Die Ausdehnung der Videoüberwachung durch Google Street View-Daten bestimmen

Die kontinuierliche Abdeckung der Weltstraßen durch Google Street View stellt möglicherweise das umfassendste, konsistenteste und kohärenteste visuelle Dokument der globalen Gesellschaft dar, mit Ausnahme von Ländern, die Einschränkungen für die Daten sammelnden Fahrzeuge des Suchgiganten auferlegen.

Als einträglicher Beitrag zur Infrastruktur von Google Maps ist das Google Street View-Panoptikum eine reiche Datenquelle für die Analyse durch maschinelles Lernen. Neben seiner Neigung, unbeabsichtigt kriminelle Akte aufzunehmen, wurde es verwendet, um regionale Einkommen aus der Qualität von Autos in Google Street View-Bildern zu schätzen, Grünflächen in städtischen Umgebungen zu bewerten, Strommasten zu identifizieren, Gebäude zu klassifizieren und die demografische Zusammensetzung von US-Nachbarschaften zu schätzen, unter vielen anderen Initiativen.

Begrenzte Statistiken über die Verbreitung von Überwachungskameras in den Vereinigten Staaten

Trotz der weiten Nutzung von Google Maps-Daten für sozial bewusste maschinelle Lerninitiativen gibt es sehr wenige Street View-basierte Datensätze, die bezeichnete Beispiele von Überwachungskameras enthalten. Der Mapillary Vistas-Datensatz ist einer der wenigen verfügbaren, der diese Funktionalität bietet, obwohl er weniger als 20 bezeichnete öffentliche Video-Kameras in den Vereinigten Staaten enthält.

Ein großer Teil der Videoüberwachungs-Infrastruktur in den USA überschneidet sich nur mit dem Staat, wenn die Behörden nach lokalen Vorfällen, die möglicherweise aufgezeichnet wurden, um Nachweise bitten. Jenseits von Zonengesetzen und im Kontext von permissiven Datenschutzgesetzen, die wenig tun, um private Überwachung von öffentlichen Räumen anzugehen, gibt es kein bundesweites Verwaltungsrahmen, der harte Statistiken über die Anzahl der öffentlich zugänglichen Kameras in den USA liefern kann.

Anekdotische Daten und begrenzte Umfragen behaupten, dass die Verbreitung von Video-Kameras in den USA mit China vergleichbar sein könnte, aber es ist nicht leicht, dies zu beweisen.

Identifizierung von Video-Kameras in Google Street View-Bildern

Angesichts dieses Mangels an verfügbaren Daten haben Forscher der Stanford University eine Studie über die Häufigkeit und Verteilung der öffentlich zugänglichen Video-Kameras durchgeführt, die in Google Street View-Bildern identifiziert werden können.

Die Forscher erstellten ein Kameras-Erkennungs-System, das 1,6 Millionen Google Street View-Bilder in 10 großen US-Städten und sechs anderen großen Städten in Asien und Europa auswertete.

In absteigender Reihenfolge der Kameras-Dichte liegt Boston an erster Stelle der in der Studie untersuchten US-Städte, mit einer aktuellen Dichte von 0,63 und einer Gesamtzahl von 1.600 Kameras. Trotzdem hat New York City mit 10.100 Kameras, die über ein größeres Gebiet verteilt sind, die höchste Anzahl an Kameras. Quelle: https://arxiv.org/pdf/2105.01764.pdf

Von den US-Städten hat Boston die höchste Dichte an identifizierten Kameras, während New York City die höchste Anzahl an Kameras mit 10.100 hat, die über ein größeres Gebiet verteilt sind. In Asien hat Tokio eine enorme Anzahl von 21.700 geschätzten Kameras, aber Seoul hat eine geringere Anzahl an Kameras (13.900) konzentriert in einem kleineren Gebiet. Obwohl 13.000 Kameras für Street View-Bilder von London identifiziert wurden, übertrifft Paris dies sowohl in Bezug auf identifizierte Plätze (13.000) als auch in Bezug auf die Dichte der Abdeckung.

Die Forscher stellen fest, dass die Kameras-Dichte zwischen den Nachbarschaften und Zonen der Städte stark variiert.

Unter anderen begrenzenden Faktoren für die Genauigkeit der Umfrage (die wir später besprechen werden) stellen die Forscher fest, dass Kameras in Wohngebieten dreimal schwieriger zu identifizieren sind als solche in öffentlichen Parks, Industriegebieten und Mischzonen – vermutlich, weil der “Abschreckungseffekt” in Wohngebieten zunehmend unangenehm oder umstritten ist und versteckte oder unauffällige Placements wahrscheinlicher macht.

