公共攝像頭的邊界在哪？

相信大家還記得2017年的“水滴直播”，當時該視頻直播平臺上出現(xiàn)了全國多地校園視頻監(jiān)控的直播畫面，被直播的場景包括教室、食堂、操場甚至宿舍，清晰的畫面和聲音讓人仿佛置身校園中。

據(jù)了解，用戶只要購買了某公司的視頻監(jiān)控攝像頭產(chǎn)品，就可以主動選擇把監(jiān)控內(nèi)容分享到該平臺上。

對于此，有看到自己的身影出現(xiàn)在直播畫面中的網(wǎng)友直說“太可怕了”，也有網(wǎng)友表示，“如果完全不知道自己被直播了，這肯定侵犯了隱私權(quán)”。

中國傳媒大學法律系副教授劉文杰評論到，“在不影響社會秩序的前提下，個人在公共場所仍然有權(quán)保持一定的行動自由和安寧”。

但如今面對越來越多的公共監(jiān)控攝像頭，人們的隱私又應該如何才能得到保證呢？

最近，MIT的研究人員就開發(fā)出了一個系統(tǒng)，能夠允許分析師提交視頻數(shù)據(jù)查詢，并在最終結(jié)果中添加一些額外數(shù)據(jù)，也就是噪音，以確保個人不會被識別。

據(jù)了解，該系統(tǒng)建立在對隱私的正式定義之上，也即“差異隱私（differential privacy），這允許系統(tǒng)在不泄露個人身份信息的情況下訪問有關(guān)私人數(shù)據(jù)的匯總統(tǒng)計數(shù)據(jù)。

該研究已經(jīng)以論文的形式進行了發(fā)表。

論文鏈接：

https://arxiv.org/abs/2106.12083

保護隱私的監(jiān)控視頻分析系統(tǒng)，誤差僅2%

目前，安裝公共攝像頭的目的更多還是為了安全考慮，這些攝像頭已經(jīng)變得比過去那些帶顆粒狀的照片要成熟得多了。

而自疫情爆發(fā)以來，視頻監(jiān)控還可以幫助衛(wèi)生人員測量戴口罩的人員比例，以及幫助交通部門監(jiān)測車輛、自行車和行人的密度和流量，同時為企業(yè)提供對購物行為的更好理解。

但是在這一切的便利之下，為什么隱私會是最后才來思考的因素呢？

現(xiàn)在已經(jīng)有一些公司會在視頻中模糊人臉，但這樣類似的做法不僅使分析師無法驗證研究問題，比如他們是否按要求佩戴了口罩，而且這樣的方式并不總是奏效，因為系統(tǒng)可能會跟丟一些人臉數(shù)據(jù)。

針對這一現(xiàn)狀，麻省理工學院計算機科學與人工智能實驗室（CSAIL）的研究人員與其他機構(gòu)合作，共同開發(fā)了一個系統(tǒng)Privid。Privid能夠讓分析師提交視頻數(shù)據(jù)查詢，并在最終結(jié)果中加入噪音數(shù)據(jù)，以確保個人身份無法被識別，以此更好地保證出現(xiàn)在監(jiān)控視頻片段的人的隱私。

通常情況下，分析師需要訪問整個視頻，才能得到要實現(xiàn)或者驗證的目的，但Privid的出現(xiàn)改變了這一情況。

對于分析師而言，他們?nèi)匀豢梢垣@得需要的信息，但訪問權(quán)得到了限制，這對一些惡意的分析師來說更是如此。為了實現(xiàn)這一點，Privid不再一次性在整個視頻上運行代碼，而是將視頻分成小塊，在每塊上運行處理代碼。

同時最終的結(jié)果并不是直接從每個片段中獲得，而是需要將這些片段聚合起來，這其中就包括一些額外添加的噪音。也正是因為噪音數(shù)據(jù)的加入，最終結(jié)果的信息大概會存在2%左右的誤差。

