Definicja maskowania i blurowania
Maskowanie i blurowanie to techniki obfuskacji stosowane do anonimizacji obrazu i wideo przez celowe zniekształcanie wybranych obszarów, takich jak twarze i tablice rejestracyjne. W ujęciu normatywnym są to formy obfuskacji danych wizualnych opisane w ISO/IEC 20889:2018 jako metody utrudniania identyfikacji osób lub obiektów poprzez degradację informacji wizualnej. Do najczęściej używanych należą rozmycie gaussowskie, pikselizacja, mozaika i maska kryjąca.
W kontekście RODO techniki te są środkiem minimalizacji danych i ochrony prywatności w publikacjach materiałów wideo i zdjęć. Aby obfuskacja była skuteczna, musi obejmować wszystkie klatki, w których obiekt występuje, oraz mieć taki poziom degradacji, by zredukować ryzyko ponownej identyfikacji do poziomu akceptowalnego zgodnie z zasadą privacy by design. Automatyzacja wymaga detekcji obiektów, co w praktyce opiera się na modelach uczenia głębokiego trenowanych na oznaczonych zbiorach danych, a następnie stosowanych do lokalizacji regionów do zamaskowania.
Rola w anonimizacji zdjęć i wideo
Maskowanie i blurowanie są kluczowe przy publikacji lub udostępnianiu nagrań z monitoringu, materiałów reporterskich, szkoleniowych czy badawczych. Twarze i tablice rejestracyjne co do zasady stanowią dane osobowe w rozumieniu RODO, jeśli pozwalają na identyfikację osoby, zwłaszcza w połączeniu z innymi informacjami.
- Twarze: obowiązek anonimizacji wynika z RODO oraz z art. 81 ustawy o prawie autorskim i prawach pokrewnych. Wyjątki przewidziane w art. 81 obejmują osoby publiczne, wizerunek jako element szerszej całości oraz sytuacje, gdy osoba otrzymała umówione wynagrodzenie za pozowanie.
- Tablice rejestracyjne: organy ochrony danych w wielu państwach UE wskazują, że tablica identyfikuje pojazd i może pośrednio identyfikować osobę, co uzasadnia anonimizację przy rozpowszechnianiu materiałów. Wytyczne EDPB 3/2019 dotyczące urządzeń wideo wskazują na konieczność ograniczania identyfikowalności przy ujawnianiu nagrań. W Polsce zagadnienie bywa przedmiotem sporów, a orzecznictwo sądów administracyjnych nie jest jednolite co do uznania tablic za dane osobowe. W praktyce kontrolerzy często stosują zamazywanie tablic, by spełnić zasadę minimalizacji.
W Gallio PRO automatyzacja dotyczy wyłącznie twarzy i tablic rejestracyjnych. Program nie zamazuje sylwetek i nie prowadzi anonimizacji w czasie rzeczywistym. Elementy takie jak logotypy, tatuaże czy dokumenty można maskować ręcznie w edytorze. Rozwiązanie działa on-premise i nie gromadzi logów zawierających dane osobowe ani danych pozwalających na identyfikację wykrytych obiektów.
Technologie maskowania i blurowania
Skuteczna obfuskacja wymaga niezawodnej detekcji, śledzenia i zastosowania właściwego filtra na regionie zainteresowania. Poniżej zarys standardowego łańcucha przetwarzania.
- Detekcja obiektów: algorytmy oparte o uczenie głębokie (np. sieci konwolucyjne do twarzy i tablic). Modele są trenowane na oznaczonych zbiorach danych i działają inferencyjnie offline na CPU lub GPU.
- Śledzenie w czasie: utrzymanie tożsamości obiektu między klatkami, co ogranicza migotanie maski i luki przy częściowych zasłonięciach.
- Ekspansja ROI: powiększenie ramki o margines, aby pokryć różnice w pozycjonowaniu i błąd detektora.
- Filtry obfuskacyjne: rozmycie gaussowskie, pikselizacja, mozaika, wypełnienie jednolite, eliptyczne lub prostokątne maski z miękką krawędzią.
- Eksport i audyt: zapis materiału z obfuskacją oraz dziennik techniczny procesu bez przechowywania danych osobowych.