Bei der Betrachtung der in Europa und Asien untersuchten Städte liegt Seoul an erster Stelle als das am meisten überwachte städtische Umfeld, gefolgt von Paris.

Wenn eine Zone eine von der Volkszählung definierte Mehrheit von ethnischen oder Minderheitsbewohnern hat, steigt die Häufigkeit von Kameras-Placements deutlich, selbst wenn alle milden Faktoren von den Stanford-Forschern berücksichtigt werden.

Die Häufigkeit von Überwachungskameras steigt in direktem Verhältnis zur Zunahme der Minderheitendemografie in einer Nachbarschaft, laut Stanford-Forschung.

Die Forschung wurde über zwei Zeiträume durchgeführt, 2011–2015 und 2016–2020. Obwohl die Daten ein konsistentes und manchmal aberrantes Wachstum der Überwachungskameras-Placements über den neunjährigen Zeitraum zeigen, schlagen die Forscher vor, dass diese Verbreitung von Überwachungskameras möglicherweise ein “vorübergehendes Plateau” erreicht hat.

Methodik

Die Forscher haben zunächst zwei Datensätze von Street View-Bildern zusammengestellt, von denen einer keine Video-Kameras-Placements enthielt, und generierten Segmentierungs-Masken für diese. Ein Segmentierungs-Modell wurde auf diesen Datensätzen gegen ein Validierungs-Datensatz (von San Francisco – siehe “Begrenzende Faktoren” unten) trainiert.

Dann wurde das Ausgabe-Modell gegen zufällige Street View-Bilder ausgeführt, wobei alle positiven Kameras-Erkennungen von Menschen bestätigt und falsche Positivergebnisse entfernt wurden.

Links, das rohe Bild von Google Street View. Next, die adaptierte Segmentierungs-Maske. Drittens, eine algorithmisch abgeleitete Kameras-Erkennung. Rechts, eine von Menschen überprüfte Platzierung.

Zuletzt berechnete das System den Sichtbereich der Kameras-Winkel, um den Umfang der Abdeckung zu schätzen, der gegen die Fußabdrücke der beteiligten Gebäude und die Spezifikationen des Straßennetzes zusammengefasst wurde.

Andere Beitrags-Daten für diese Matrix umfassten Gebäude-Spezifikationen von OpenStreetMap und die Verwendung von US-Volkszählungskarten, um sicherzustellen, dass die Studie auf die administrativen Grenzen jeder Stadt beschränkt war. Darüber hinaus verwendete das Projekt San Francisco-Kameras-Platzierungs-Daten aus einer Studie der Electronic Frontier Foundation (EFF), wobei die Google Street View-Bilder über die Static API abgerufen wurden.

Die Forscher schätzten die Abdeckung, indem sie den Sichtbereich der Google Street View-Kameras gegen Daten von OpenStreetMap berechneten.

Begrenzende Faktoren

Die Forscher räumen eine Reihe von begrenzenden Faktoren ein, die bei der Bewertung der Ergebnisse berücksichtigt werden sollten.

Erstens, dass die von dem maschinellen Lern-System identifizierten Kameras alle von Menschen überprüft oder negiert wurden, und dass diese Überprüfung ein fehlerhaftes Verfahren ist.

Zweitens war die Studie durch die verfügbare Auflösung der Street View-Bilder begrenzt, die die Forscher darauf beschränkte, Kameras zu identifizieren, die innerhalb von dreißig Metern von POV platziert waren. Dies bedeutet nicht nur, dass einige Kameras möglicherweise durch die begrenzte Auflösung “erfunden” wurden, sondern auch, dass viele außerhalb dieses Bereichs (wie Hochkameras, versteckte Placements und Mikro-Kameras in Türklingeln) wahrscheinlich nicht identifiziert wurden.

Schließlich kann die Schätzung der stadt-spezifischen Modell-Genauigkeit ein begrenzender Faktor für die Genauigkeit der Ergebnisse sein, da die Stadt San Francisco, in der die Häufigkeit von Überwachungskameras bereits in vorherigen Arbeiten der EFF bezeichnet worden war, auf andere Gerichtsbarkeiten angewendet wurde, um die Studie durchführbar zu machen.