Czym jest Frame rate (FPS) a detekcja twarzy?

Frame rate (FPS) a detekcja twarzy - definicja

Frame rate, czyli liczba klatek na sekundę (FPS, frames per second), określa, ile kolejnych obrazów zapisano lub przetworzono w ciągu jednej sekundy nagrania wideo. W kontekście detekcji twarzy i anonimizacji wideo FPS wpływa bezpośrednio na to, jak często algorytm otrzymuje nową informację o położeniu twarzy w czasie. Im wyższy FPS, tym mniejszy odstęp czasowy między klatkami i tym większa szansa, że twarz zostanie wykryta w kolejnych ujęciach bez przerw.

W praktyce zależność nie jest liniowa. Wyższy FPS nie gwarantuje automatycznie wyższej skuteczności anonimizacji. Dokładność wykrywania twarzy zależy równocześnie od rozdzielczości, kompresji, rozmycia ruchu, oświetlenia, kąta ustawienia twarzy, jakości modelu AI oraz sposobu przetwarzania materiału. W systemach do anonimizacji zdjęć i nagrań wideo FPS jest jednym z parametrów wejściowych, który wpływa na recall detekcji, ciągłość śledzenia obiektu i ryzyko pominięcia pojedynczych klatek.

W zastosowaniach zgodnych z RODO celem nie jest estetyka zamazania, ale ograniczenie ryzyka identyfikacji osoby. Dlatego analiza FPS powinna być powiązana z pytaniem, czy przy danym materiale wideo system wykryje twarz dostatecznie wcześnie i dostatecznie stabilnie, aby zasłonić ją na wszystkich istotnych klatkach.

Dlaczego FPS ma znaczenie w anonimizacji nagrań wideo?

Wideo jest sekwencją obrazów. Detektor twarzy analizuje pojedyncze klatki albo wybrane klatki zgodnie z przyjętą strategią próbkowania. Jeżeli odstęp między klatkami jest zbyt duży, szybko poruszająca się twarz może pojawić się tylko na jednej lub dwóch klatkach albo zostać częściowo rozmyta. Wtedy wzrasta ryzyko, że twarz nie zostanie wykryta, a więc nie zostanie zamazana.

Dla materiału 25 FPS jedna klatka trwa około 40 ms. Dla 10 FPS jest to już 100 ms, a dla 5 FPS aż 200 ms. Przy ruchu głowy, zmianie kadru lub przejściu osoby przez scenę takie różnice są technicznie istotne. W systemach opartych na deep learning model detekcji twarzy działa na klatkach, natomiast ciągłość między klatkami może być wspierana przez tracking. Jeśli jednak twarz nie zostanie poprawnie wykryta na klatce początkowej albo zniknie na kilku kolejnych klatkach, tracking również przestaje być wiarygodny.

W anonimizacji nagrań nie chodzi więc wyłącznie o samą detekcję, ale o stabilne pokrycie twarzy w czasie. To właśnie tutaj FPS oddziałuje na wynik operacyjny.

Kluczowe parametry i metryki dla FPS a detekcji twarzy

Ocena wpływu liczby klatek na sekundę powinna opierać się na metrykach technicznych, a nie na deklarowanym FPS samego pliku. Istotne jest, ile klatek faktycznie przeanalizowano, z jaką skutecznością i z jakim odsetkiem pominięć.

• FPS materiału źródłowego - liczba klatek zapisanych w nagraniu, np. 25, 30, 50 lub 60 FPS.
• Processing FPS - liczba klatek analizowanych przez silnik detekcji w jednostce czasu.
• Sampling rate - czy analizowane są wszystkie klatki, czy np. co druga lub co piąta.
• Recall - odsetek rzeczywistych twarzy wykrytych przez system.
• Precision - odsetek poprawnych wykryć wśród wszystkich wykryć.
• False Negative Rate - udział twarzy pominiętych, krytyczny z punktu widzenia prywatności.
• Intersection over Union (IoU) - miara zgodności położenia prostokąta detekcji z obiektem referencyjnym.
• Temporal continuity - ciągłość wykrycia w kolejnych klatkach.
• Latency przetwarzania - opóźnienie operacyjne, istotne zwłaszcza w przetwarzaniu strumieniowym lub quasi-rzeczywistym; w przetwarzaniu wsadowym ma zwykle mniejsze znaczenie.

