Poster: Camera Tampering Detection for Outdoor IoT Systems

Technisches Resümee: Erkennung von Kamera-Manipulationen in Outdoor-IoT-Systemen

Problemstellung
Die zunehmende Verbreitung smarter Kameras in der Außenüberwachung und Umweltüberwachung hat erhebliche Zuverlässigkeitsprobleme mit sich gebracht. Diese Systeme, die oft an unbeaufsichtigten Standorten eingesetzt werden, sind anfällig für Manipulationen durch gezielte Vandalismusakte oder extreme Wetterbedingungen (z. B. Stürme). Solche Manipulationen äußern sich in Form von unscharfen Bildern, rotierten Linsen oder verdeckten Sichtfeldern, was die Effektivität der Überwachung beeinträchtigt. Während die manipulationsbasierte Erkennung mittels Video durch den zeitlichen Kontext kontinuierlicher Frames profitiert, ist die Erkennung von Manipulationen in Systemen zur statischen Bildaufnahme (üblich bei der Tiererkennung oder periodischen Überwachung) aufgrund des Fehlens sequenzieller Daten anspruchsvoller. Zudem erfordern bestehende Deep-Learning-Lösungen oft eine erhebliche Rechenleistung, was sie für ressourcenbeschränkte Edge-Geräte wie den ESP32 oder Raspberry Pi 2 ungeeignet macht.

Methodik
Die Autoren schlagen zwei unterschiedliche Ansätze zur Erkennung manipulierter statischer Bilder vor und evaluieren diese: eine leichtgewichtige regelbasierte Methode und ein Deep-Learning-basiertes Convolutional Neural Network (CNN)-Modell.

• Hardware und Datensatz: Die Experimente wurden unter Verwendung eines Raspberry Pi 2 Model B mit einem Camera Module 3 durchgeführt. Ein Datensatz von 3.600 Bildern wurde über 10 Tage gesammelt und in die Kategorien 1.800 normale Bilder, 600 unscharfe, 600 rotierte und 600 mit verdeckten Linsen unterteilt.
• Regelbasierte Methode: Dieser Ansatz etabliert eine Baseline unter Verwendung ausschließlich normaler Bilder, die unter verschiedenen Licht- und Wetterbedingungen aufgenommen wurden.
  • Merkmalsabgleich (Feature Matching): Er nutzt den ORB-Algorithmus (Oriented FAST and Rotated BRIEF) und einen Brute Force Matcher (BFMatcher), um Keypoints zwischen einem Testbild und Referenzbildern zu vergleichen.
  • Logikfluss: Wenn die Anzahl der Übereinstimmungen unter einen kalibrierten Schwellenwert fällt, wird das Bild als abnormal markiert. Nachfolgende Prüfungen differenzieren zwischen Unschärfe (mittels des Laplace-Operators) und leeren/verdeckten Linsen (über die Standardabweichung der Pixelintensität). Wenn die Übereinstimmungen den Schwellenwert überschreiten, schätzt eine Homographie-Matrix die Rotation; Winkel über 50° werden als rotiert klassifiziert.
  • Anforderungen: Diese Methode benötigt lediglich 8 Referenzproben zur Kalibrierung und keine abnormalen Trainingsdaten.
• Deep-Learning-Methode: Ein mit TensorFlow und Keras implementiertes CNN-Modell wurde für die binäre Klassifizierung (normal vs. abnormal) entwickelt.
  • Architektur: Das Modell besteht aus drei Convolutional-Schichten (32, 64 und 128 Filter) mit ReLU-Aktivierung und Max-Pooling, gefolgt von einer Fully-Connected-Schicht (128 Einheiten) und einer Sigmoid-Ausgabeschicht.
  • Training: Das Modell wurde auf einem robusten Datensatz von 2.400 Bildern (1.200 normale, 1.200 abnormale) trainiert, um eine Generalisierung über verschiedene Wetter- und Lichtverhältnisse sicherzustellen.

Wichtigste Ergebnisse
Die Leistung beider Methoden wurde auf einem ausgewogenen Testset von 1.200 Bildern (50 % abnormal) evaluiert.

• Genauigkeit: Das CNN-Modell übertraf die regelbasierte Methode signifikant und erreichte eine Genauigkeit von 99,75 % im Vergleich zu 90,50 % beim regelbasierten Ansatz. Ebenso demonstrierte das CNN eine überlegene Präzision (0,9983 gegenüber 0,9036) und einen F1-Score (0,9974 gegenüber 0,9051).
• Ressourceneffizienz: Die regelbasierte Methode erwies sich als weitaus leichter, mit einer Modellgröße von 8,77 KB gegenüber den 37,8 MB des CNN.
• Verarbeitungszeit: Entgegen der Erwartungen bezüglich der Komplexität von Deep Learning zeigte das CNN eine schnellere durchschnittliche Verarbeitungszeit pro Bild (0,02 Sek.) im Vergleich zur regelbasien Methode (0,07 Sek.) während der Tests.
• Datenabhängigkeit: Die regelbasierte Methode benötigte nur 8 Referenzproben und null abnormale Proben für das Training, während das CNN 2.400 gelabelte Proben erforderte.

Beiträge und Bedeutung
Das Paper leistet drei primäre Beiträge zum Bereich der IoT-Überwachung:

1. Vergleichende Evaluierung: Es bietet einen direkten Vergleich zwischen regelbasierten und Deep-Learning-Ansätzen für die Erkennung von Manipulationen bei statischen Bildern und hebt die Kompromisse zwischen Genauigkeit und Ressourcenbeschränkungen hervor.
2. Öffentlicher Datensatz: Die Autoren stellen einen öffentlich verfügbaren Datensatz bereit, der normale, unscharfe, rotierte und verdeckte Bilder enthält, um die Entwicklung und Evaluierung zukünftiger Erkennungsalgorithmen zu unterstützen.
3. Praktische Erkenntnisse zur Implementierung: Die Studie identifiziert, dass das CNN zwar eine überlegene Genauigkeit bietet, die regelbasierte Methode jedoch eine lebensfähige und notwendige Alternative für Szenarien bleibt, in denen:
   • Edge-Geräte über strikte Speicherbeschränkungen verfügen.
   • Das Sammeln großer Datensätze von abnormalen/manipulierten Bildern unpraktisch, zeitaufwendig oder kostspielig ist.
   • Eine schnelle Kalibrierung ohne eine langwierige Trainingsphase erforderlich ist.

Fazit
Die Autoren kommen zu dem Schluss, dass die Wahl der Erkennungsmethode stark von den Einsatzbeschränkungen abhängt. Das CNN-Modell wird für hohe Genauigkeitsanforderungen bevorzugt, bei denen Rechenressourcen und Datenerhebung realisierbar sind. Im Gegensatz dazu bietet die regelbasierte Methode eine ressourceneffiziente Lösung für eingeschränkte Umgebungen, in denen die Erfassung umfangreicher Trainingsdaten nicht möglich ist. Zukünftige Arbeiten zielen darauf ab, ein Hybridsystem zu entwickeln, das beide Ansätze integriert, um Leistung und Ressourcennutzung auszubalancieren.