{"id":31268,"date":"2024-05-16T16:07:35","date_gmt":"2024-05-16T14:07:35","guid":{"rendered":"https:\/\/www.kaspersky.de\/blog\/?p=31268"},"modified":"2024-05-16T16:07:35","modified_gmt":"2024-05-16T14:07:35","slug":"dense-pose-recognition-from-wi-fi-signal","status":"publish","type":"post","link":"https:\/\/www.kaspersky.de\/blog\/dense-pose-recognition-from-wi-fi-signal\/31268\/","title":{"rendered":"Personen finden und ihre K\u00f6rperhaltung erkennen mithilfe von WLAN-Signalen"},"content":{"rendered":"

Diogenes benutzte bekanntlich eine Laterne, um nach einem (guten und wahren) Menschen zu suchen \u2013 der Philosoph vertraute ganz auf optische Erkennungsmethoden. Inzwischen versuchen Forscher es schon mit WLAN-Signalen. Genauer gesagt, haben drei Forscher der Carnegie Mellon University eine Methode entwickelt<\/a>, bei der das Signal eines gew\u00f6hnlichen WLAN-Routers verwendet wird, um nicht nur den Standort einer Person in einem Raum zu bestimmen, sondern auch deren K\u00f6rperhaltung zu ermitteln.<\/p>\n

Warum WLAN? Daf\u00fcr gibt es mehrere Gr\u00fcnde. Erstens funktionieren Funksignale im Gegensatz zur optischen Erkennung auch im Dunkeln perfekt und werden durch kleine Hindernisse oder M\u00f6bel nicht beeintr\u00e4chtigt. Zweitens ist es billig im Vergleich zu Lidar und Radar, die diese Aufgabe theoretisch auch erf\u00fcllen k\u00f6nnten. Drittens ist WLAN so gut wie allgegenw\u00e4rtig \u2013 einfach einloggen und los geht\u2019s. Aber wie effektiv ist diese Methode? Und was kann man wirklich damit erreichen? Das schauen wir uns jetzt genauer an.<\/p>\n

DensePose: Methode zur Erkennung der K\u00f6rperhaltung auf Bildern<\/h2>\n

Zuerst m\u00fcssen wir aber etwas ausholen und erkl\u00e4ren, wie der menschliche K\u00f6rper und dessen Posen ganz allgemein erkannt werden. Im Jahr 2018 stellte eine andere Forschergruppe die Methode DensePose vor<\/a>. DensePose kann menschliche Posen auf Fotografien erkennen \u2013 also auf zweidimensionalen Bildern ohne zus\u00e4tzliche r\u00e4umliche Daten.<\/p>\n

Und das funktioniert so: Zun\u00e4chst sucht DensePose<\/a> auf den Bildern nach Objekten, die wie menschliche K\u00f6rper aussehen. Diese Objekte werden dann in verschiedene Bereiche unterteilt, die jeweils bestimmten K\u00f6rperteilen entsprechen. Anschlie\u00dfend werden die Bereiche einzeln analysiert. Bei diesem Ansatz wird ber\u00fccksichtigt, dass sich K\u00f6rperteile sehr unterschiedlich bewegen: Kopf und Rumpf verhalten sich zum Beispiel ganz anders als Arme und Beine.<\/p>\n

\"DensePose:<\/a>

DensePose kann die Posen menschlicher K\u00f6rper auf Fotos genau erkennen und sogar deren Oberfl\u00e4chen geometrisch modellieren.Quelle<\/a><\/p><\/div>\n

\u00a0<\/p>\n

Das Modell hat gelernt, wie ein zweidimensionales Bild mit der 3D-Oberfl\u00e4che des menschlichen K\u00f6rpers zusammenh\u00e4ngt. Es liefert nicht nur Anmerkungen, die der erkannten Pose entsprechen, sondern auch ein geometrisches Modell (UV-Map) des fotografierten K\u00f6rpers. Dadurch kann das Bild beispielsweise mit einer Struktur \u00fcberlagert werden.<\/p>\n

Besonders beeindruckend ist, dass diese Technik die Posen mehrerer Personen auf Gruppenfotos genau unterscheiden kann. Es funktioniert auch mit Bildern, auf denen die Personen eng beieinander stehen und sich teilweise gegenseitig verdecken.<\/p>\n

\"DensePose:<\/a>

DensePose erkennt die Positionen einzelner Personen auf Gruppenfotos genau.Quelle<\/a><\/p><\/div>\n

\u00a0<\/p>\n

Glaubt man den im Rahmen der Studie ver\u00f6ffentlichten Bildern und Videos, so meistert das System selbst die au\u00dfergew\u00f6hnlichsten K\u00f6rperhaltungen v\u00f6llig problemlos. Das neuronale Netz identifiziert beispielsweise Personen auf Fahrr\u00e4dern, Motorr\u00e4dern und Pferden korrekt und bestimmt auch die K\u00f6rperhaltung von Baseballspielern, Fu\u00dfballern und sogar Breakdancern, deren Bewegungen oft v\u00f6llig unvorhersehbar sind.<\/p>\n

\"DensePose:<\/a>

Das DensePose-Modell funktioniert auch bei sehr ungew\u00f6hnlichen Posen.Quelle<\/a><\/p><\/div>\n

\u00a0<\/p>\n

Ein weiterer Vorteil von DensePose besteht darin, dass es keine au\u00dfergew\u00f6hnlich hohe Rechenleistung ben\u00f6tigt. Mit einer GeForce GTX 1080 \u2013 zum Zeitpunkt der Ver\u00f6ffentlichung der Studie nicht eben eine Grafikkarte der Spitzenklasse \u2013 erfasst DensePose 20 bis 26 Bilder pro Sekunde bei einer Aufl\u00f6sung von 240\u00d7320 und bis zu f\u00fcnf Bilder pro Sekunde bei einer Aufl\u00f6sung von 800\u00d71100.<\/p>\n

DensePose via WLAN: Funkwellen statt Fotos<\/h2>\n

Die urspr\u00fcngliche Idee der Carnegie Mellon-Forscher war, das bestehende Hochleistungs-KI-Modell zur K\u00f6rpererkennung DensePose zu verwenden, es aber anstelle von Fotos mit WLAN-Signalen zu f\u00fcttern.<\/p>\n

Das Experiment hatte folgenden Aufbau:<\/p>\n