Kluczowe parametry i metryki
Dobór parametrów wpływa na poziom ochrony i na użyteczność materiału. Zaleca się mierzyć zarówno jakość detekcji, jak i skuteczność uniemożliwienia identyfikacji. Poniżej wybrane parametry i metryki stosowane w praktyce.
Parametr/Metryka | Opis | Jednostka/uwagi
|
|---|---|---|
Próg detekcji | Minimalna wiara modelu dla uznania obiektu | [0-1] |
IoU dla dopasowania | Próg Intersection over Union przy ewaluacji i śledzeniu | typowo 0.5 lub 0.75 |
Recall detekcji | Ułamek rzeczywistych obiektów wykrytych | odniesienie do metryk COCO/PASCAL |
Precision detekcji | Ułamek wykryć będących obiektami | bez jednostki |
Wielkość jądra rozmycia | Rozmiar filtra gaussowskiego | px, np. 21x21 |
Sigma gaussa | Intensywność rozmycia | px |
Rozmiar pikseli mozaiki | Bok bloku pikselizacji | px |
Margines ROI | Procentowe powiększenie maski względem detekcji | % |
Re-identification risk R | Udział udanych identyfikacji po obfuskacji przez silny algorytm rozpoznawania | R = sukcesy/próby |
Anonymization strength S | Miara 1 - R | S = 1 - R |
Latency | Opóźnienie przetwarzania na klatkę | ms/frame |
Throughput | Przepustowość przetwarzania | fps |
Defect rate w QA | Odsetek klatek wymagających korekty manualnej | % |
Wyzwania i ograniczenia
Trzeba liczyć się z kompromisem między ochroną prywatności a wartością analityczną obrazu. Pojawiają się też ryzyka techniczne i prawne.
- Niewykrycie obiektu: ujęcia skrajne, niski kontrast, zasłonięcia, mała skala obiektu.
- Śledzenie: utrata obiektu między klatkami może powodować luki w maskach.
- Odwracalność: słabe rozmycie lub zbyt mała pikselizacja może nie zabezpieczać przed rozpoznaniem przez nowoczesne algorytmy rozpoznawania twarzy.
- Jednoznaczność podstawy prawnej: różnice interpretacyjne co do statusu tablic rejestracyjnych w Polsce a praktyka organów w innych krajach UE.
- Użyteczność: nadmierna obfuskacja obniża wartość dowodową lub szkoleniową materiału.
Przykłady zastosowań
Techniki maskowania i blurowania są stosowane w szeregu procesów przetwarzania obrazu poza reżimem czasu rzeczywistego.
- Publikacja materiałów z monitoringu lub bodycam po incydentach z zamazaniem osób postronnych i tablic.
- Udostępnianie nagrań dla mediów lub społeczności lokalnych z anonimizacją osób i pojazdów.
- Materiały szkoleniowe i e-learning z ochroną wizerunku uczestników.
- Badania i udostępnianie zbiorów wideo z przestrzeni publicznej z anonimizacją twarzy.
Odniesienia normatywne i źródła
Lista obejmuje akty i standardy, które precyzują pojęcia, wymagania oraz praktyki związane z przetwarzaniem obrazu i anonimizacją.
- RODO - Rozporządzenie (UE) 2016/679 z 27.04.2016, art. 5, 25 oraz motywy dot. identyfikowalności.
- EDPB, Wytyczne 3/2019 w sprawie przetwarzania danych osobowych poprzez urządzenia wideo, wersja 2.0 z 29.01.2020.
- ISO/IEC 20889:2018 - Privacy enhancing data de-identification terminology and classification.
- ISO/IEC 29100:2011 - Privacy framework.
- Ustawa o prawie autorskim i prawach pokrewnych, art. 81 - zgoda na rozpowszechnianie wizerunku i wyjątki.
- CNIL, Fiches pratiques dotyczące publikacji wizerunku i danych identyfikacyjnych w obrazie - wskazanie tablic jako danych osobowych.
- AEPD, Guía sobre el uso de videocámaras para seguridad y otras finalidades, wersje aktualizowane - kwalifikacja tablic jako danych osobowych.
- NIST, Face Recognition Vendor Test - materiały dotyczące oceny algorytmów rozpoznawania twarzy; jako kontekst do testów re-identyfikacji można odwoływać się do publikacji NIST FRVT oraz wybranych raportów NISTIR (numeracja zależy od konkretnej edycji).