Podstawową zależność czasową można zapisać prostym wzorem:

odstęp między klatkami [ms] = 1000 / FPS

Przykładowo:

Optymalne ustawienia FPS dla różnych zastosowań anonimizacji

Nie istnieje jedna wartość FPS optymalna dla wszystkich przypadków. Dobór zależy od dynamiki sceny, odległości kamery od osoby, jakości optyki oraz celu przetwarzania. Dla Inspektora Ochrony Danych ważne jest, by parametry były dobrane pod redukcję ryzyka ujawnienia wizerunku, a nie wyłącznie pod szybkość pracy.

Jeżeli materiał jest analizowany wsadowo, można przetwarzać wszystkie klatki albo stosować detekcję okresową z podtrzymaniem maski przez tracker. Taki model bywa wydajny, ale wymaga walidacji na konkretnym zbiorze testowym. W środowisku zgodności nie należy zakładać skuteczności bez pomiaru recall i odsetka pominiętych klatek.

Technologie wykorzystywane przy detekcji twarzy a FPS

Nowoczesna anonimizacja twarzy opiera się zwykle na modelach uczenia głębokiego. Deep learning jest potrzebny do wytrenowania modelu AI zdolnego do wykrywania twarzy w różnych warunkach - przy częściowym zasłonięciu, zmianie oświetlenia, obrocie głowy czy niskiej jakości obrazu. Taki model jest następnie używany w procesie automatycznego zamazywania twarzy na zdjęciach i nagraniach wideo.

Najczęściej spotykane podejścia techniczne to:

• detekcja każdej klatki niezależnie - najwyższa dokładność temporalna, wyższy koszt obliczeń,
• detekcja co N klatek i śledzenie między nimi - mniejszy koszt, większe ryzyko błędu przy gwałtownym ruchu,
• łączenie detekcji wieloskalowej z trackingiem - dobre dla scen, w których twarz zmienia rozmiar w kadrze.

W praktyce sam FPS pliku nie rozwiązuje problemu, jeśli model działa na zbyt niskiej rozdzielczości wejściowej albo jeśli kompresja powoduje utratę szczegółów. Standardy kodowania, takie jak H.264/AVC (ITU-T H.264 | ISO/IEC 14496-10) i H.265/HEVC (ITU-T H.265 | ISO/IEC 23008-2), mogą wprowadzać artefakty wpływające na jakość detekcji, szczególnie przy niskim bitrate.

Wyzwania i ograniczenia FPS w detekcji twarzy

Wyższa liczba klatek na sekundę poprawia gęstość obserwacji, ale nie eliminuje podstawowych ograniczeń obrazu. Twarz może pozostać niewykryta mimo 60 FPS, jeśli jest zbyt mała, zasłonięta, prześwietlona albo rozmyta przez zbyt długi czas ekspozycji.

Najczęstsze ograniczenia to:

• rozmycie ruchu wynikające głównie z czasu ekspozycji, a nie z niskiego FPS,
• niska rozdzielczość twarzy w pikselach,
• utrata detali przez kompresję międzyklatkową,
• duży kąt odchylenia twarzy i częściowe zasłonięcie,
• próbkowanie tylko części klatek w celu przyspieszenia obliczeń.

Z punktu widzenia ochrony prywatności najistotniejsze są false negatives, czyli pominięte twarze. To one generują ryzyko ujawnienia danych osobowych. Dlatego dla materiałów o podwyższonym ryzyku należy stosować konserwatywne ustawienia analizy i kontrolę jakości wyników.

Odniesienia normatywne i źródłowe

W obszarze anonimizacji wideo FPS nie jest regulowany jednym aktem prawnym, ale jego dobór wpływa na skuteczność środków technicznych wdrażanych dla ochrony danych. W tym sensie należy go rozumieć jako parametr wspierający realizację zasady integralności i poufności oraz privacy by design.

• Rozporządzenie (UE) 2016/679 - RODO, art. 5 ust. 1 lit. f, art. 25, art. 32.
• ISO/IEC 2382 - terminologia informatyczna, w tym pojęcia związane z obrazem i wideo.
• ITU-T H.264 oraz ITU-T H.265 - standardy kompresji wideo wpływające na jakość danych wejściowych dla detekcji.
• NIST Face Recognition Vendor Test (FRVT), raporty bieżące National Institute of Standards and Technology - źródło porównawcze dla skuteczności algorytmów twarzy, z zastrzeżeniem że testy FRVT dotyczą głównie rozpoznawania i weryfikacji, a nie pełnej anonimizacji.

W praktyce zgodności należy dokumentować nie tylko zastosowany model detekcji, ale także parametry materiału wejściowego, w tym FPS, rozdzielczość, kodek i wyniki testów skuteczności na reprezentatywnej próbce danych.