Bepaling van de Omvang van Video-surveillance via Google Street View-gegevens

Google Street View’s continue coverage van de wereldwegen vertegenwoordigt mogelijk het meest complete, consistente en coherente visuele verslag van de mondiale samenleving, met uitzondering van landen die verboden opleggen aan de rondrijdende data-verzamelende voertuigen van de zoekgigant.

Als inkomstengenererend onderdeel van de infrastructuur van Google Maps, is het Google Street View-panopticon een rijke gegevensbron voor machine learning-analyse. Behalve de neiging om onbewust criminele daden te registreren, is het gebruikt om regionale inkomens te schatten op basis van de kwaliteit van auto’s in Google Street View-afbeeldingen, groen in stedelijke omgevingen te evalueren, nutsvoorzieningspalen te identificeren, gebouwen te classificeren en demografische samenstelling van Amerikaanse buurten te schatten, onder vele andere initiatieven.

Beperkte Statistieken Over Surveillancecamera’s in de Verenigde Staten

Ondanks het brede gebruik van Google Maps-gegevens voor sociaal bewuste machine learning-initiatieven, zijn er maar weinig Street View-gebaseerde datasets die gelabelde voorbeelden van surveillancecamera’s bevatten. De Mapillary Vistas-dataset is een van de weinige beschikbare datasets die deze functionaliteit bieden, hoewel het minder dan 20 gelabelde openbare videocamera’s in de Verenigde Staten bevat.

Veel van de videosurveillance-infrastructuur in de VS komt alleen met de staat in aanraking wanneer autoriteiten om bevestigende beelden vragen na lokale incidenten die mogelijk zijn opgenomen. Buiten zonebeperkingen en in de context van permissive privacywetten die weinig doen om particuliere surveillance van openbare ruimtes aan te pakken, is er geen federaal administratief kader dat harde statistieken kan bieden over het aantal openbare camera’s in de VS.

Anecdotische gegevens en beperkte enquêtes beweren dat de verspreiding van videocamera’s in de VS op gelijke voet kan zijn met China, maar het is niet eenvoudig om dit te bewijzen.

Identificatie van Videocamera’s in Google Street View-afbeeldingen

Gezien deze tekortkoming in beschikbare gegevens, hebben onderzoekers van de Stanford University een studie uitgevoerd naar de prevalentie, frequentie en distributie van openbare videocamera’s die kunnen worden geïdentificeerd in Google Street View-afbeeldingen.

De onderzoekers creëerden een cameradetectiekader dat 1,6 miljoen Google Street View-afbeeldingen in 10 grote Amerikaanse steden en zes andere grote steden in Azië en Europa beoordeelde.

In aflopende volgorde van cameradichtheid, staat Boston bovenaan de lijst van onderzochte Amerikaanse steden, met een recente of huidige dichtheid van 0,63 en een totaal aantal camera’s van 1.600. Ondanks dit, heeft New York City veel meer camera’s (10.100) verspreid over een groter gebied. Bron: https://arxiv.org/pdf/2105.01764.pdf

Van de Amerikaanse steden werd vastgesteld dat Boston de hoogste dichtheid van geïdentificeerde camera’s had, terwijl New York City het hoogste aantal camera’s had met 10.100, verspreid over een groter gebied. In Azië heeft Tokio een enorme 21.700 geschatte camera’s, maar Seoel heeft een kleinere hoeveelheid camera’s (13.900) geconcentreerd in een veel dichtere omgeving. Hoewel 13.000 camera’s werden geïdentificeerd voor Street View-afbeeldingen van Londen, slaat Parijs dit zowel in aantal geïdentificeerde plaatsen (13.000) als in dichtheid van de dekking.

De onderzoekers merken op dat de cameradichtheid sterk varieert tussen de buurten en zones van de steden.

Onder andere beperkende factoren voor de nauwkeurigheid van de enquête (die we later zullen behandelen), merken de onderzoekers op dat camera’s in residentiële gebieden drie keer moeilijker te identificeren zijn dan die in openbare parken, industriële gebieden en gemengde zones – waarschijnlijk omdat het ‘afschrikwekkende’ effect steeds meer onaanvaardbaar of omstreden is in residentiële zones, waardoor camouflage of discreetere plaatsingen waarschijnlijker worden.

