[论文解读] Observing Responses to the COVID-19 Pandemic using Worldwide Network Cameras

Isha Ghodgaonkar, Abhinav Goel+19 more|arXiv (Cornell University)|May 18, 2020

Anomaly Detection Techniques and Applications参考文献 4被引用 5

一句话总结

本文提出了一套大规模、自动化的系统，利用公开可访问的网络摄像头监测全球对COVID-19封锁措施的反应。通过在110个国家发现超过30,000个摄像头并收集实时视觉数据，研究揭示了从2019年春季到2020年春季全球范围内公共人群密度出现显著且一致的下降，证明了在大流行期间通过远程、非侵入方式观察社会行为的可行性。

ABSTRACT

COVID-19 has resulted in a worldwide pandemic, leading to "lockdown" policies and social distancing. The pandemic has profoundly changed the world. Traditional methods for observing these historical events are difficult because sending reporters to areas with many infected people can put the reporters' lives in danger. New technologies are needed for safely observing responses to these policies. This paper reports using thousands of network cameras deployed worldwide for the purpose of witnessing activities in response to the policies. The network cameras can continuously provide real-time visual data (image and video) without human efforts. Thus, network cameras can be utilized to observe activities without risking the lives of reporters. This paper describes a project that uses network cameras to observe responses to governments' policies during the COVID-19 pandemic (March to April in 2020). The project discovers over 30,000 network cameras deployed in 110 countries. A set of computer tools are created to collect visual data from network cameras continuously during the pandemic. This paper describes the methods to discover network cameras on the Internet, the methods to collect and manage data, and preliminary results of data analysis. This project can be the foundation for observing the possible "second wave" in fall 2020. The data may be used for post-pandemic analysis by sociologists, public health experts, and meteorologists.

研究动机与目标

• 开发一种可扩展的自动化方法，用于在不危及人类观察者的情况下观察大流行政策的社会反应。
• 通过创建发现和数据收集工具，解决异构、去中心化的网络摄像头数据源带来的挑战。
• 通过现有公共摄像头基础设施，为社会学家、公共卫生专家和计算机科学家提供持续、实时的视觉数据集，用于大流行后分析。
• 评估计算机视觉在分析大规模公共卫生事件期间人群行为方面的潜力。
• 为利用现有公共摄像头基础设施监测未来大流行波次奠定基础。

提出的方法

• 使用网络爬虫从种子URL开始，发现托管网络摄像头信号的网站。
• 通过分析像素数据的时间变化，摄像头识别模块可区分实时视频流与静态或过时的图像。
• 图像存档模块以定期间隔从每个发现的摄像头收集最新快照，支持并行处理以实现可扩展性。
• 独立的视频流工具从兼容摄像头捕获实时视频数据，支持时间序列分析。
• 数据收集始于2020年3月初，每周累积数据量达0.5TB。
• 该系统遵守隐私准则，仅分析人群密度的聚合数据，不识别个人身份。

实验结果

研究问题

• RQ1 如何系统性地发现并收集来自全球多样化来源的大规模、实时视觉数据，这些数据源自公共网络摄像头？
• RQ2 在大流行封锁期间，公共场所的人类活动和人群密度在多大程度上表现出可测量的变化？
• RQ3 从网络摄像头自动收集的视觉数据能否作为观察社会对公共卫生政策反应的可靠、非侵入性方法？
• RQ4 在全球大流行期间，不同国家和城市中心的社交距离和移动模式行为有何差异？
• RQ5 计算机视觉在多大程度上能够分析来自公共摄像头的低分辨率、受环境光照影响的视觉数据，以检测行为趋势？

主要发现

• 在六大洲的110个国家发现了超过30,000个网络摄像头，形成了全球分布的视觉数据集。
• 视觉对比显示，从2019年到2020年，纽约市、伦敦、都柏林和罗马等主要城市中心的公共人群密度出现一致且显著的下降。
• 在纽约时代广场，2019年4月的人流量很高，而到2020年4月已降至接近零。
• 在意大利，圣彼得广场和梵蒂冈在2020年均无可见人群，与2019年的大规模聚集形成鲜明对比。
• 在威尔士巴里和加拿大卡尔加里的海滩，尽管2019年是热门旅游景点，但2020年却几乎无人问津。
• 2020年都柏林的圣帕特里克节与2015年热闹的人群相比，街道上的人数显著减少，反映出强制执行的社交距离措施。