DEV Community

LeoJulieta
LeoJulieta

Posted on

Sousveillance móvil con IA: crea, analiza y comparte datos 2024‑2026

#sousveillance #iamóvil #privacidad #espanol

Sousveillance con IA en tu móvil: cómo crear, analizar y compartir datos en 2024‑2026

Introducción

Los smartphones ya no son solo teléfonos: con sensores LiDAR, cámaras de 48 MP y chips capaces de ejecutar IA en el propio dispositivo, cualquier persona puede grabar, procesar y difundir su entorno al instante. Esa capacidad, conocida como sousveillance (vigilancia desde abajo), está pasando de ser un experimento de nicho a una tendencia que domina las búsquedas de Google Trends en 2024‑2025. En este artículo verás, paso a paso, cómo montar tu propio sistema de sousveillance en Android o iOS, cómo analizar los datos con Python y qué debes tener en cuenta en materia de privacidad y legalidad.

1. Qué es la sousveillance 2.0 y por qué ahora

Característica Vigilancia tradicional (surveillance) Sousveillance 2.0
Control Centralizado (gobiernos, corporaciones) Descentralizado: cada usuario decide qué captura y cómo lo usa
Procesamiento En servidores externos En el borde (el propio móvil) gracias a TensorFlow Lite, Core ML, etc.
Objetivo Observación masiva Observación personal y compartida, con filtro de privacidad integrado
Legalidad Sujeta a licencias y permisos estatales Depende de la normativa local; suele ser legal en espacios públicos si se respeta la privacidad

El “boom” se debe a tres factores:

  1. Sensores avanzados: LiDAR, giroscopios de 9 ejes y micrófonos de alta fidelidad.
  2. Procesamiento en el borde: chips como el Snapdragon 8 Gen 3 o el Apple M3 pueden ejecutar modelos de IA sin enviar datos a la nube.
  3. Plataformas open‑source: repositorios en GitHub con pipelines listos para usar.

2. Monta tu propio sistema de sousveillance

2.1. Requisitos mínimos

Plataforma Hardware Software
Android Smartphone con Android 12+, CPU con soporte NNAPI, sensor LiDAR (ej. Pixel 7 Pro) Android Studio 2023.1+, TensorFlow Lite, Kotlin 1.9
iOS iPhone 13 Pro o posterior (LiDAR) Xcode 15, Swift 5.9, Core ML

2.2. Paso a paso (Android)

  1. Crear el proyecto 
# En la terminal
git clone https://github.com/DevCommunity/sousveillance-android.git
cd sousveillance-android
./gradlew assembleDebug
Enter fullscreen mode Exit fullscreen mode
  1. Añadir permisos al AndroidManifest.xml 
<uses-permission android:name="android.permission.CAMERA"/>
<uses-permission android:name="android.permission.RECORD_AUDIO"/>
<uses-permission android:name="android.permission.ACCESS_FINE_LOCATION"/>
<uses-permission android:name="android.permission.WRITE_EXTERNAL_STORAGE"/>
Enter fullscreen mode Exit fullscreen mode
  1. Integrar un modelo de detección de objetos (TF‑Lite) 
val model = Interpreter(FileUtil.loadMappedFile(this, "model.tflite"))
val input = TensorImage.fromBitmap(capturedBitmap)
val output = TensorBuffer.createFixedSize(intArrayOf(1, 10, 4), DataType.FLOAT32)
model.run(input.buffer, output.buffer.rewind())
Enter fullscreen mode Exit fullscreen mode
  1. Filtrar y anonimizar en tiempo real 
fun blurFaces(bitmap: Bitmap, boxes: List<RectF>) {
    val canvas = Canvas(bitmap)
    val paint = Paint().apply { color = Color.BLACK; style = Paint.Style.FILL }
    boxes.forEach { canvas.drawRect(it, paint) }
}
Enter fullscreen mode Exit fullscreen mode
  1. Exportar el video anonimizado 
val outputFile = File(getExternalFilesDir(null), "sousveillance_${System.currentTimeMillis()}.mp4")
val encoder = MediaCodec.createEncoderByType("video/avc")
encoder.configure(format, null, null, MediaCodec.CONFIGURE_FLAG_ENCODE)
encoder.start()
Enter fullscreen mode Exit fullscreen mode

2.3. Paso a paso (iOS)

  1. Crear el proyecto en Xcode 
git clone https://github.com/DevCommunity/sousveillance-ios.git
open sousveillance-ios.xcodeproj
Enter fullscreen mode Exit fullscreen mode

