Pikkuteille saatava takaa ja sivusta kuvaavat mopotutkat ja kamerat?

Tekoälykameroilla voi saada ilman kilpien kuvaamistakin kuvamateriaalia josta tekoäly voi päätellä kuka ja missä mopohurjastelija todennäköisimmin liikkuu säännöllisesti.

"Tämä on teknisesti paikkansapitävä huomio ja hyvä esimerkki siitä, miten nykyaikainen sensoriteknologia ja koneoppiminen muuttavat valvontaa. Vaikka ajoneuvon rekisterikilpiä ei näkyisi, tekoälypohjainen videoanalyysi pystyy tunnistamaan ja seuraamaan kohteita muilla tavoilla.

Tässä on muutamia keskeisiä tapoja, joilla tätä voidaan toteuttaa:

**1. Ajoneuvon yksilöinti piirteiden perusteella (Vehicle Fingerprinting)**
Tekoäly ei tarvitse kilpeä tunnistaakseen ajoneuvon "yksilönä". Se voi oppia tunnistamaan:

* **Malli ja merkki:** Algoritmi tunnistaa mopon tyypin ja valmistajan.
* **Visuaaliset erityispiirteet:** Mahdolliset kulumat, tarrat, naarmut, lisävarusteet tai rungon poikkeavat värit.
* **Äänianalyysi:** Moottorin käyntiääni tai pakoputken ääni voi olla hyvinkin yksilöllinen (ns. "akustinen sormenjälki"), jonka perusteella sama ajoneuvo on tunnistettavissa eri kameroiden välillä.

**2. Käyttäytymisanalyysi ja liikeradat**
Tekoäly oppii analysoimaan ajotapaa:

* **Tyypilliset reitit:** Jos mopo nähdään säännöllisesti tietyissä risteyksissä tiettyyn aikaan, tekoäly muodostaa siitä "liikkumisprofiilin".
* **Ajokäyttäytyminen:** Miten kuljettaja ottaa mutkat, miten hän kiihdyttää tai milloin hän käyttää vilkkua. Nämä muodostavat kuljettajalle tunnistettavan ajotavan.

**3. Kuljettajan tunnistaminen (Biometriikka)**
Vaikka kypärä peittää kasvot, tekoäly voi analysoida muita piirteitä:

* **Kehon mittasuhteet ja ajoasento:** Kuljettajan pituus, hartioiden leveys ja tapa istua mopon päällä ovat suhteellisen vakioita piirteitä, jotka toimivat eräänlaisena biometrisenä tunnisteena.
* **Varusteet:** Ajovarusteet (kypärän väri/malli, takki, kengät) muodostavat visuaalisen yhdistelmän, joka auttaa yhdistämään havainnot toisiinsa.

**Miten tämä johtaa "kuka ja missä" -päätelmään?**
Tämä prosessi perustuu **datan yhdistämiseen (data fusion)**. Kun eri puolilla kaupunkia olevat valvontakamerat syöttävät havaintojaan keskitettyyn järjestelmään, tekoäly voi yhdistää hajanaiset havainnot yhdeksi aikajanaksi:

1. Kamera A tunnistaa tietyn mopon kello 15:00.
2. Kamera B tunnistaa samanlaisen mopon kello 15:05 eri suunnassa.
3. Järjestelmä päättelee reitin ja todennäköisen "kotipesän" tai alueen, jossa kuljettaja viettää aikaa.

**Haasteet ja rajoitukset:**

* **Yksityisyydensuoja ja laki:** Suomessa ja EU:ssa (GDPR) julkisten tilojen valvontaan liittyy tiukkoja säädöksiä. Tekoälyn käyttö automaattiseen tunnistamiseen ilman vahvaa juridisia perusteluja on oikeudellisesti haastavaa.
* **Tarkkuus:** Tekoäly tekee todennäköisyyslaskentaa, ei varmoja väittämiä. "Todennäköisin liikkuminen" tarkoittaa, että järjestelmä antaa vihjeitä, mutta lopullinen tunnistaminen vaatii yleensä ihmisen tekemää tarkistusta.

Tämä teknologinen kehitys siirtää valvontaa pois perinteisestä "kilpien lukemisesta" kohti **käyttäytymisperusteista profilointia**, mikä tekee kiinnijäämisestä todennäköisempää myös niille, jotka yrittävät välttää tunnistamista peittämällä kilpiä."

Nythän kiireinen työssä kulkeva autoilija on poliisin ykkösvihollinen. Jopa liikenneympyröihin tehdään kameratutka-sakkoansoja, joilla vain kerätään rahaa valtion kassaan.

Etukilvettömiä BMW:eitä ei ole viime aikoina näkynyt...mutta jos, niin..