Determinare l’Estensione della Sorveglianza Video tramite i Dati di Google Street View

La copertura continua di Google Street View delle strade del mondo rappresenta probabilmente il record visivo più completo, coerente e coerente della società globale, ad eccezione dei paesi che impongono divieti ai veicoli di raccolta dati del gigante della ricerca.

In quanto contributore che genera entrate per l’infrastruttura di Google Maps, il panopticon di Google Street View è un ricco filone di dati per l’analisi del machine learning. Oltre alla sua tendenza a catturare involontariamente atti criminali, è stato utilizzato per stima del reddito regionale dalla qualità delle auto nelle immagini di Google Street View, valutare la vegetazione negli ambienti urbani, identificare i pali dell’energia elettrica, classificare gli edifici e stima la composizione demografica dei quartieri degli Stati Uniti, tra molti altri iniziative.

Statistica Limitata sulla Diffusione delle Telecamere di Sorveglianza negli Stati Uniti

Nonostante l’ampio utilizzo dei dati di Google Maps per iniziative di machine learning consapevoli socialmente, ci sono pochi set di dati basati su Street View che includono esempi etichettati di telecamere di sorveglianza. Il dataset Mapillary Vistas è tra i pochi disponibili che offrono questa funzionalità, sebbene includa meno di 20 telecamere pubbliche etichettate negli Stati Uniti.

Gran parte dell’infrastruttura di sorveglianza video negli Stati Uniti si interseca con lo Stato solo quando le autorità richiedono immagini di corroborazione dopo incidenti locali che potrebbero essere stati registrati. Oltre alle norme di zonizzazione e nel contesto di leggi sulla privacy permissive che fanno poco per affrontare la sorveglianza privata degli spazi pubblici, non c’è quadro amministrativo federale che possa fornire statistiche precise sul numero di telecamere pubbliche negli Stati Uniti.

I dati aneddotici e le indagini limitate sostengono che la diffusione delle telecamere video negli Stati Uniti potrebbe essere pari a quella della Cina, ma non è facile provarlo.

Identificazione delle Telecamere Video nelle Immagini di Google Street View

Considerando questa carenza di dati disponibili, i ricercatori dell’Università di Stanford hanno condotto uno studio sulla prevalenza, frequenza e distribuzione delle telecamere video pubbliche che possono essere identificate nelle immagini di Google Street View.

I ricercatori hanno creato un framework di rilevamento delle telecamere che ha valutato 1,6 milioni di immagini di Google Street View in 10 grandi città degli Stati Uniti e sei altre grandi città in Asia e Europa.

In ordine discendente di densità di telecamere, Boston si trova al primo posto nella lista delle città degli Stati Uniti esaminate nella ricerca, con una densità recente o attuale di 0,63 e un numero totale di telecamere di 1.600. Nonostante ciò, New York City ha molte più telecamere (10.100) disperse su una superficie più grande. Fonte: https://arxiv.org/pdf/2105.01764.pdf

Tra le città degli Stati Uniti, Boston è stata trovata avere la densità più alta di telecamere identificate, mentre New York City ha il numero più alto di telecamere, con 10.100, sparse su una superficie più grande. In Asia, Tokyo ha un numero enorme di 21.700 telecamere stimate, ma Seoul ha un numero inferiore di telecamere (13.900) concentrate in modo più denso. Sebbene siano state identificate 13.000 telecamere per le immagini di Street View di Londra, Parigi supera questo sia in termini di posizionamenti identificati (13.000) che di densità di copertura.

I ricercatori osservano che la densità delle telecamere varia ampiamente tra i quartieri e le zone delle città.

Tra gli altri fattori limitanti per l’accuratezza della survey (che esamineremo), i ricercatori osservano che le telecamere nelle aree residenziali sono tre volte più difficili da identificare rispetto a quelle posizionate in parchi pubblici, aree industriali e zone miste – presumibilmente perché l’effetto “deterrente” è sempre più obiettabile o controverso nelle zone residenziali, rendendo più probabili posizionamenti camuffati o discreti.

Considerando le città studiate in Europa e Asia, Seoul si trova al primo posto come ambiente urbano più sorvegliato, con Parigi non lontana.

Dove una zona ha una maggioranza di residenti etnici o minoritari definita dal censimento, la frequenza dei posizionamenti delle telecamere aumenta notevolmente, anche con tutti i fattori mitiganti presi in considerazione dai ricercatori di Stanford.

La frequenza delle telecamere di sorveglianza aumenta in proporzione diretta con l’aumento della demografia minoritaria in un quartiere, secondo la ricerca di Stanford.

La ricerca è stata condotta su due periodi di tempo, 2011-2015 e 2016-2020. Sebbene i dati mostrino una crescita costante e a volte anomala del posizionamento delle telecamere di sorveglianza nel corso dei nove anni, i ricercatori suggeriscono che questa proliferazione di telecamere di sorveglianza potrebbe aver raggiunto un “piatto temporaneo”.

Metodologia

I ricercatori hanno inizialmente compilato due set di dati di immagini di Street View, uno dei quali non presentava posizionamenti di telecamere video, e hanno generato maschere di segmentazione per questi. Un modello di segmentazione è stato addestrato su questi set di dati contro un set di dati di convalida (di San Francisco – vedi ‘Fattori limitanti’ sotto).

Quindi il modello di output è stato eseguito su immagini di Street View casuali, con tutte le rilevazioni positive delle telecamere confermate da revisori umani e i falsi positivi rimossi.

A sinistra, l’immagine grezza da Google Street View. Successivamente, la maschera di segmentazione adattata. Terzo, un’identificazione delle telecamere derivata algoritmicamente. A destra, un posizionamento verificato dall’uomo.

Infine, il framework ha calcolato il campo di visione degli angoli di telecamera coinvolti per stimare l’estensione della copertura, raccolta contro le impronte degli edifici coinvolti e le specifiche della rete stradale.

Altri dati contributivi per questa matrice includevano specifiche degli edifici da OpenStreetMap e l’uso di mappe del censimento degli Stati Uniti per assicurarsi che lo studio fosse limitato ai confini amministrativi di ogni città. Inoltre, il progetto ha utilizzato dati sulla posizione delle telecamere di San Francisco da uno studio della Electronic Frontier Foundation (EFF), con le immagini di Google Street View accessibili tramite l’Static API.

I ricercatori hanno stimato la copertura calcolando il campo di visione delle telecamere di Google Street View contro i dati di OpenStreetMap.

Fattori limitanti

I ricercatori ammettono una serie di fattori limitanti che dovrebbero essere presi in considerazione quando si esaminano i risultati.

Innanzitutto, che le telecamere identificate dal sistema di machine learning sono state successivamente verificate o negate da una revisione umana, e che questa revisione è un processo fallibile.

In secondo luogo, lo studio è stato limitato dalla risoluzione disponibile delle immagini di Street View, che ha limitato i ricercatori all’identificazione delle telecamere posizionate entro trenta metri dal POV. Ciò non solo significa che alcune telecamere potrebbero essere state “inventate” attraverso una risoluzione limitata, ma anche che molte al di fuori di questo ambito (come ad esempio telecamere ad alto livello, posizionamenti oscurati e micro-telecamere in supporti per campanelli) non sono state probabilmente identificate.

Infine, la stima della richiamata del modello specifica della città può essere un fattore limitante nell’accuratezza dei risultati, poiché la città di San Francisco, dove la frequenza delle telecamere di sorveglianza era già stata etichettata in lavori precedenti dell’EFF, è stata applicata ad altre giurisdizioni per rendere lo studio fattibile.