Bij de steden in Europa en Azië heeft Seoel de eerste plaats als meest bewaakte stedelijke omgeving, met Parijs niet ver achter.

Waar een zone een meerderheid van etnische of minderheidsbewoners heeft volgens de volkstelling, neemt de frequentie van cameraplacementen aanzienlijk toe, zelfs met alle mitigerende factoren in acht genomen door de Stanford-onderzoekers.

Frequentie van surveillancecamera’s neemt toe in directe verhouding tot de toename van minderheidsdemografie in een buurt, volgens het Stanford-onderzoek.

Het onderzoek werd uitgevoerd over twee tijdperken, 2011-2015 en 2016-2020. Hoewel de gegevens een consistente en soms afwijkende groei van surveillancecamera’s over de negenjarige periode laten zien, suggereren de onderzoekers dat deze verspreiding van surveillancecamera’s mogelijk een ‘tijdelijk plateau’ heeft bereikt.

Methode

De onderzoekers hebben aanvankelijk twee datasets van Street View-afbeeldingen samengesteld, waarvan er een geen videocamera-plaatsingen bevatte, en hebben segmentatiemaskers gegenereerd voor deze.

Een segmentatiemodel werd getraind op deze datasets tegen een validatiedataset (van San Francisco – zie ‘Beperkende factoren’ hieronder).

Vervolgens werd het uitvoermodel uitgevoerd tegen willekeurige Street View-afbeeldingen, met alle positieve cameradetecties bevestigd door mensen en valse positieven verwijderd.

Links, de ruwe afbeelding van Google Street View. Vervolgens, het aangepaste segmentatiemasker. Derde, een algoritme-gebaseerde cameradetectie. Rechts, een door de mens geverifieerde plaatsing.

Ten slotte berekende het kader de gezichtshoek van de camerahoeken om de dekking te schatten, geaggregeerd tegen de voetafdrukken van de betrokken gebouwen en de specificaties van het wegennet.

Andere bijdragende gegevens voor deze matrix omvatten gebouwspecificaties van OpenStreetMap en het gebruik van Amerikaanse volkstellingkaarten om ervoor te zorgen dat het onderzoek beperkt was tot de administratieve grenzen van elke stad. Bovendien gebruikte het project San Francisco-camera-locatiegegevens van een onderzoek van de Electronic Frontier Foundation (EFF), met de Google Street View-afbeeldingen toegankelijk via de Static API.

De onderzoekers schatten de dekking door de gezichtshoek van de Google Street View-camera’s te berekenen tegen gegevens van OpenStreetMap.

Beperkende factoren

De onderzoekers erkennen een aantal beperkende factoren die in overweging moeten worden genomen bij het beoordelen van de resultaten.

Ten eerste, dat de camera’s die door het machine learning-systeem werden geïdentificeerd, later allemaal werden bevestigd of ontkend door menselijke beoordeling, en dat deze beoordeling een feilbare proces is.

Ten tweede, het onderzoek werd beperkt door de beschikbare resolutie van de Street View-afbeeldingen, die de onderzoekers beperkte tot het identificeren van camera’s die binnen dertig meter van het zichtpunt waren geplaatst. Dit betekent niet alleen dat sommige camera’s mogelijk zijn ‘uitgevonden’ door de beperkte resolutie, maar ook dat veel camera’s buiten deze reikwijdte (zoals hoge camera’s, verborgen plaatsingen en micro-camera’s in deurbeluitrusting) waarschijnlijk niet zijn geïdentificeerd.

Ten slotte kan de schatting van stadsspecifieke modelherinnering een beperkende factor zijn in de nauwkeurigheid van de resultaten, aangezien de stad San Francisco, waar de frequentie van surveillancecamera’s al was gelabeld in eerder werk van de EFF, werd toegepast op andere rechtsgebieden om het onderzoek haalbaar te maken.