Qu’est-ce que l’API de floutage vidéo ?

API de floutage vidéo : définition

L’API de floutage vidéo est une interface de programmation qui sert à automatiser l’anonymisation des vidéos et des séquences d’images en détectant puis en masquant certaines catégories de données visuelles. En pratique, dans le contexte de la protection de la vie privée, il s’agit principalement des visages et des plaques d’immatriculation. L’API fournit des fonctions pouvant être appelées depuis d’autres systèmes afin d’envoyer un fichier source, de lancer la détection d’objets, d’appliquer des règles de masquage visuel et de récupérer le fichier final après traitement.

Dans les usages liés à l’anonymisation des photos et des enregistrements vidéo, une telle interface n’est pas le modèle d’IA lui-même, mais une couche d’intégration placée au-dessus du moteur de traitement. Ce moteur s’appuie généralement sur des méthodes de computer vision et de deep learning, car la détection efficace des visages et des plaques d’immatriculation dans des plans variés, sous différents éclairages et à différentes résolutions, nécessite des modèles entraînés sur des jeux de données annotés. L’API elle-même prend en charge la réception de la tâche, la validation des paramètres, la gestion des fichiers, le contrôle d’accès, le retour d’état et la livraison du résultat dans un format défini.

D’un point de vue technique, l’API de floutage vidéo est le plus souvent un service batch plutôt qu’un système en temps réel, même si certaines solutions peuvent aussi gérer des scénarios proches du temps réel. Cette distinction est importante. Ce type d’interface traite le plus souvent des fichiers vidéo ou des images stockés sur un support, puis déclenche un traitement asynchrone. Dans les environnements on-premise, l’API peut fonctionner au sein de l’infrastructure de l’organisation, ce qui limite les transferts de données hors d’un environnement contrôlé par l’administrateur. Ce modèle répond aux exigences des organisations qui traitent des contenus contenant des données à caractère personnel et doivent démontrer leur maîtrise de l’accès, de la conservation et de la sécurité des données.

Rôle de l’API de floutage vidéo dans l’anonymisation des photos et des vidéos

La fonction principale de l’API est de standardiser le processus d’anonymisation dans les systèmes qui génèrent ou archivent de grands volumes de contenus. Cela concerne notamment la vidéosurveillance, la documentation des sinistres, les enregistrements de caméras-piétons, les éléments de preuve, les audits de terrain et les contenus publiés en ligne. L’interface permet d’exécuter le même processus de manière répétable, mesurable et auditable.

En pratique, l’intégration à une API réduit le nombre d’opérations manuelles et limite le risque d’oublier un visage ou une plaque d’immatriculation. Il faut toutefois garder à l’esprit que l’étendue du masquage automatique dépend de la solution utilisée. Dans l’environnement Gallio PRO, la détection et le floutage automatiques concernent les visages et les plaques d’immatriculation. Les logos, tatouages, badges nominatifs, documents ainsi que les images affichées sur les écrans de contrôle ne sont pas détectés automatiquement et nécessitent une retouche manuelle à l’aide de l’éditeur.

• uniformisation du processus d’anonymisation entre différents systèmes sources,
• gestion de traitements par lots pour de nombreux fichiers,
• réduction du risque de divulgation de données personnelles dans les contenus publiés,
• documentation plus simple du processus à des fins de conformité et d’audit.

Comment fonctionne l’API de floutage vidéo : architecture et technologies

Le flux de traitement typique se compose de plusieurs étapes. Le système reçoit d’abord le fichier source et lit ses paramètres techniques, tels que le conteneur, le codec, le nombre d’images par seconde, la résolution et la durée de l’enregistrement. Ensuite, le moteur extrait les images ou travaille sur le flux décodé, lance la détection d’objets sur les images successives, suit les objets d’une image à l’autre et applique un masque de floutage. Enfin, le contenu est réencodé dans le format de sortie.

Dans les systèmes modernes, la détection repose sur des réseaux neuronaux. Pour les visages, on utilise des modèles de détection et de tracking, tandis que pour les plaques d’immatriculation, on ajoute des modèles de localisation d’objets de petite taille dans l’image. Le deep learning est largement utilisé ici, car les méthodes classiques fondées uniquement sur des caractéristiques définies manuellement sont généralement moins robustes face aux arrière-plans variables, à l’angle de la caméra, à l’occlusion partielle et à la compression avec perte. Le modèle d’IA est entraîné en amont, et en production l’API utilise déjà un modèle d’inférence prêt à l’emploi.

Les composants d’architecture les plus courants sont :

• une couche API REST ou une API applicative locale,
• une file de tâches asynchrones,
• un module de décodage et d’encodage vidéo, souvent basé sur FFmpeg,
• un moteur d’inférence IA pour la détection des visages et des plaques d’immatriculation,
• un module de suivi des objets entre les images,
• un référentiel de fichiers source et de fichiers de sortie,
• un mécanisme d’authentification, d’autorisation et de contrôle d’accès.

