Workflow de masquage vidéo : définition
Le workflow de masquage vidéo est un processus organisationnel et technique structuré permettant d’identifier, d’évaluer, d’anonymiser, de vérifier, de documenter et d’archiver des vidéos ou des photos contenant des données personnelles visibles à l’image. En pratique, cela concerne avant tout les visages et les plaques d’immatriculation, ainsi que, dans certains cas, d’autres éléments identifiants nécessitant un masquage manuel de l’image. Dans le contexte de la protection des données, il ne s’agit pas d’un montage esthétique, mais d’un traitement du contenu visant à réduire le risque d’identification d’une personne physique tout en préservant la finalité de l’utilisation ultérieure de l’enregistrement.
Les principales bases juridiques et interprétatives de ce processus sont le Règlement (UE) 2016/679 (RGPD), en particulier l’article 5, paragraphe 1, points c) et f), ainsi que les articles 25 et 32, sans oublier le considérant 26 relatif à l’identifiabilité d’une personne. En matière de droit à l’image, les dispositions nationales peuvent également s’appliquer. Le workflow de masquage vidéo doit donc concilier exigences juridiques, principes de sécurité de l’information et techniques de traitement de l’image.
Dans le domaine de l’anonymisation de photos et d’enregistrements, le workflow couvre généralement une séquence allant de l’acquisition du contenu à l’analyse des risques et à la détection d’objets, puis à l’application de masques, au contrôle qualité, à l’export et à la conservation. Lorsque des modèles d’IA sont utilisés, ils sont développés à l’aide de méthodes d’apprentissage automatique, le plus souvent de deep learning, puis exploités pour détecter les visages et les plaques d’immatriculation image par image ou sur la base du suivi d’objets dans une séquence.
Les étapes du workflow de masquage vidéo dans une organisation
Un workflow correctement défini doit être répétable et auditable. Cela signifie qu’une organisation doit être en mesure de démontrer quel contenu a été traité, à quelle fin, selon quelle procédure et avec quel résultat de contrôle qualité.
En pratique, le processus peut être décrit selon les étapes suivantes :
- Identification du contenu – détermination de la source de l’enregistrement, du responsable du processus, de la finalité du traitement, des catégories de données visibles à l’image et de la base juridique.
- Classification des risques – évaluation de la présence de visages, de plaques d’immatriculation ou d’autres éléments permettant l’identification. C’est également à ce stade que le niveau de masquage requis est défini.
- Préparation technique – vérification du format d’entrée, du codec, du nombre d’images par seconde, de la résolution, de la durée du contenu et de l’intégrité du fichier.
- Détection et masquage – détection automatique des visages et des plaques d’immatriculation, puis application d’un masque de flou ou d’obfuscation. Dans Gallio PRO, l’automatisation concerne uniquement les visages et les plaques d’immatriculation.
- Masquage manuel – obfuscation manuelle des éléments que le système ne détecte pas automatiquement, par exemple un document, un badge, un tatouage, un logo ou une image affichée sur un écran.
- Contrôle qualité – vérification de l’exhaustivité de l’anonymisation sur un échantillon ou sur l’ensemble du contenu, y compris sur les images difficiles, en présence de mouvement, d’occlusion ou de faible luminosité.
- Export et sécurisation du résultat – enregistrement de la version masquée avec les métadonnées opérationnelles, sans conserver inutilement de données personnelles dans les journaux.
- Documentation et archivage – consignation de l’étendue du masquage, de l’opérateur, de la version de la procédure et de la durée de conservation du contenu source et du contenu final.
Technologies utilisées dans un workflow de masquage vidéo
L’automatisation du workflow repose sur l’analyse d’image par ordinateur. Pour les visages et les plaques d’immatriculation, on utilise le plus souvent des modèles de détection entraînés sur des jeux de données annotés. Aujourd’hui, le deep learning est la méthode la plus couramment employée pour créer des modèles d’IA capables de détecter des objets dans des conditions variées, par exemple en cas de changement de perspective, d’échelle, d’occultation partielle ou de compression de l’image.
Une pile technologique typique comprend :
- la détection d’objets dans les images – visages, plaques d’immatriculation,
- le suivi inter-images – maintien du masque sur le même objet dans les images suivantes,
- le masquage des pixels – flou, pixellisation ou occultation complète de la zone indiquée,
- la vérification manuelle – corrections là où l’automatisation est insuffisante.
