Bestimmung des Umfangs der Videoüberwachung durch Google Street View-Daten

Google Street Views kontinuierliche Abdeckung der Weltstraßen stellt möglicherweise das vollständigste, konsistenteste und kohärenteste visuelle Dokument der globalen Gesellschaft dar, mit Ausnahme von Ländern, die Verbote gegen die fahrenden Daten sammelnden Fahrzeuge des Suchgiganten verhängen.

Als einträgliches Mitglied der Google Maps-Infrastruktur ist das Google Street View-Panoptikum ein reicher Datenbestand für die maschinelle Lernalyse. Neben seiner Neigung, unbeabsichtigt kriminelle Akte aufzunehmen, wurde es verwendet, um regionales Einkommen aus der Autoqualität 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 Lernalgorithmen gibt es sehr wenige Street View-basierte Datensätze, die gelabelte Beispiele von Überwachungskameras enthalten. Der Mapillary Vistas-Datensatz ist einer der wenigen verfügbaren, der diese Funktionalität bietet, obwohl er weniger als 20 gelabelte öffentliche Videokameras in den Vereinigten Staaten enthält.

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

Anekdotische Daten und begrenzte Umfragen behaupten, dass die Verbreitung von Videokameras in den USA auf dem gleichen Niveau wie in China liegen könnte, aber es ist nicht leicht, dies zu beweisen.

Identifizierung von Videokameras 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 Videokameras durchgeführt, die in Google Street View-Bildern identifiziert werden können.

Die Forscher erstellten ein Kamerasuchframework, 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 Kamerasdichte 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 viel mehr Kameras (10.100) über eine größere Fläche verteilt. Quelle: https://arxiv.org/pdf/2105.01764.pdf

Von den US-Städten wies Boston die höchste Dichte identifizierter Kameras auf, während New York City die höchste Anzahl an Kameras mit 10.100 aufweist, die über eine größere Entfernung verteilt sind. In Asien hat Tokio 21.700 geschätzte Kameras, aber Seoul hat eine kleinere Anzahl an Kameras (13.900), die viel dichter konzentriert sind. 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 Kamerasdichte zwischen den Stadtteilen und Zonen der Städte stark variiert.

Unter anderen begrenzenden Faktoren für die Genauigkeit der Umfrage (die wir noch ansprechen werden) stellen die Forscher fest, dass Kameras in Wohngebieten dreimal schwieriger zu identifizieren sind als solche in öffentlichen Parks, Industriegebieten und gemischten Zonen – vermutlich, weil der “Abschreckungseffekt” in Wohngebieten zunehmend unerwünscht oder umstritten ist, was zu versteckten oder unauffälligen Placements führt.

Wenn man die in Europa und Asien untersuchten Städte berücksichtigt, belegt Seoul den ersten Platz als am stärksten überwachte städtische Umgebung, gefolgt von Paris.

Wo eine Zone eine von der Volkszählung definierte Mehrheit von ethnischen oder Minderheitsbewohnern aufweist, steigt die Häufigkeit der Kamera-Placements deutlich, auch unter Berücksichtigung aller mildernden Faktoren durch die Stanford-Forscher.

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

Die Forschung wurde über zwei Zeiträume, 2011–2015 und 2016–2020, durchgeführt. Obwohl die Daten ein konsistentes und manchmal aberrantes Wachstum der Überwachungskamera-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 Videokamera-Placements enthielt, und generierten Segmentierungsmasken für diese. Ein Segmentierungsmodell wurde auf diesen Datensätzen gegen ein Validierungsdatensatz (von San Francisco – siehe “Begrenzende Faktoren” unten) trainiert.

Dann wurde das Ausgabemodell gegen zufällige Street View-Bilder ausgeführt, wobei alle positiven Kamerasuchergebnisse durch Menschen bestätigt und falsche Positivergebnisse entfernt wurden.

Links, das rohe Bild von Google Street View. Als nächstes die angepasste Segmentierungsmaske. Drittens, eine algorithmisch abgeleitete Kameraidentifizierung. Rechts, eine durch Menschen verifizierte Platzierung.

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

Andere Beiträge zu diesem Matrix umfassten Gebäudespezifikationen von OpenStreetMap und die Verwendung von US-Volkszählungskarten, um sicherzustellen, dass die Studie auf die administrativen Grenzen jeder Stadt beschränkt war. Zusätzlich verwendete das Projekt San Francisco-Kameralokationsdaten 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 Überprüfung der Ergebnisse berücksichtigt werden sollten.

Zunächst, dass die von dem maschinellen Lernalgorithmus identifizierten Kameras anschließend durch menschliche Überprüfung bestätigt 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 beschränkten, Kameras zu identifizieren, die innerhalb von dreißig Metern von POV platziert waren. Dies bedeutet nicht nur, dass einige Kameras durch die begrenzte Auflösung “erfunden” werden könnten, sondern auch, dass viele außerhalb dieses Bereichs (wie Hochkameras, versteckte Placements und Mikrokameras in Türklingeln) wahrscheinlich nicht identifiziert wurden.

Schließlich kann die Schätzung der stadtweiten Modellrückrufe 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 gelabelt worden war, auf andere Gerichtsbarkeiten angewendet wurde, um die Studie durchführbar zu machen.