例如，代碼可能會輸出在每個視頻片段中觀察到的人數(shù)，聚合之后得到“總和”，以計算戴口罩的總?cè)藬?shù)，或一個“平均值”，以估計人群密度。

好在，Privid允許分析師使用自己的深度神經(jīng)網(wǎng)絡，這讓分析師可以更加靈活地提出Privid設(shè)計者所沒有預料到的問題。在各種視頻和查詢中，Privid的準確率在非私有系統(tǒng)的79%-99%之間。

麻省理工學院CSAIL博士生、Privid論文的主要作者Frank Cangialosi說，“我們處于一個攝像頭幾乎無處不在的時代。試想每個街角都有攝像頭，你去的每個地方都有攝像頭，那如果有人獲取到了這些數(shù)據(jù)，他們就能建立起某個人出現(xiàn)在某些地點的時間線。人們已經(jīng)在擔心GPS的位置隱私問題，而視頻數(shù)據(jù)的匯總不僅可以捕捉到你的位置歷史，還可以捕捉到你在這些地點的情緒和行為等等”。

添加噪音也是一門學問

除此之外，還值得注意的一點是，論文引入了一個新的關(guān)于隱私的概念。

“基于期限的隱私”（duration-based privacy）將隱私的定義與隱私的執(zhí)行脫鉤。在二者混為一談的情況下，如果隱私目標是保護所有人，那么執(zhí)行機制需要去找到要保護的人，但并不能保證效果。有了這個機制，就不再需要指定所有的東西，也無需隱藏更多的信息。

比方說，我們現(xiàn)在有一段俯瞰一條街道的視頻。Alice和Bob兩個分析師都表示他們想計算每小時經(jīng)過街道的人數(shù)，于是他們提交了一個視頻處理模塊，并要求進行匯總。

第一個分析師Alice是來自城市規(guī)劃部門，他們希望利用這些信息來了解人流模式，為城市規(guī)劃人行道。他們的模型會對人進行計數(shù)，并為每個視頻片段輸出這個計數(shù)。

另一個分析員Bob則是惡意的。他們只希望識別每一次某個人經(jīng)過攝像頭的時間。他們提交的模型就只是在尋找這個人的臉，如果這個人在場系統(tǒng)會輸出一個大數(shù)字，否則就是零。他們希望如果這個人在場，總和會是非零的。

從Privid的角度來看，這兩個查詢看起來是一樣的。很難可靠地確定他們的模型內(nèi)部可能在做什么，或者分析員希望將數(shù)據(jù)用于什么。這就需要噪音登場了。

Privid執(zhí)行了這兩個查詢，并為每個查詢添加了相同數(shù)量的噪聲。在第一種情況下，因為Alice是在計算所有的人，這個噪音只會對結(jié)果產(chǎn)生很小的影響，但很可能不會影響到有用性。

但是在第二種情況下，因為Bob尋找的是一個特定的信號，那么額外添加的噪音就足以使他們無法確定這個人的具體位置。如果他們看到了一個非零的結(jié)果，可能是因為這個人確實在那里，或者是因為模型輸出了“零”，但噪聲使其成為非零。Privid不需要知道任何關(guān)于這個人出現(xiàn)的時間或地點的信息，系統(tǒng)只需要知道這個人可能出現(xiàn)的時間的一個粗略的上限，這比弄清楚確切的位置更容易說明，而這是先前的方法所依賴的。

不過還存在一個問題，那就是要添加多少噪音。

最理想的情況當然是，添加的噪音恰好足以隱藏每個人，但又不至于多到對分析人員毫無用處。向數(shù)據(jù)添加噪音并堅持在時間窗口上進行查詢，意味著結(jié)果不會那樣準確，但并不影響實際參考價值，同時保障更好的隱私。

正如研究人員所總結(jié)的，“在建立Privid時，我們不主張增加公共視頻監(jiān)控和分析，但無法否認的是這類研究已經(jīng)相當普遍”，因此，在這類分析繼續(xù)保持主流增長之勢時，如何改善公共監(jiān)視的隱私環(huán)境，將會成為未來的一大主流課題。

關(guān)鍵詞： 視頻監(jiān)控 研究人員 麻省理工學院