Определение объема видеонаблюдения с помощью данных Google Street View

Постоянное покрытие улиц мира сервисом Google Street View представляет собой, возможно, наиболее полную, последовательную и связную визуальную запись глобального общества, за исключением стран, которые вводят запреты на передвижные транспортные средства, собирающие данные гиганта поиска.

Как доходная составляющая инфраструктуры Google Maps, паноптикон Google Street View является богатым источником данных для анализа с помощью машинного обучения. Помимо его способности непреднамеренно захватывать преступные акты, он был использован для оценки регионального дохода на основе качества автомобилей на изображениях Google Street View, оценки зеленых насаждений в городской среде, идентификации столбов электропередачи, классификации зданий и оценки демографического состава районов США, среди многих других инициатив.

Ограниченная статистика по распространению камер видеонаблюдения в США

Несмотря на широкое использование данных Google Maps для социально-осведомленных инициатив машинного обучения, существует очень мало наборов данных на основе Street View, которые включают помеченные примеры камер видеонаблюдения. Набор данных Mapillary Vistas является одним из немногих, которые предлагают эту функциональность, хотя он включает менее 20 помеченных общественных видеокамер в США.

Большая часть инфраструктуры видеонаблюдения в США пересекается с государством только тогда, когда власти требуют подтверждающих кадров после местных инцидентов, которые могли быть записаны. За пределами правил зонирования и в контексте пермиссивных законов о конфиденциальности, которые мало что делают для решения проблемы частного наблюдения за общественными пространствами, не существует федеральной административной структуры, которая могла бы предоставить точную статистику о количестве камер, обращенных к общественности, в США.

Сведения и ограниченные опросы утверждают, что распространение видеокамер в США может быть на уровне с Китаем, но это не легко доказать.

Идентификация видеокамер на изображениях Google Street View

Учитывая этот недостаток в доступных данных, исследователи из Стэнфордского университета провели исследование по распространению, частоте и распределению общественных видеокамер, которые можно идентифицировать на изображениях Google Street View.

Исследователи создали каркас обнаружения камер, который оценил 1,6 миллиона изображений Google Street View в 10 крупных городах США и шести других крупных городах Азии и Европы.

В порядке убывания плотности камер, Бостон возглавляет список городов США, рассмотренных в исследовании, с плотностью 0,63 и общим количеством камер 1 600. Несмотря на это, Нью-Йорк имеет намного больше камер (10 100) разбросанных по большей территории. Источник: https://arxiv.org/pdf/2105.01764.pdf

Среди городов США Бостон был признан городом с самой высокой плотностью идентифицированных камер, в то время как Нью-Йорк имеет наибольшее количество камер – 10 100, разбросанных по большей территории. В Азии Токио имеет огромное количество оценочных камер – 21 700, но Сеул имеет меньшее количество камер (13 900), сконцентрированных намного плотнее. Хотя было идентифицировано 13 000 камер для изображений Street View в Лондоне, Париж превосходит это как по количеству идентифицированных установок (13 000), так и по плотности покрытия.

Исследователи отмечают, что плотность камер сильно варьируется между районами и зонами городов.

Среди других ограничивающих факторов для точности опроса (которые мы рассмотрим ниже), исследователи отмечают, что камеры в жилых районах в три раза более трудны для идентификации, чем те, которые установлены в общественных парках, промышленных зонах и смешанных зонах – предположительно потому, что «сдерживающий» эффект становится все более нежелательным или спорным в жилых зонах, что делает маскированные или скрытые установки более вероятными.

Учитывая города, изученные в Европе и Азии, Сеул занимает первое место как наиболее наблюдаемая городская среда, а Париж не далеко позади.

Где зона имеет большинство этнических или национальных жителей, согласно переписи, частота установки камер значительно увеличивается, даже с учетом всех смягчающих факторов, рассмотренных исследователями Стэнфорда.

Частота камер видеонаблюдения увеличивается прямо пропорционально увеличению доли национальных меньшинств в районе, согласно исследованию Стэнфорда.

Исследование было проведено в два периода времени, 2011–2015 и 2016–2020 гг. Хотя данные показывают постоянный и иногда аномальный рост установки камер видеонаблюдения за девятилетний период, исследователи предполагают, что это распространение камер видеонаблюдения может достигнуть «временного плато».

Методология

Исследователи изначально составили два набора данных изображений Street View, один из которых не содержал установок видеокамер, и сгенерировали сегментационные маски для этих данных. Модель сегментации была обучена на этих наборах данных против набора проверки (Сан-Франциско – см. «Ограничивающие факторы» ниже).

Затем модель вывода была запущена против случайных изображений Street View, при этом все положительные обнаружения камер подтверждались людьми, а ложные положительные результаты удалялись.

Слева, исходное изображение из Google Street View. Далее, адаптированная сегментационная маска. Третье, алгоритмически-выведенное обнаружение камеры. Справа, подтвержденная установка человеком.

Наконец, каркас рассчитал поле зрения углов камер, чтобы оценить объем покрытия, собранный против следов зданий и спецификаций дорожной сети.

Другие данные, внесенные в эту матрицу, включали спецификации зданий из OpenStreetMap и использование карт переписи населения США, чтобы обеспечить, что исследование было ограничено административными границами каждого города. Кроме того, проект использовал данные о местонахождении камер в Сан-Франциско из исследования Фонда электронных рубежей (EFF), а изображения Google Street View были доступны через Static API.

Исследователи оценили покрытие, рассчитав поле зрения камер Google Street View против данных из OpenStreetMap.

Ограничивающие факторы

Исследователи признают несколько ограничивающих факторов, которые следует учитывать при рассмотрении результатов.

Во-первых, что камеры, идентифицированные системой машинного обучения, были все последовательно подтверждены или опровергнуты человеческим обзором, и что этот обзор является ошибочным процессом.

Во-вторых, исследование было ограничено доступным разрешением изображений Street View, которое ограничивало исследователей идентификацией камер, установленных в пределах тридцати метров от точки обзора. Это не только означает, что некоторые камеры могли быть «изобретены» из-за ограниченного разрешения, но также, что многие камеры вне этого диапазона (например, высокоуровневые камеры, скрытые установки и микрокамеры в дверных звонках) вряд ли будут идентифицированы.

Наконец, оценка городской модели воспоминания может быть ограничивающим фактором точности результатов, поскольку город Сан-Франциско, где частота камер видеонаблюдения уже была помечена в предыдущей работе EFF, была применена к другим юрисдикциям, чтобы сделать исследование осуществимым.