifique, correspond généralement au déroulement réel du travail de recherche et à la procédure d’archivage.
Paramètres clés et métriques de l’anonymisation vidéo
L’évaluation de la qualité de l’anonymisation ne devrait pas se fonder uniquement sur l’affirmation qu’un contenu a été flouté. Des indicateurs mesurables de détection et de contrôle qualité sont nécessaires. En pratique, on utilise à la fois des métriques issues de la vision par ordinateur et des indicateurs opérationnels liés au traitement de l’ensemble de données.
Paramètre
Signification
Pourquoi c’est important dans la recherche
Recall
Proportion des visages ou plaques effectivement présents et détectés par le système
Un recall faible signifie un risque de laisser des données personnelles visibles
Precision
Proportion de détections correctes parmi l’ensemble des détections
Une precision faible augmente le nombre de masques erronés et le temps de correction manuelle
IoU
Intersection over Union de la zone détectée
Détermine si le masque couvre toute la zone du visage ou de la plaque
Taux d’objets manqués pour 1 000 images
Nombre d’objets non détectés rapporté à 1 000 images
Facilite l’évaluation du risque résiduel dans les enregistrements longs
Temps de traitement
Minutes de contenu traitées par heure de fonctionnement du système
Influence la planification des projets et le coût opérationnel
Part des corrections manuelles
Proportion d’enregistrements nécessitant l’intervention d’un opérateur
Indique la maturité du processus et la charge de travail réelle
Pour évaluer le risque, on peut utiliser un indicateur opérationnel simple :
Risque résiduel = P(non-détection) x Conséquences de la divulgation x Exposition du contenu
Il ne s’agit pas d’une formule normative, mais d’un modèle de travail utile dans le cadre d’une AIPD et de l’évaluation d’un projet de recherche. Chaque composante doit être décrite qualitativement ou quantitativement selon la méthodologie de l’institution.
RGPD, autorisations éthiques et archivage des contenus de recherche
Dans la recherche scientifique, la seule anonymisation de l’image ne dispense pas des obligations juridiques applicables aux étapes antérieures du cycle de vie des données. Si le contenu source contient des données à caractère personnel, sa collecte, son stockage et son traitement doivent reposer sur une base juridique. En pratique, il s’agira le plus souvent d’une mission réalisée dans l’intérêt public, du consentement du participant ou d’une autre base prévue par le droit national et les règles internes de l’institution.
Les exigences les plus importantes comprennent :
- article 5 du RGPD : principes du traitement, notamment licéité, minimisation, limitation des finalités, intégrité et confidentialité,
- article 9 du RGPD : catégories particulières de données, lorsque l’enregistrement révèle par exemple l’état de santé,
- article 25 du RGPD : privacy by design et privacy by default,
- article 32 du RGPD : mesures de sécurité appropriées,
- article 35 du RGPD : analyse d’impact relative à la protection des données lorsque le risque est élevé.
Dans les projets scientifiques, les consentements et avis des comités d’éthique jouent également un rôle important. La documentation éthique devrait préciser si le contenu sera archivé, pendant combien de temps, qui aura accès à la version source et si un partage des données avec des chercheurs secondaires est envisagé. Une bonne pratique consiste à conserver la version brute dans un environnement renforcé sur le plan de la sécurité et à ne transmettre aux analyses d’équipe et aux publications qu’une version anonymisée ou, à tout le moins, une version présentant un risque d’identification réduit.
En matière d’archivage, il est utile de se référer aux principes FAIR applicables aux données de recherche, publiés en 2016, tout en rappelant que la disponibilité et l’interopérabilité ne doivent pas porter atteinte à la protection de la vie privée. En pratique, cela implique de séparer la couche descriptive des fichiers contenant l’image et de contrôler les droits d’accès aux dépôts.
