2016-2020年间美国10个大城市中经过验证的摄像头的位置。 （图片来源：Sheng、Yao和Goel）
在过去的几十年里，监控摄像头（也被称为闭路电视摄像机）已广泛地被政府、执法人员以及市民群众用于监控公共场所、预防犯罪和识别罪犯。尽管全球安装的数百万个监控摄像头可以在预防犯罪、协助警方调查方面发挥关键的作用,但这也同样极大地影响到了公民隐私。
当监控摄像头与新兴的面部识别技术结合后，它们便能够识别、监控和跟踪个人，这使得这些设备更加具有侵入性。
尽管一些研究估计了全球城市中安装的监控的数量，但只有少数的研究确定了它们的确切位置，这使得评估大规模监控系统的影响以及它们可能侵犯公民隐私的程度变得更加困难。
斯坦福大学的研究人员最近开展了一项旨在调查美国大城市和世界其它国家/地区监控摄像头普及率和位置的研究。他们在AAAI/ACM人工智能、伦理与社会会议上发表的论文中介绍了一种计算机视觉算法，该算法可以通过分析谷歌街景和其他街景图像，来估计监控摄像头的空间分布。
进行这项研究的研究人员之一Hao Sheng说道：“我们的主要目的是了解世界各大城市中监控摄像头的数量和位置。由于手动收集此类数据通常需要投入很高的经费，所以我们寻找、开发一种更方便大规模使用的方法。随着近年来，城市景观的数字资料和计算机视觉技术取得了长足的进步，我们认为将计算机视觉算法应用于现有的街景图像是可行的。”
在他们的研究中，Sheng和他的同事遵循三个主要步骤。首先，随机提取他们观测的每个城市中100,000个随机采样位置的街景图像。他们特别关注美国的10个大城市（洛杉矶、纽约、芝加哥、费城、西雅图、密尔沃基、巴尔的摩、华盛顿特区、旧金山和波士顿）以及全球其他6个城市（东京、曼谷、伦敦、首尔、新加坡和巴黎）。
2016~2020年间美国的10个大城市和其他国家的6个城市的估算相机密度（每公里相机数）。 （图片来源：Sheng，Yao&Goel）
随后，研究人员通过计算机视觉算法分析了他们提取的街景图像，并自动检测其中的监控摄像头。最后他们要求人类参与者浏览图像并验证算法结果的有效性（确认他们是否准确的发现了相机）。
“我们的方法结合了计算机视觉模型（可以快速提取数百万张图像）和人类（可以更准确地在视觉上识别相机）的优点。因此，即使摄像头只占街景图象的一小部分，我们仍然可以高效准确地识别出它们”，Sheng解释道。
Sheng和他的同事分析出了几个有趣的结果。首先，研究人员发现，城市中摄像头的密度与该地的具体用途以及社区的种族特征高度相关。例如，他们发现摄像头更可能安装在城市的商业、工业和混合区，而非公共或住宅区。
Sheng说：“即使在限制土地的使用功能后，我们发现，大多少数族裔社区的摄像头密度比以白人为主的社区高得多。我们仍在努力了解导致这些现象的机制，但我们目前的研究结果表明，有色人种社区受到了不成比例的监视。”
图片来源：Pixabay
这组研究人员收集的研究结果可能对未来在城市中安装监控摄像机具有重要意义。例如，他们可能会引发关于对少数族裔进行严密监控的原因的道德辩论，或关于大规模监控对公民隐私影响的讨论。
在接下来的研究中，Sheng和他的同事计划用他们开发的计算机视觉算法来检查其他类型摄像头，例如门铃摄像头的普及情况。Google Nest和Amazon Ring等门铃摄像头可以让用户看到是否有人在门口，并可以通过智能手机与访客进行远程通信。近年来，尤其是在住宅区，这些智能门铃系统变得特别流行。
“一些研究估计，门铃摄像头的数量可能已经超过了传统的监控摄像头，”Sheng说，“因此，测量它们的普及程度将进一步了解一个社区中被监控范围。我们同时猜想门铃摄像头可以作为一个社区中社交信任度的指标。当然，门铃摄像头通常较小，因此更难从街景中识别到，这可能会给我们的相机检测过程带来新的挑战。”
作者：Ingrid Fadelli
翻译：彭琛
审校：董子晨曦
引进来源：Tech Xplore
京公网安备11010502039775号
