WLAN-System erkennt Personen durch Wände

Das System "XModal-ID" von Forschern der University of California, Santa Barbara (UCSB) kann durch Wände sehen, um dahinterstehende Personen zu identifizieren. [...]

"XModal-ID": Spezieller Algorithmus der UCSB vergleicht das Signal mit dem Videomaterial. Einbrecher auf dem Video klar identifizierbar
"XModal-ID": Spezieller Algorithmus der UCSB vergleicht das Signal mit dem Videomaterial. Einbrecher auf dem Video klar identifizierbar (c) UCSB

Das von Forschern der University of California in Santa Barbara (UCSB) entwickelte System „XModal-ID“ funktioniert dank zweier WLAN-Sendeempfänger, die außerhalb des Raumes beziehungsweise Gebäudes positioniert werden. Deren Signal wird von einem Algorithmus analysiert und mit Videomaterial verglichen, das den Verdächtigen zeigt. Die Trefferquote liegt bei 84 Prozent.

Individueller Gang des Menschen

„Unsere neue Video-WLAN-Identifizierungstechnik könnte für eine ganze Reihe von Anwendungen interessant sein – von Überwachungssystemen über Sicherheitslösungen bis hin zu Smart Homes“, so Yasamin Mostofi, Professorin für Electrical and Computer Engineering am College of Engineering der UCSB. Zum Beispiel sei ein Szenario vorstellbar, bei dem die Polizei einen Videomitschnitt eines Einbruchs hat und wissen will, ob sich der Räuber im Gebäude versteckt. „Unsere Methode kann genau das und benötigt dafür nur zwei handelsübliche WLAN-Transceiver.“

Um herauszufinden, ob die Person im Haus mit dem Täter aus dem Video übereinstimmt, legt XModal-ID besonderes Augenmerk auf eine ganz bestimmte Eigenschaft eines Menschen: seinen Gang. „Die Art und Weise, wie wir uns bewegen, ist einzigartig. Wir haben zum ersten Mal einen Weg gefunden, diese Information aus einem Video auf den WLAN-Bereich zu übertragen“, betont Mostofi. Dass dieser Ansatz in der Praxis sehr gut funktioniere, habe man bei zahlreichen Tests am eigenen Campus gesehen, ergänzt Projektmitarbeiter Herbert Cai: „Wir konnten die Leute in 84 Prozent der Fälle richtig identifizieren.“

Charakteristische Schlüsselfaktoren

Bei den Experimenten von Mostofis Team wird ein Algorithmus zunächst mit Videomaterial gefüttert, um ein 3D-Gerüst der äußeren Oberfläche des menschlichen Körpers zu erstellen, die im Bild zu sehen ist. Anschließend simulieren die Forscher dann auf Basis der gesammelten Daten das individuelle elektromagnetische Hochfrequenzsignal, das entstehen würde, wenn sich genau diese Person in Reichweite des WLANSignals aufhält.

Als nächstes werden mittels ZeitFrequenzAnalyse die Schlüsselfaktoren identifiziert, die für den Gang der betreffenden Person charakteristisch sind. „Durch den Vergleich der entsprechenden Ergebnisse aus der Analyse des Videos und dem WLANSignal lässt sich dann relativ eindeutig sagen, ob die Person aus dem Video mit derjenigen hinter der Wand übereinstimmt“, schildert Mostofi.

Das nachfolgende Video zeigt die Funktionsweise des Systems:

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

(c) UCSB

Mehr Artikel

News

KI in der Softwareentwicklung

Der “KI Trend Report 2025” von Objectbay liefert Einblicke, wie generative KI entlang des Software Engineering Lifecycle eingesetzt wird. Dafür hat das Linzer Softwareentwicklungs-Unternehmen 9 KI-Experten zu ihrer Praxiserfahrung befragt und gibt Einblicke, wie der Einsatz von KI die IT-Branche verändert wird. […]

News

F5-Studie enthüllt Lücken im Schutz von APIs

APIs werden immer mehr zum Rückgrat der digitalen Transformation und verbinden wichtige Dienste und Anwendungen in Unternehmen. Gerade im Zusammenhang mit kommenden KI-basierten Bedrohungen zeigt sich jedoch, dass viele Programmierschnittstellen nur unzureichend geschützt sind. […]

News

VINCI Energies übernimmt Strong-IT

VINCI Energies übernimmt Strong-IT in Innsbruck und erweitert damit das Leistungsspektrum seiner ICT-Marke Axians. Strong-IT schützt seit mehr als zehn Jahren Unternehmen gegen digitale Bedrohungen, während Axians umfassende IT-Services einbringt. […]

Be the first to comment

Leave a Reply

Your email address will not be published.


*