Défis et limites de l’anonymisation des contenus visuels
Le principal problème tient au fait que l’identification d’une personne peut résulter d’une combinaison de caractéristiques. Le floutage du visage ne suffit pas toujours. Dans une étude, une tenue atypique, un lieu, une voix, l’heure connue d’un événement ou la présence d’autres personnes peuvent aussi permettre l’identification. La décision de considérer un contenu comme réellement anonyme nécessite donc une évaluation contextuelle.
Il existe également des limites juridiques et interprétatives. Dans de nombreux pays européens, le floutage des plaques d’immatriculation constitue, en principe, une mesure de prudence standard découlant des pratiques réglementaires nationales et d’une approche large de la protection de la vie privée. En Pologne, la question des plaques d’immatriculation est moins tranchée. D’une part, l’autorité polonaise de protection des données et une partie de la jurisprudence européenne soulignent la nécessité de traiter avec prudence les identifiants indirects. D’autre part, certaines décisions de la juridiction administrative suprême polonaise considèrent qu’une plaque d’immatriculation ne constitue pas toujours, à elle seule, une donnée personnelle. Dans la recherche scientifique, il est plus sûr d’adopter une approche de précaution et de masquer les plaques, en particulier lors de la publication des contenus.
L’image d’une personne mérite également une attention spécifique. Les obligations ne découlent pas uniquement du RGPD, mais aussi du droit civil et du droit d’auteur. En pratique, il existe des exceptions concernant les personnes publiques, les scènes d’ensemble et les situations où la personne est rémunérée pour poser, mais leur application exige à chaque fois une analyse du but de la recherche et de la manière dont le contenu sera utilisé par la suite.
Exemples d’utilisation de l’anonymisation vidéo dans la recherche scientifique
L’anonymisation des photos et des enregistrements est particulièrement pertinente lorsque l’image est nécessaire à l’analyse d’un phénomène, mais que l’identité de la personne n’est pas utile au chercheur ou doit être limitée à un cercle restreint de personnes autorisées.
- Études sur le comportement des piétons et des conducteurs : masquage des visages et des plaques d’immatriculation avant l’analyse du trafic.
- Analyse des interactions en classe : floutage des visages des élèves avant transmission du contenu à des codeurs externes.
- Recherches médicales et en rééducation : limitation de l’identification du patient dans les enregistrements d’exercices ou de consultations.
- Études UX et eye tracking en laboratoire : protection de l’identité du participant tout en conservant les informations comportementales et de mouvement.
- Recherches de terrain dans l’espace public : publication de contenus illustratifs uniquement après masquage des personnes et des véhicules.
Références normatives et sources
Les actes et documents ci-dessous constituent la base de l’interprétation de cette notion et des pratiques d’anonymisation des contenus visuels dans la recherche scientifique :
- Règlement (UE) 2016/679 du Parlement européen et du Conseil du 27 avril 2016 : RGPD.
- Article 29 Working Party, Opinion 05/2014 on Anonymisation Techniques, 10 April 2014.
- Comité européen de la protection des données : lignes directrices relatives au RGPD, au privacy by design, au consentement et, le cas échéant, au traitement des données à des fins de recherche scientifique.
- OECD Recommendation of the Council concerning Access to Research Data from Public Funding, 2021.
- Wilkinson et al., The FAIR Guiding Principles for scientific data management and stewardship, Scientific Data 3, 2016.
- Loi du 4 février 1994 sur le droit d’auteur et les droits voisins.
- Code civil : dispositions relatives aux droits de la personnalité, notamment à l’image et à la vie privée.
Si une institution applique des politiques locales de gestion des données de recherche, des dépôts et de la conservation, celles-ci doivent être considérées comme une couche complémentaire par rapport au droit commun. En pratique, ce sont souvent elles qui précisent les durées minimales d’archivage, le modèle d’accès et les exigences documentaires applicables aux contenus vidéo.
Voir aussi
- Anonymisation des données
- Floutage des visages
- Floutage des plaques d’immatriculation
- Conformité au RGPD