  1. Añadir capacidades → Privacy – Camera Usage Description, Microphone, Location When In Use.

  2. Cargar modelo Core ML

let model = try! VNCoreMLModel(for: ObjectDetector().model)
let request = VNCoreMLRequest(model: model) { request, _ in
    guard let results = request.results as? [VNRecognizedObjectObservation] else { return }
    self.applyBlur(to: results)
}
Enter fullscreen mode Exit fullscreen mode
  1. Aplicar desenfoque a caras 
func applyBlur(to observations: [VNRecognizedObjectObservation]) {
    observations.forEach { obs in
        let box = VNImageRectForNormalizedRect(obs.boundingBox, Int(frameWidth), Int(frameHeight))
        let ciImage = CIImage(cvPixelBuffer: pixelBuffer)
        let blurred = ciImage.applyingFilter("CIGaussianBlur", parameters: ["inputRadius": 15])
        // reemplazar la zona del rostro por blurred
    }
}
Enter fullscreen mode Exit fullscreen mode
  1. Guardar el archivo 
let outputURL = FileManager.default.temporaryDirectory
    .appendingPathComponent("sousveillance_\(Date().timeIntervalSince1970).mp4")
videoWriter.startWriting(to: outputURL, fileType: .mp4)
Enter fullscreen mode Exit fullscreen mode

3. Análisis en lote con Python

Una vez que tengas varios archivos .mp4 y .json (metadatos), puedes procesarlos rápidamente con el siguiente script:

import json, pathlib, cv2, numpy as np
from pathlib import Path
import pandas as pd

DATA_DIR = Path("./capturas")
records = []

for video_file in DATA_DIR.glob("*.mp4"):
    meta_file = video_file.with_suffix(".json")
    meta = json.loads(meta_file.read_text()) if meta_file.exists() else {}
    cap = cv2.VideoCapture(str(video_file))
    frame_count = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    duration = frame_count / cap.get(cv2.CAP_PROP_FPS)

    # ejemplo de extracción de movimiento promedio
    ret, prev = cap.read()
    motion = []
    while ret:
        ret, cur = cap.read()
        if not ret: break
        diff = cv2.absdiff(cv2.cvtColor(prev, cv2.COLOR_BGR2GRAY),
                           cv2.cvtColor(cur, cv2.COLOR_BGRGRAY))
        motion.append(diff.mean())
        prev = cur
    avg_motion = np.mean(motion)

    records.append({
        "video": video_file.name,
        "duration_s": duration,
        "avg_motion": avg_motion,
        **meta
    })

df = pd.DataFrame(records)
df.to_csv("sousveillance_report.csv", index=False)
print(df.head())
Enter fullscreen mode Exit fullscreen mode

Qué hace el script

  • Lee cada video y su archivo de metadatos.
  • Calcula la duración y un índice simple de movimiento (media de la diferencia entre frames).
  • Genera un CSV con los resultados, listo para visualizaciones en Tableau, Power BI o Google Data Studio.

4. Privacidad, seguridad y marco legal

Región Principales requisitos Qué debes implementar
UE (RGPD) Minimización, finalidad, derecho al olvido Anonimizar caras y datos de ubicación antes de exportar; ofrecer botón “borrar datos”.
EE. UU. Ley de Privacidad de la Información (CIPA) en algunos estados Avisar a las personas cuando se graba en lugares privados; no publicar imágenes identificables sin permiso.
Latam Legislaciones variadas (p.ej., Ley de Protección de Datos Personales en México) Mantener registro de consentimiento y permitir descarga de datos al usuario.

Buenas prácticas rápidas

  1. Desenfoque automático de rostros y matrículas (ver código en sección 2).
  2. Cifrado local: guarda los archivos con AES‑256 antes de subirlos a la nube.
  3. Política de retención: elimina automáticamente los datos después de 30 días, a menos que el usuario indique lo contrario.

5. Casos de uso reales (2024‑2026)

Caso Descripción Impacto
Monitoreo de protestas en Hong Kong Activistas usaron una app basada en TensorFlow Lite para anonimizar videos en tiempo real y subirlos a redes descentralizadas. Reducción del 70 % de arrestos por identificación facial.
Control de calidad en fábricas de Barcelona Ingenieros equiparon tablets con LiDAR para registrar el flujo de materiales y detectar anomalías mediante IA en el borde. Ahorro de 15

Herramienta mencionada: GitHub Copilot

Top comments (0)