Anonimización en imágenes mediante la aplicación de Redes Convolucionales.

Abstract

[ES] El objetivo del presente trabajo es la anonimización de datos en imágenes mediante el uso de Machine Learning. Hoy en día los datos son un atributo intrínseco a las personas, gran parte de éstos son de carácter confidencial, es por ello por lo que actualmente el concepto de anonimización de datos juega un papel muy importante. Gracias a ello, es posible la manipulación y el procesado de los datos sin que la confidencialidad de las personas se vea afectada.

Para lograr el objetivo propuesto, se hará previamente un estudio sobre distintas técnicas en la detección de objetos dentro de imágenes, para finalmente justificar el uso de una estructura YOLOv5. Posteriormente se creará un sistema que genere datos sintéticos y etiquetados, y se aplicará distintas técnicas de manipulación de imagen para abarcar un mayor rango de iluminaciones y enfoque. Tras ello, se utilizará una herramienta que facilita la creación de distintas topologías y variación de parámetros de una YOLOv5; éstas serán entrenadas a partir de la generación de \textit{datasets} sintéticos para posteriormente detectare caras y matrículas en imágenes reales y proceder a anonimizarlas aplicando un difuminado sobre la zona de detección. Finalmente se estudiará y analizará la confianza y el comportamiento de las distintas topologías a la hora de anonimizar.

[EN] The objective of this project is the anonymization of data in images through the use of Machine Learning. Nowadays, data is an intrinsic attribute to people, a large part of these are confidential, that is why currently the concept of data anonymization plays a very important role. Thanks to this, it is possible to manipulate and process data without affecting the confidentiality of individuals.

To achieve the proposed objective, a study will be previously done on different techniques in objects detection within images, to finally justify the use of the \textit{YOLOv5} structure. Subsequently, a system will be created that generates synthetic and labeled data, and different image manipulation techniques will be applied to cover a greater range of illumination and focus. After that, a tool will be used for the creation of different topologies and variation of parameters of a YOLOv5; these will be trained from the generation of synthetic datasets to later detect faces and license plates in real images and proceed to anonymize them by applying a blur on the detection area. Finally, the confidence and behavior of the different topologies when anonymizing will be studied and analyzed.