通过谷歌街景数据确定视频监控的范围

谷歌街景对世界主要道路的连续覆盖可能代表了全球社会最完整、一致和连贯的视觉记录，但以下国家/地区除外： 实施禁令 在这家搜索巨头的流动数据收集车辆上。

作为 Google 地图基础设施的创收贡献者，Google 街景全景监狱是用于机器学习分析的丰富数据缝。除了它有可能无意中捕获犯罪行为之外，它还被用来 估计地区收入 从谷歌街景图像中的汽车质量来看， 评估绿化 在城市环境中， 识别电线杆, 对建筑物进行分类 和 评估 美国社区的人口构成以及许多其他举措。

关于美国监控摄像头扩散情况的有限统计数据

尽管谷歌地图的数据广泛用于社会意识机器学习计划，但很少有基于街景的数据集包含监控摄像头的标记示例。 这 Mapillary Vistas 数据集 是提供此功能的少数可用摄像机之一，尽管它在美国包含的标记公共摄像机不到 20 个。

美国的大部分视频监控基础设施仅在当地可能已记录的事件发生后当局要求提供证实的镜头时才与该州相交。 除了分区法规之外，在宽松的隐私法的背景下，这些法律对解决公共空间的私人监控问题几乎没有作用，还有 没有联邦行政框架 它可以提供美国面向公众的摄像头数量的硬统计。

轶事数据和有限的调查表明，摄像机在美国的普及可能是 与中国持平，但要证明并不容易。

识别 Google 街景图像中的摄像机

考虑到可用数据的不足，斯坦福大学的研究人员 进行的一项研究 调查可以在谷歌街景图像中识别的面向公众的摄像机的流行程度、频率和分布。

研究人员创建了一个摄像头检测框架，评估了美国 1.6 个主要城市以及亚洲和欧洲其他 10 个主要城市的 XNUMX 万张 Google 街景图像。

按照摄像头密度的降序排列，波士顿在研究中的美国城市列表中名列前茅，最近或当前的密度为 0.63，摄像头总数为 1,600 个。 尽管如此，纽约市的摄像头数量要多得多（10,100 个），分布在更大的区域。 资料来源：https://arxiv.org/pdf/2105.01764.pdf

在美国城市中，波士顿被发现是最高的 密度 已识别摄像机的数量，而纽约市的数量最多 数 摄像机数量为 10,100 个，分布在更远的距离上。 在亚洲，东京估计有 21,700 个摄像头，但首尔的摄像头数量较少（13,900 个），而且集中度更高。 尽管伦敦的街景图像识别了 13,000 个摄像头，但巴黎在识别的位置 (13,00) 和覆盖密度方面均超过了这一数字。

研究人员观察到，城市的社区和区域之间的摄像头密度差异很大。

在影响调查准确性的其他限制因素（我们将讨论）中，研究人员观察到，住宅区的摄像头识别难度是公园、工业区和混合用途区的摄像头的三倍——大概是这样。因为“威慑”效应在住宅区越来越令人反感或有争议，使得伪装或谨慎放置的可能性更大。

考虑到欧洲和亚洲研究的城市，首尔作为受监测最多的城市环境名列前茅，巴黎紧随其后。

在一个地区人口普查确定的少数民族或少数族裔居民占多数的地区，即使斯坦福大学研究人员考虑了所有缓解因素，摄像头放置的频率也会显着增加。

斯坦福大学的研究表明，监控摄像头的出现频率与社区中少数族裔人口的增加成正比。

该研究在2011-2015年和2016-2020年两个时期进行。 尽管数据显示在九年期间监控摄像头的安装数量持续增长，有时甚至异常增长，但研究人员认为监控摄像头的增长可能已经达到了“暂时的平稳期”。

研究方法

研究人员最初编译了两个街景图像数据集，其中一个没有摄像机的位置，并为这些图像生成了分割掩模。 根据验证数据集（旧金山 - 请参阅下面的“限制因素”），在这些数据集上训练分割模型。

然后，输出模型针对随机街景图像运行，所有正面相机检测均由人类确认，并消除误报。

左图是来自 Google 街景的原始图像。 接下来，调整分割掩模。 第三，基于算法的相机识别。 正确的，经过人工验证的放置。

最后，该框架计算了所涉及摄像机角度的视野，以估计覆盖范围，并与所涉及建筑物的占地面积和道路网络的规格进行核对。

该矩阵的其他贡献数据包括来自 OpenStreetMap 的建筑规范，以及使用美国人口普查地图来确保研究仅限于每个城市的行政范围。 此外，该项目还使用了来自旧金山的相机位置数据 根据一项研究， 由电子前沿基金会 (EFF) 提供，Google 街景图像可通过 静态API.

研究人员通过根据 OpenStreetMap 的数据计算 Google 街景摄像头的视野来估计覆盖范围。

限制因素

研究人员承认在审查结果时应考虑一些限制因素。

首先，机器学习系统识别出的摄像机随后都经过人工审核验证或否定，并且这种审核是一个容易出错的过程。

其次，该研究受到街景图像可用分辨率的限制，这限制了研究人员识别放置在 POV 三十米范围内的摄像机。 这不仅意味着某些摄像头可能是通过有限的分辨率“发明”的，而且还意味着许多超出此范围的摄像头（例如高级摄像头、模糊的位置和门铃配件中的微型摄像头）可能未被识别。

最后，估计特定城市的模型召回率可能是结果准确性的限制因素，因为在 EFF 之前的工作中已经标记了旧金山市的监控摄像头频率，该市被应用于其他司法管辖区，以使得研究可行。