Poster: Camera Tampering Detection for Outdoor IoT Systems

Technische Samenvatting: Detectie van Cameramanipulatie voor Outdoor IoT-systemen

Probleemstelling
De proliferatie van slimme camera's voor buiten surveillance en omgevingsmonitoring heeft aanzienlijke betrouwbaarheidsproblemen geïntroduceerd. Deze systemen, die vaak op onbeheerde locaties worden ingezet, zijn kwetsbaar voor manipulatie door opzettelijke vandalisme of barre weersomstandigheden (bijv. stormen). Dergelijke manipulatie manifesteert zich als onscherpe beelden, gedraaide lenzen of geblokkeerde uitzichten, wat de effectiviteit van de monitoring vermindert. Hoewel video-gebaseerde detectie van manipulatie profiteert van de temporele context die door continue frames wordt geboden, is het detecteren van manipulatie in statische beeldopnamesystemen (gebruikelijk bij dierdetectie of periodieke monitoring) uitdagender vanwege het gebrek aan sequentiële gegevens. Bovendien vereisen bestaande deep learning-oplossingen vaak aanzienlijke rekenkracht, waardoor ze ongeschikt zijn voor resource-beperkte edge-apparaten zoals de ESP32 of Raspberry Pi 2.

Methodologie
De auteurs stellen twee verschillende benaderingen voor en evalueren deze voor het detecteren van gemanipuleerde statische beelden: een lichtgewicht regelgebaseerde methode en een deep learning-gebaseerd Convolutioneel Neuraal Netwerk (CNN)-model.

• Hardware en Dataset: Experimenten werden uitgevoerd met een Raspberry Pi 2 Model B met een Camera Module 3. Een dataset van 3.600 afbeeldingen werd verzameld over een periode van 10 dagen, gecategoriseerd in 1.800 normale afbeeldingen, 600 onscherpe, 600 gedraaide en 600 met geblokkeerde lenzen.
• Regelgebaseerde Methode: Deze benadering stelt een baseline vast met alleen normale afbeeldingen die zijn vastgelegd onder verschillende licht- en weersomstandigheden.
  • Feature Matching: Het maakt gebruik van het ORB-algoritme (Oriented FAST and Rotated BRIEF) en de Brute Force Matcher (BFMatcher) om keypoints tussen een testafbeelding en referentieafbeeldingen te vergelijken.
  • Logische Flow: Als het aantal matches onder een gekalibreerde drempelwaarde valt, wordt de afbeelding als abnormaal gemarkeerd. Vervolgaanberekeningen differentiëren tussen onscherpte (met behulp van de Laplaciaanse operator) en lege/geblokkeerde lenzen (via de standaarddeviatie van de pixelintensiteit). Als de matches de drempelwaarde overschrijden, schat een homografie-matrix de rotatie; hoeken die meer dan 50° afwijken, worden geclassificeerd als gedraaid.
  • Vereisten: Deze methode vereist slechts 8 referentiesamples voor kalibratie en geen abnormale trainingsdata.
• Deep Learning Methode: Een CNN-model geïmplementeerd met TensorFlow en Keras werd ontworpen voor binaire classificatie (normaal vs. abnormaal).
  • Architectuur: Het model bestaat uit drie convolutionele lagen (32, 64 en 128 filters) met ReLU-activatie en max-pooling, gevolgd door een volledig verbonden laag (128 eenheden) en een sigmoid outputlaag.
  • Training: Het model werd getraind op een robuuste dataset van 2.400 afbeeldingen (1.200 normaal, 1.200 abnormaal) om generalisatie over diverse weer- en lichtomstandigheden te waarborgen.

Belangrijkste Resultaten
De prestaties van beide methoden werden geëvalueerd op een gebalanceerde testset van 1.200 afbeeldingen (50% abnormaal).

• Nauwkeurigheid: Het CNN-model presteerde aanzienlijk beter dan de regelgebaseerde methode, met een nauwkeurigheid van 99,75% vergeleken met 90,50% voor de regelgebaseerde aanpak. Op dezelfde wijze demonstreerde het CNN een superieure precisie (0,9983 vs. 0,9036) en F1-score (0,9974 vs. 0,9051).
• Resource Efficiëntie: De regelgebaseerde methode bleek veel lichtgewicht te zijn, met een modelgrootte van 8,77 KB tegenover de 37,8 MB van het CNN.
• Verwerkingstijd: In tegen tegenstelling tot de verwachtingen over de complexiteit van deep learning, vertoonde het CNN een snellere gemiddelde verwerkingstijd per afbeelding (0,02 sec) vergeleken met de regelgebaseerde methode (0,07 sec) tijdens het testen.
• Data Afhankelijkheid: De regelgebaseerde methode vereiste slechts 8 referentiesamples en nul abnormale samples voor training, terwijl het CNN 2.400 gelabelde samples vereiste.

Bijdragen en Betekenis
Het artikel levert drie primaire bijdragen aan het veld van IoT-surveillance:

1. Vergelijkende Evaluatie: Het biedt een directe vergelijking tussen regelgebaseerde en deep learning-benaderingen voor de detectie van manipulatie van statische beelden, waarbij de afruil tussen nauwkeurigheid en beperkingen in middelen wordt belicht.
2. Publieke Dataset: De auteurs hebben een publiek beschikbare dataset vrijgegeven met normale, onscherpe, gedraaide en geblokkeerde afbeeldingen om de ontwikkeling en evaluatie van toekomstige detectiealgoritmen te ondersteunen.
3. Inzichten in Praktische Implementatie: De studie identificeert dat hoewel CNN's een superieure nauwkeurigheid bieden, de regelgebaseerde methode een levensvatbaar en noodzakelijk alternatief blijft voor scenario's waarin:
   • Edge-apparaten ernstige geheugenbeperkingen hebben.
   • Het verzamelen van grote datasets van abnormale/gemanipuleerde afbeeldingen onpraktisch, tijdrovend of kostbaar is.
   • Snelle kalibratie zonder een langdurige trainingsfase vereist is.

Conclusie
De auteurs concluderen dat de keuze van de detectiemethode sterk afhangt van de implementatiebeperkingen. Het CNN-model is te verkiezen voor hoge nauwkeurigheidseisen waarbij computationele middelen en dataverzameling haalbaar zijn. Daarentegen biedt de regelgebaseerde methode een resource-efficiënte oplossing voor beperkte omgevingen waar het verzamelen van uitgebreide trainingsdata niet mogelijk is. Toekomstig werk richt zich op het ontwikkelen van een hybride systeem dat beide benaderingen integreert om de balans tussen prestaties en resourcegebruik te optimaliseren.