Автоцензор для Google Glass и носимых камер Андрей Васильков

Автоцензор для Google Glass и носимых камер

Андрей Васильков

Опубликовано 28 января 2014

На февральском симпозиуме по сетевым и распределённым системам безопасности в Сан-Диего будет представлена разработка под названием PlaceAvoider.

Google Glass и другие носимые устройства наполняют наш быт вездесущими камерами. Они были разработаны, чтобы помочь людям документировать их повседневную жизнь, делиться видеозаписями от первого лица и фотографировать неожиданные скоротечные моменты. 

С другой стороны, способность делать фотографии и снимать видео в фоновом режиме, а также лёгкость отправки этого контента в социальные сети поднимает серьёзные вопросы конфиденциальности. Как минимум владельцы таких устройств могут получать снимки, нарушающие тайну частной жизни, охрану коммерческих интересов и врачебную этику.

_{Google Glass уже используются в некоторых клиниках (фото: hitconsultant.net).}

Пользователи подобных устройств нуждаются в способах автоматически идентифицировать изображения, распространение которых может повлечь для них серьёзные правовые последствия. В качестве первого шага группа разработчиков из школы информатики и вычислительной техники при Университете штата Индиана предлагает своё решение — PlaceAvoider. 

Это набор алгоритмов для Google Glass и других оснащённых камерами устройств, создающий обновляемый «чёрный список» мест, в которых съёмка нежелательна или категорически запрещена.

Руководитель группы Апу Кападия (Apu Kapadia) так комментирует проблему, которая привела к идее создания PlaceAvoider: «Ни у кого просто нет времени, чтобы вручную исключать из подборки для соцсетей приватные кадры из тысяч изображений, которые эти устройства могут генерировать каждый день».

Авторы проекта считают, что сегодня системы компьютерного зрения недостаточно совершенны, чтобы в деле отсева приватных фото полагаться только на алгоритмы распознавания образов. Поэтому в своей разработке они используют принципы машинного обучения и предлагают пользователю корректировать результаты обработки. 

_{Снимайте Google Glass до того, как войти в спальню (изображение: Edward Hopper / artsyforager.com).}

В «чёрный список» можно внести места с разными уровнями ограничений. От умеренного (ванная, спальня) до высшего (лаборатория Skunk works). В первом случае PlaceAvoider будет распознавать изображения, полученные в таких местах, и отмечать их как требующие анализа, прежде чем они станут доступными для приложений и смогут быть загружены в интернет. На режимных объектах, скорее всего, никакие алгоритмы не помогут. Посетителям просто запретят вносить устройства с камерами, даже если они уже стали частью их тела, как бионические гаджеты Стива Мэнна.   PlaceAvoider рассчитан на законопослушных пользователей и применяется подобно файлу robots.txt, сообщающему поисковым роботам о нежелательности индексации веб-страниц. Это инструмент помощи, а не ограничения. 

_{PlaceAvoider — примеры корректного (вверху) и некорректного (внизу) определения места съёмки (изображение: Robert Templeman, Apu Kapadia et al. / cs.indiana.edu).}

Свой главный алгоритм группа Кападии называет SIFT (scale-invariant feature transform) — масштабно-инвариантная функция преобразования. Среди массы визуальных образов отыскиваются специфические элементы с высокой контрастностью по краям. Такие фрагменты изображений, как окна и дверные проёмы, остаются во многом визуально постоянными даже в изменяющихся условиях освещённости и с разных ракурсов. По наборам таких фрагментов создаются «цифровые отпечатки пальцев» — до 128 уникальных маркеров, помогающих идентифицировать место съёмки без использования GPS.

Работая с Google Glass, Autographer, Narrative Clip и другими носимыми камерами, PlaceAvoider разбивает изображение на крупные и мелкие фрагменты. Далее по ним выполняется поиск конкретных объектов, характеризующих принадлежность снимка к «чёрному списку». Оценивается их форма, цвет и текстура, а результаты передаются вероятностной аналитической платформе. 

Сейчас метод тестируется на пяти реалистических наборах данных изображений и уже показывает оптимистичные результаты. В частности, анализ оказался устойчив к таким явлениям, как нерезкость изображения, размытие в движении и другие искажающие воздействия.

По предварительным оценкам, системе удаётся точно определить, где именно были сделаны изображения в домах и на рабочих местах в 89,8% случаев.

К оглавлению