Des voitures suivies grâce à des caméras dont personne n’a accès aux images

Ce que le flux de données chiffré d’une caméra révèle, sans exposer l’image

La vidéo chiffrée laisse malgré tout une empreinte nette dans le réseau : chaque image est découpée en paquets dont les tailles et les heures d’arrivée restent visibles sans qu’il soit nécessaire de déchiffrer l’image. Ces indices fournis par les paquets changent lorsqu’une voiture entre dans le champ de vision, car la compression compare chaque nouvelle image à la précédente. Une voiture en mouvement génère plus de détails qu’une rue calme. Cette différence subsiste après chiffrement et est détectée par un système qui ne surveille que les heures d’arrivée et les tailles des paquets. Il ne lit jamais l’image ni la plaque du véhicule. Le détecteur a été entraîné sur 2 607 traces de caméras chiffrées issues de 237 simulations réalisées sur onze caméras, puis évalué sur un ensemble retenu de 242 séquences. Ce test a donné un score F1 de 0,989, qui combine deux taux : la part des passages réels détectés et celle des passages signalés qui sont effectivement vrais. Les erreurs mesurées étaient un taux d’événements manqués nul et un taux d’événements faux de 0,0225 par passage réel. Ces erreurs signifient que chaque indice ne fait qu’indiquer qu’un véhicule est passé près d’une caméra connue à peu près à une heure donnée. Il ne précise pas quelle voiture c’était, de quelle couleur elle était, ni où le conducteur s’est rendu ensuite. L’erreur temporelle mesurée présente un décalage moyen de 0,022 seconde et une dispersion dont l’écart-type est de 0,109 seconde : c’est ce type d’indice faible qui est transmis au système de suivi.

Des indices anonymes et fragiles pour combler les vides entre les caméras accessibles

Entre les caméras réellement exploitables par un système de suivi, une voiture peut disparaître assez longtemps pour que sa position devienne pure spéculation. Les capteurs accessibles sont rares et se situent généralement à des points stratégiques, comme des intersections ou des portails de périmètre. Lorsqu’un d’entre eux détecte un véhicule, il fournit un indice solide : une heure, un lieu et une identité. Dès que la caméra suivante ne l’a pas encore repéré, le système doit propager cette incertitude à travers des rues dépourvues de toute vue directe.

Les événements de passage anonymes peuvent combler partiellement ce vide. Chaque événement ne fournit qu’un horodatage approximatif du passage près d’une caméra tierce connue. Cet horodatage présente un décalage moyen de 0,022 seconde et une dispersion typique de 0,109 seconde. L’indice ne précise pas quelle voiture était présente. Il peut être en retard, en avance, manqué ou erroné. Pourtant, il reste utile car il se situe dans une zone aveugle. Si le système sait que la voiture a quitté une caméra accessible vers le nord puis est apparue plus tard à un autre endroit, un événement anonyme près d’une rue latérale permet d’éliminer les itinéraires qui ne passent jamais à proximité de ce point. La preuve est faible, mais elle n’est pas vide.

Une simulation contrôlée de 120 trajets sur le réseau routier CARLA Town05 a permis de quantifier cette valeur. La zone simulée comptait 12 capteurs directs espacés autour de ses bords et 15 caméras intérieures dont les observations étaient traitées comme des événements de passage anonymes. Avec les seuls capteurs directs, l’erreur moyenne de position était de 92,3 mètres et 35,8 % des trajets se terminaient avec des erreurs supérieures à 100 mètres, ce qui signifiait que la trajectoire estimée avait complètement quitté le bon quartier. L’ajout d’événements anonymes bruités a réduit cette erreur moyenne à 36,8 mètres, soit une baisse de 60,1 %. Les échecs graves sont passés de 35,8 % à 0,3 %, proche du cas quasi parfait où chaque événement intermédiaire était correct.

L’enjeu n’est pas que ces indices remplacent les caméras directes. Ils sont trop grossiers pour cela. Leur valeur apparaît dans les vides, là où un système de suivi devrait sinon se fier uniquement à la vitesse et à la direction. Un passage anonyme unique peut être erroné, mais plusieurs tels événements répartis sur un itinéraire donnent au système des chances répétées d’éliminer les trajets impossibles. Le résultat est une estimation plus lisse de la position du véhicule entre deux repérages forts, même quand personne n’a accès à la vidéo qui a produit ces indices.