Formats d’entrée et de sortie ainsi qu’exigences d’intégration de l’API de floutage vidéo

Lors de l’intégration, les formats multimédias et le mode d’échange des données de pilotage sont essentiels. L’API doit définir clairement les conteneurs et codecs pris en charge, les limites de taille applicables ainsi que le caractère synchrone ou asynchrone du traitement. Dans les usages d’entreprise, le modèle asynchrone avec statut de tâche est plus fréquent, car le temps de traitement dépend de la durée de la vidéo, de la résolution et des ressources GPU ou CPU disponibles.

Le tableau ci-dessous présente des paramètres d’intégration typiques.

Paramètres clés et métriques de l’API de floutage vidéo

L’évaluation de la qualité d’une API ne devrait pas reposer uniquement sur l’affirmation selon laquelle le contenu a été flouté. Pour le délégué à la protection des données et pour l’équipe technique, des indicateurs mesurables d’efficacité et de performance sont essentiels. Dans les systèmes de détection des visages et des plaques d’immatriculation, on analyse généralement la précision, le rappel ainsi que le nombre d’objets non détectés. Pour les environnements opérationnels, le débit et la stabilité du traitement sont également déterminants.

Les indicateurs les plus utilisés sont :

• precision : part des détections correctes parmi l’ensemble des détections,
• recall : part des objets détectés parmi tous les objets présents dans le contenu,
• F1-score : moyenne harmonique de la precision et du recall,
• latence de la tâche : délai entre la réception du fichier et la génération du résultat,
• throughput : nombre de minutes de contenu traitées par unité de temps,
• failure rate : proportion de tâches échouées,
• IoU : Intersection over Union pour évaluer la qualité de la localisation d’objet.

La formule du F1-score est la suivante :

F1 = 2 × (precision × recall) / (precision + recall)

En pratique, un recall élevé est particulièrement important pour l’anonymisation, car un visage ou une plaque d’immatriculation non détecté peut entraîner la divulgation de données à caractère personnel. En parallèle, un trop grand nombre de faux positifs augmente le coût des corrections manuelles et peut dégrader la lisibilité du contenu.

Sécurité des données et conformité réglementaire

L’API de floutage vidéo traite des données qui peuvent constituer des données à caractère personnel au sens de l’article 4, point 1, du RGPD, si elles permettent d’identifier une personne physique. L’image du visage répond le plus souvent à ce critère. Pour les plaques d’immatriculation, l’évaluation dépend du cadre juridique applicable et du contexte de traitement. En Pologne, les positions ne sont pas uniformes. Dans la pratique des autorités de contrôle et dans une partie de la jurisprudence européenne, une approche de précaution domine, tandis que certaines décisions polonaises avancent que la seule plaque d’immatriculation n’est pas toujours une donnée personnelle. Du point de vue de la conformité, les organisations retiennent généralement l’approche la plus conservatrice.

Les exigences de sécurité pour une API devraient couvrir au minimum :

• le chiffrement des transmissions conformément à la version de TLS actuellement recommandée, par exemple TLS 1.3 décrit dans la RFC 8446,
• le contrôle d’accès et la séparation des droits,
• une politique de conservation des fichiers conforme aux règles de l’administrateur,
• la minimisation des données et l’absence de journaux inutiles contenant des données personnelles,
• la possibilité d’un déploiement on-premise.

Dans l’environnement Gallio PRO, il est important de noter que le système n’effectue pas d’anonymisation en temps réel et ne réalise pas d’anonymisation de flux vidéo. Il ne collecte pas non plus de journaux contenant des détections de visages et de plaques d’immatriculation, ni de journaux contenant des données personnelles ou des catégories particulières de données personnelles.

Limites et risques pratiques de l’API de floutage vidéo

Même une API bien conçue n’élimine pas totalement le risque d’erreurs de détection. Des difficultés apparaissent lorsque la qualité d’image est faible, en cas de mouvements importants, d’occlusion de l’objet, d’enregistrements nocturnes ou de contenus fortement compressés. Le risque augmente également lorsque le périmètre du masquage automatique dépasse les capacités réelles du modèle.

C’est pourquoi le processus opérationnel doit prévoir un contrôle qualité du résultat, en particulier pour les contenus publiés ou partagés avec des tiers. En pratique, cela signifie qu’il faut combiner l’anonymisation automatique avec une correction manuelle. Cela est particulièrement important pour les éléments que le système ne détecte pas automatiquement.

Références normatives et sources pour l’API de floutage vidéo

Ce concept ne possède pas de définition normative unique et universelle dans les normes ISO ou CEN, mais son fonctionnement repose sur un ensemble de documents encadrant la protection des données, la sécurité de l’information et les protocoles de communication. Pour la mise en œuvre, les sources primaires sont particulièrement importantes.

• Règlement (UE) 2016/679 du Parlement européen et du Conseil du 27 avril 2016 - RGPD, en particulier les articles 4, 5, 25 et 32.
• RFC 8446 - The Transport Layer Security (TLS) Protocol Version 1.3, IETF, 2018.
• OAuth 2.0 Authorization Framework - RFC 6749, IETF, 2012, si l’API utilise ce modèle d’autorisation.
• ISO/IEC 27001:2022 - exigences relatives au système de management de la sécurité de l’information.
• ISO/IEC 23894:2023 - lignes directrices relatives à la gestion des risques liés à l’IA.