De Omvang van Video-surveillance Bepalen 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 een inkomstengenererend onderdeel van de Google Maps-infrastructuur, is het Google Street View-panopticon een rijke gegevensbron voor machine learning-analyse. Naast de neiging om onbewust criminele daden te registreren, is het gebruikt om regionale inkomens te schatten op basis van auto-kwaliteit in Google Street View-afbeeldingen, groen in stedelijke omgevingen te evalueren, nutsvoorzieningspalen te identificeren, gebouwen te classificeren en de 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 zeer 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 biedt, hoewel het minder dan 20 gelabelde openbare videocamera’s in de Verenigde Staten bevat.

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

Anecdotal gegevens en beperkte enquêtes beweren dat video-camera-diffusie in de VS gelijk kan zijn aan China, maar het is niet gemakkelijk om dit te bewijzen.

Identificeren van Video-camera’s in Google Street View-afbeeldingen

Gezien dit tekort aan beschikbare gegevens, hebben onderzoekers van de Stanford Universiteit een onderzoek uitgevoerd naar de prevalentie, frequentie en distributie van openbare video-camera’s die in Google Street View-afbeeldingen kunnen worden geïdentificeerd.

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

In afnemende volgorde van camera-dichtheid, 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 had Boston de hoogste dichtheid van geïdentificeerde camera’s, terwijl New York City het hoogste aantal camera’s had met 10.100, verspreid over een groter gebied. In Azië had Tokio een enorme 21.700 geschatte camera’s, maar Seoel had een kleiner aantal camera’s (13.900) geconcentreerd in een veel dichtere omgeving. Hoewel 13.000 camera’s werden geïdentificeerd voor Street View-afbeeldingen van Londen, overtrof Parijs dit zowel in termen van geïdentificeerde plaatsingen (13.000) als dichtheid van dekking.

De onderzoekers merken op dat de camera-dichtheid sterk varieert tussen de buurten en zones van de steden.

Naast 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 omstreden is in residentiële zones, waardoor vermomde of discreet geplaatste camera’s meer waarschijnlijk zijn.

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

Wanneer een zone een meerderheid van etnische of minderheidsbewoners heeft, zoals gedefinieerd door de volkstelling, stijgt de frequentie van camera-plaatsingen aanzienlijk, zelfs met alle mitigerende factoren in aanmerking genomen door de Stanford-onderzoekers.

Surveillance-camera-frequentie stijgt 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 surveillance-camera-plaatsingen over de negenjarige periode laten zien, suggereren de onderzoekers dat deze proliferatie van surveillance-camera’s mogelijk een ‘tijdelijk plateau’ heeft bereikt.

Methode

De onderzoekers compileerden aanvankelijk twee datasets van Street View-afbeeldingen, waarvan een geen video-camera-plaatsingen bevatte, en genereerden segmentatiemaskers voor deze. Een segmentatiemodel werd getraind op deze datasets tegen een validatiedataset (van San Francisco – zie ‘Beperkende factoren’ hieronder).

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

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

Tenslotte berekende het kader de field-of-view van de camera-hoeken om de omvang van de dekking te schatten, gegenereerd tegen de voetafdrukken van de 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 werd beperkt 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 field-of-view van de Google Street View-camera’s te berekenen tegen gegevens van OpenStreetMap.

Beperkende factoren

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

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

Ten tweede, was het onderzoek 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 dit bereik (zoals hoge camera’s, verborgen plaatsingen en micro-camera’s in deurbelbehuizingen) waarschijnlijk niet zijn geïdentificeerd.

Tenslotte kan de schatting van stadsspecifieke model-herroepbaarheid een beperkende factor zijn in de nauwkeurigheid van de resultaten, aangezien de stad San Francisco, waar de frequentie van surveillance-camera’s al was gelabeld in eerder onderzoek van de EFF, werd toegepast op andere rechtsgebieden om het onderzoek haalbaar te maken.