Pourquoi la carte routière devient essentielle dès qu’une voiture sort du champ de vision

Dès qu’un véhicule quitte le champ d’une caméra accessible, le système de suivi perd son indice le plus fiable. Le véhicule continue pourtant de circuler dans des rues que personne ne peut surveiller directement. Sa dernière position connue sert alors de point de départ : à partir de là, de nombreux itinéraires semblent possibles jusqu’à ce qu’une carte routière les restreigne. Cette carte n’est pas un espace ouvert. Les voitures ne peuvent ni traverser les îlots, ni survoler les parcs, ni rouler à travers les bâtiments. Elles doivent donc suivre des voies connectées et respecter des temps de trajet plausibles. Le système peut alors écarter les hypothèses qui exigeraient des virages impossibles ou des vitesses irréalistes. C’est surtout pendant les zones aveugles, quand aucune nouvelle observation directe n’arrive, que cette contrainte compte le plus.

Une simulation de 120 trajets à travers une ville générée a mesuré ce gain dès l’apparition de ces zones aveugles. Les contraintes routières ont réduit l’erreur moyenne de position de 27,6 % par rapport à un filtre non contraint utilisant les mêmes indices. Cet avantage s’est accru avec la longueur des intervalles entre observations fiables : il était d’environ 5,4 mètres sur les trajets aux intervalles courts et atteignait environ 26,8 mètres sur les plus longs. Ce schéma pointe vers une dérive : sans carte, les estimations s’éloignent de plus en plus du trajet réel au fil du temps.

Le résultat ne signifie pas que les intersections seules expliquent ce gain. La simulation n’a trouvé aucun lien clair entre le nombre de branches d’un itinéraire et l’apport de la carte routière. En revanche, la carte comptait parce qu’elle maintenait chaque estimation sur des rues où une voiture pouvait réellement se trouver. Pendant les longues zones aveugles, cette règle physique simple a fait plus de travail que la simple extrapolation du mouvement.

Suivre une voiture via des caméras dont on n’a pas l’accès

Un véhicule peut être suivi sur des tronçons aveugles sans jamais voir son visage, sa plaque d’immatriculation ni sa vidéo. L’essentiel tient dans un flux mince de signaux anonymes qui indiquent simplement qu’une voiture est passée près d’une caméra connue, à peu près à une heure donnée. En croisant ces événements faibles avec les observations officielles éparses et la configuration physique des rues, le système de suivi cesse de dériver vers des lieux impossibles.

Dans des tests contrôlés basés sur 120 trajets simulés dans un réseau routier urbain, l’ajout d’indices indirects bruités a fait chuter l’erreur moyenne de position de 92,3 mètres à 36,8 mètres, soit une réduction de 60,1 %. Les pertes catastrophiques sont passées de 35,8 % des trajets à 0,3 %.

Une image simple rend l’idée concrète : une voiture se déplace sur un plan routier. Les caméras officielles ne marquent que quelques points. Les caméras privées ajoutent de faibles repères entre-temps. Et le système utilise la connectivité des rues pour choisir le trajet le plus plausible. Le point fondamental est que les villes possèdent déjà bien plus de matériel de détection qu’un seul opérateur ne peut contrôler directement. Commerces, résidents, entreprises et autres organisations peuvent détenir des caméras qui ne partagent jamais la vidéo brute. Si elles n’exposent que des événements de présence, ou si le trafic chiffré révèle suffisamment d’informations sur les délais et les tailles de paquets pour inférer un passage, le suivi peut s’étendre aux zones où les capteurs officiels sont absents. La même logique pourrait s’appliquer aux détecteurs de mouvement, aux capteurs de proximité ou aux flux qui signalent un déplacement sans identité. Cela rend l’approche utile pour la mobilité urbaine, la sécurité publique, les opérations de sécurité et les contextes de défense où la couverture est coûteuse et l’accès fragmenté.

Les obstacles sont réels : besoins en calibration, conditions réseau changeantes, et le problème plus difficile d’associer des événements anonymes à des véhicules en mouvement. Le détecteur de passage a été entraîné sur des traces de caméras étiquetées. Sa précision peut varier lorsque les codecs, les points de vue ou les conditions sans fil changent. Suivre plusieurs véhicules simultanément reste difficile car un événement ne précise pas quelle voiture l’a produit, si bien que la précision d’attribution diminue à mesure que la densité du trafic augmente. Dans les tests multi-véhicules, la précision d’appariement est passée de 100 % avec une voiture à 87 % avec deux et 63 % avec trois. Les résultats contrôlés montrent une amélioration substantielle dans les conditions modélisées, mais ils ne prouvent pas que les villes réelles peuvent transformer des caméras privées dispersées en une couche de suivi fonctionnelle. La propriété, la vie privée, le coût et les contraintes opérationnelles peuvent limiter l’accès direct. Le pipeline testé est donc un chemin possible plutôt qu’un système urbain prêt à l’emploi.