Pesquisa sobre a prevalência de câmeras em cidades usa o Google Street View

Listen to this article

Uma nova pesquisa da Universidade de Stanford estimou o número de câmeras de videomonitoramento em cidades de todo o mundo usando a visão de máquina e o Google Street View. Relatórios de Ron Alalouff.

Você sabe quantas câmeras CFTV existem em Londres ou em outras grandes cidades ao redor do mundo? Embora tenha havido tentativas de estimar esses números, pesquisas sistemáticas da densidade das câmeras são difíceis de conseguir. Embora alguns estudos tenham procurado estimar o número de câmeras de CFTV instaladas em uma cidade, apenas alguns identificaram suas localizações precisas.

Em um estudo inovador , pesquisadores da Universidade de Stanford, na Califórnia, usaram imagens do Google Street View e algoritmos de visão computacional para contar o número e a densidade de câmeras em 10 grandes cidades dos Estados Unidos e em outras seis grandes cidades ao redor do mundo.

O estudo descobriu que Seul, na Coreia do Sul, tinha o maior número de câmeras por quilômetro linear (0,95), enquanto Seattle tinha o menor, com 0,07 câmeras por quilômetro. Londres – que há muito tem sido apontada como a capital mundial da CFTV – só ficou no meio da tabela com 0,45, surpreendentemente atrás de cidades como Paris (0,76), Boston (0,63) e São Francisco (0,52). Embora, em termos de números absolutos, Londres ainda tivesse cerca de 13.000 câmeras CFTV, atrás apenas de Tóquio e Seul.

Vista de rua do Google

O Street View do Google consiste em milhões de panoramas de 360 ​​graus coletados por câmeras montadas em veículos do Google, cobrindo mais de 10 milhões de milhas em 83 países. Usando visão computacional, a equipe de Stanford analisou 1,6 milhão de imagens do Street View. Com efeito, seu método de pesquisa envolveu câmeras em três níveis: (i) eles usaram uma câmera de visão de máquina para analisar imagens de (ii) câmeras de CFTV, obtidas de (iii) câmeras de 360 ​​graus montadas em veículos.

“Quando as 10 cidades dos EUA foram examinadas com mais detalhes, os pesquisadores descobriram que as câmeras tendem a se concentrar em zonas comerciais, industriais e mistas da cidade, ao invés de áreas residenciais. Eles também eram mais prevalentes em áreas com maiores proporções de residentes não brancos, apontando para os impactos potenciais da tecnologia de vigilância nas comunidades de cor ”.

Para produzir suas estimativas, os pesquisadores construíram um modelo de visão computacional para detectar câmeras a partir de imagens de rua. Eles então aplicaram um algoritmo de visão por computador em uma amostra aleatória de 100.000 imagens de cada cidade para filtrar aquelas que provavelmente conteriam câmeras de vigilância. Essas imagens foram então verificadas por humanos. Então, combinando a geometria do ângulo da câmera, a rede viária e as pegadas do prédio, eles foram capazes de estimar a prevalência e a localização das câmeras em cada cidade.

CCTV-CameraStudy-21Tentativas anteriores de estimar o número e as posições das câmeras tiveram sucesso apenas limitado. A Electronic Frontier Foundation (EFF), por exemplo, publicou as localizações das câmeras acessíveis aos promotores em San Francisco , enquanto os pesquisadores de mercado estimaram o número de câmeras instaladas usando dados de remessas de câmeras. Nenhuma dessas abordagens, no entanto, é capaz de estimar a prevalência e as localizações específicas de câmeras públicas e privadas em escala.

Quando as 10 cidades dos EUA foram examinadas com mais detalhes, os pesquisadores descobriram que as câmeras tendem a se concentrar em zonas comerciais, industriais e mistas da cidade, em vez de em áreas residenciais. Eles também foram mais prevalentes em áreas com maiores proporções de residentes não brancos, apontando para os impactos potenciais da tecnologia de vigilância nas comunidades de cor . Curiosamente, as estimativas das câmeras não variam substancialmente entre os dois períodos considerados (2011-2015 e 2016-2020), sugerindo que a instalação de câmeras nessas cidades pode ter atingido um patamar.

A equipe de Stanford criou conjuntos de dados de treinamento e avaliação para seu modelo de detecção de câmera, pegando cada uma das 2.660 câmeras com geo-tag em São Francisco identificadas pela EFF e puxando as imagens de visão de rua mais próximas. A rotulagem manual das 13.240 imagens resultantes resultou em 861 ocorrências positivas, compreendendo 977 câmeras. Muitas das câmeras listadas pela EFF pareciam estar em ambientes fechados ou não visíveis da rua.

Limitações ao estudo

Existem várias limitações para a pesquisa. Em primeiro lugar, ele depende de câmeras de vigilância sendo capturadas da rua nas imagens do Street View, então as câmeras internas – assim como as externas obscurecidas da visão – não são contadas. Em segundo lugar, devido aos limites da resolução das imagens do Street View, câmeras pequenas são difíceis de detectar por algoritmos ou por humanos, então os resultados provavelmente subestimarão o número de câmeras. Em terceiro lugar, erros na recuperação estimada do modelo de visão por computador e erros na cobertura estimada de imagens podem enviesar quaisquer estimativas.

Por fim, o método utilizado não fornece mais informações sobre as câmeras além do fato de estarem no local, como se estão funcionando ou se são iscas. Da mesma forma, os pesquisadores não podem dizer quem é o proprietário das câmeras, quem tem acesso às imagens e se as imagens das câmeras são armazenadas – fatores que são essenciais para avaliar as consequências posteriores da vigilância por vídeo.

Apesar dessas limitações, os pesquisadores acreditam que sua abordagem e resultados constituem um passo importante para a compreensão da tecnologia de vigilância em todo o mundo, e a metodologia poderia ser estendida e aplicada a uma variedade de outros aspectos das cidades capturados em imagens do Street View.

 

Origem: IFSEC Global

 

Engº Marcelo Marcelo Peres

mpperes@guiadocftv.com.br – GuiadoCFTV

Por favor avalie esta notícia, mande seus comentários e sugestões. Encontrou alguma informação incorreta ou algum erro no texto?

Gostaria de sugerir alguma notícia ou entrar em contato, clique Aqui!

Importante: Todos os Conteúdos divulgados decorrem de informações provenientes das fontes aqui indicadas, jamais caberá ao Guia do CFTV qualquer responsabilidade pelo seu conteúdo, veracidade e exatidão. Tudo que é divulgado é de exclusiva responsabilidade do autor e ou fonte redatora.’

Eng° Marcelo Peres

Eng° Eletricista Enfase em Eletrônica e TI, Técnico em Eletrônica, Consultor de Tecnologia, Projetista, Supervisor Técnico, Instrutor e Palestrante de Sistemas de Segurança, Segurança, TI, Sem Fio, Usuário Linux.

Deixe um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Esse site utiliza o Akismet para reduzir spam. Aprenda como seus dados de comentários são processados.