Определение объема видеонаблюдения через данные Google Street View

Непрерывное 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 сбора данных компании Google.

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 действия, он использовался 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 кварталов США, среди многих других инициатив.

Ограниченная статистика распространения систем 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 систем видеонаблюдения. Набор данных Mapillary Vistas является одним из немногих доступных, который предлагает эту функциональность, хотя он включает менее 20 помеченных публичных 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. Помимо правил зонирования и в контексте перmissive 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 публичных камер в США.

Сведения и ограниченные опросы свидетельствуют о том, что распространение видеокамер в США может быть аналогичным Китаю, но это не легко доказать.

Идентификация видеокамер на изображениях Google Street View

Учитывая нехватку доступных данных, исследователи из Стэнфордского университета провели исследование распространения, частоты и распределения публичных 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 исследованных городов США, с плотностью 0,63 и общим количеством камер 1600. Несмотря на это, Нью-Йорк имеет намного больше камер (10100) на большей территории. Источник: https://arxiv.org/pdf/2105.01764.pdf

Среди городов США Бостон был признан имеющим наибольшую плотность идентифицированных камер, в то время как Нью-Йорк имеет наибольшее количество камер – 10100, распределенных на большем расстоянии. В Азии Токио имеет огромное количество оцененных камер – 21700, но Сеул имеет меньшее количество камер (13900), сконцентрированных намного плотнее. Хотя для изображений улиц Лондона было идентифицировано 13000 камер, Париж превосходит его как по количеству идентифицированных камер (13000), так и по плотности покрытия.

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

Среди других ограничивающих факторов 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 – вероятно, потому что «сдерживающий» эффект становится все более неприемлемым или спорным в жилых зонах, что делает камуфлированные или скрытные установки более вероятными.

Учитывая города, исследованные в Европе и Азии, Сеул занимает первое место как наиболее просматриваемая городская среда, с Парижем, не далеко отставая.

Когда в зоне большинство жителей составляют представители этнических или национальных меньшинств, частота установки камер значительно увеличивается, даже с учетом всех смягчающих факторов, рассмотренных исследователями Стэнфордского университета.

Частота видеокамер увеличивается прямо пропорционально увеличению доли национальных меньшинств в районе, согласно исследованию Стэнфордского университета.

Исследование было проведено в два периода, 2011-2015 и 2016-2020 гг. Хотя данные показывают последовательный 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 маски сегментации для этих данных. Модель сегментации была обучена на этих наборах данных против валидационного набора данных (г. Сан-Франциско – см. «Ограничивающие факторы» ниже).

Затем модель была запущена против случайных изображений Street View, и все положительные обнаружения камер были подтверждены людьми, а ложные положительные результаты были удалены.

Слева, исходное изображение из Google Street View. Далее, адаптированная маска сегментации. Третье, алгоритмически полученная идентификация камеры. Справа, идентификация, подтвержденная человеком.

Наконец, каркас рассчитал поле зрения углов камер, чтобы оценить объем покрытия, сопоставленный с контурами зданий и спецификациями дорожной сети.

Другие данные, внесенные в эту матрицу, включали спецификации зданий из OpenStreetMap и использование карт переписи населения США для обеспечения того, чтобы исследование было ограничено административными границами каждого города. Кроме того, проект использовал данные о местонахождении камер в Сан-Франциско из исследования Электронного фонда свободы (EFF), а изображения Google Street View были получены 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 и что многие камеры, находящиеся вне этого диапазона (такие как камеры, установленные на высоте, скрытые или микрокамеры в дверных звонках), вероятно, не были идентифицированы.

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