Dans les environnements soumis à des exigences de sécurité élevées, des déploiements on-premise sont utilisés afin de limiter le transfert des contenus en dehors de l’organisation. Un tel modèle peut soutenir le principe de privacy by design prévu à l’article 25 du RGPD et faciliter le contrôle de la localisation des données, des autorisations et de la conservation.
Paramètres clés et indicateurs d’un workflow de masquage vidéo
L’évaluation de la qualité d’un workflow ne devrait pas reposer sur des déclarations générales. Elle doit s’appuyer sur des indicateurs mesurables relatifs à l’efficacité de la détection, à la qualité du masquage et à la performance du traitement.
Paramètre
Signification
Application pratique
Recall
Pourcentage des objets réels détectés par le système
Essentiel pour limiter les oublis de visages et de plaques
Precision
Pourcentage de détections correctes parmi toutes les détections
Influence le nombre de faux masques
False negative rate
Part des objets non détectés
Directement liée au risque d’atteinte à la vie privée
Temps de traitement
Minutes de contenu traitées par heure de fonctionnement du système
Facilite la planification des ressources et des SLA
Coverage review
Pourcentage du contenu soumis au contrôle qualité
Détermine le niveau de confiance final
En pratique, on peut utiliser un indicateur simple du risque d’omission :
Risque opérationnel = nombre d’objets non détectés / nombre total d’objets dans le contenu
Si une organisation traite des contenus à valeur probatoire ou destinés à la publication, cet indicateur doit être aussi proche de zéro que possible, et le workflow doit inclure un contrôle manuel obligatoire.
Défis et limites du workflow de masquage vidéo
Même un processus bien conçu présente des limites techniques et juridiques. Les principales difficultés apparaissent lorsque la qualité du contenu est faible, que la densité de personnes est élevée, que la caméra est en mouvement, en présence de reflets, de scènes nocturnes ou d’une forte compression avec perte.
Il convient également de distinguer le périmètre de l’automatisation de l’identification exhaustive de tous les risques visibles dans l’image. Gallio PRO masque automatiquement uniquement les visages et les plaques d’immatriculation. Il ne détecte pas automatiquement les logos, les tatouages, les badges nominatifs, les documents ni les images affichées sur les écrans de contrôle. Ces éléments peuvent toutefois être masqués manuellement dans l’éditeur. Le logiciel n’anonymise pas automatiquement les silhouettes entières et n’est pas destiné à l’anonymisation de flux vidéo ni au traitement en temps réel.
Concernant les plaques d’immatriculation, des divergences d’interprétation existent également. Dans de nombreux pays d’Europe, la pratique de leur masquage découle du droit national ainsi que de l’approche adoptée par les autorités de protection des données. En Pologne, les positions ne sont pas entièrement uniformes : l’UODO et la jurisprudence de la CJUE soutiennent une approche prudente de l’identifiabilité, tandis qu’une partie de la jurisprudence du NSA a indiqué qu’une plaque d’immatriculation, à elle seule, ne constitue pas toujours une donnée personnelle. Dans un workflow organisationnel, on retient généralement l’option la plus sûre, à savoir le masquage des plaques avant la publication ou la diffusion du contenu.
Références normatives et conformité
Le workflow de masquage vidéo doit être intégré à un système formel de gestion de la sécurité de l’information et de protection des données. Il n’existe pas de norme technique européenne unique définissant exclusivement le masquage d’image ; il convient donc de s’appuyer sur un ensemble de textes juridiques et de normes transversales.
- RGPD – Règlement (UE) 2016/679 – principes de minimisation des données, d’intégrité et de confidentialité, privacy by design, sécurité du traitement.
- ISO/IEC 27001:2022 – système de management de la sécurité de l’information, contrôle d’accès, journalisation des actions administratives et gestion des incidents.
- ISO/IEC 27701:2019 – extension dédiée à la protection de la vie privée pour les organisations traitant des données personnelles.
- ENISA – lignes directrices en matière de sécurité des données et de protection de la vie privée – approche fondée sur les risques et sur les mesures techniques de sécurité.
Une bonne pratique consiste à documenter le processus sans enregistrer de journaux contenant des données personnelles issues de la détection. Dans les environnements exigeant une confidentialité renforcée, cela contribue à limiter le traitement secondaire des données.