Billede: Fra Warner Bros. The Dark Knight

Forskere ved La Sapienza University i Rom har skabt et system kaldet WhoFi, som kan identificere mennesker med op til 95,5 % nøjagtighed – blot ved at analysere, hvordan deres kroppe interagerer med Wi-Fi signaler.

En teknik kaldt Channel State Information (CSI) bruges til at spore, hvordan Wi-Fi signaler forvrænges af kropsform, størrelse og bevægelse. Forvrængningerne fungerer som et digitalt fingeraftryk, der behandles af AI for at identificere enkeltpersoner.

WhoFi fungerer uden brug af kameraer, telefoner eller wearables og kan registrere mennesker gennem vægge ved hjælp af standard TP-Link-routere.

Systemet blev testet på 14 personer, der gik indendørs i forskellige outfits og var i stand til at genkende personer med op til 95,5 % nøjagtighed.

Selvom teknologien stadig er eksperimentel, giver den anledning til alvorlige bekymringer om privatlivets fred, da den giver mulighed for usynlig sporing uden samtykke eller visuelle data.

Wi-FI er ikke blot en dataoverførselsmekanisme.

Gennem det sidste årti har forskere opdaget, at Wi-Fi-signaler kan bruges til forskellige sensorapplikationer, såsom at se gennem vægge, opdage fald, registrere tilstedeværelsen af mennesker og genkende bevægelser, herunder tegnsprog. (Links fra artikel i Theregister.com.)

Efter godkendelsen af IEEE 802.11bf-specifikationen i 2020 begyndte Wireless Broadband Alliance at promovere Wi-Fi Sensing, Wi-Fi var ikke længere blot en dataoverførselsmekanisme.

Forskerne fra La Sapienza Universitetet i Rom kalder deres tilgang “WhoFi”, som det fremgår af deres forskningsartikel: “WhoFi: Deep Person Re-Identification via Wi-Fi Channel Signal Encoding.”, Danilo Avola et al. (2025)

Traditionelle personidentifikations systemer er typisk afhængige af visuelle data såsom billeder eller videoer. Det er ikke altid klart, hvornår et motiv, der er optaget på video, er den samme person, der er optaget på et andet tidspunkt og/eller sted. Oftest er disse funktioner baseret på udseendesignaler såsom tøjtekstur, farve og kropsform. Visuelt baserede systemer lider dog af en række kendte begrænsninger, herunder følsomhed over for ændringer i lysforholdene, kameravinkler m.fl.

Wi-Fi-signaler giver et overlegent overvågningspotentiale sammenlignet med kameraer, fordi de ikke påvirkes af lysforhold, kan trænge igennem vægge og andre forhindringer, og er mere privatlivsbevarende end visuelle billeder.

“Den centrale indsigt er, at når et Wi-Fi-signal forplanter sig gennem et miljø, ændres dets bølgeform af tilstedeværelsen og de fysiske egenskaber af objekter og mennesker langs dets vej. Disse ændringer, der er fanget i form af Channel State Information (CSI), indeholder omfattende biometrisk information. I modsætning til optiske systemer, der kun opfatter den ydre overflade af en person, interagerer Wi-Fi-signaler med interne strukturer, såsom knogler, organer og kropssammensætning, hvilket resulterer i personspecifikke signalforvrængninger, der fungerer som en unik signatur.”

Forskere foreslog en lignende teknik, kaldet EyeFi, tilbage i 2020, som man angav til at være nøjagtig omkring 75 procent af tiden.

Forskerne bag det nye studie hævder, at deres teknik giver nøjagtige match på det offentlige NTU-Fi-datasæt i op til 95,5 procent af tilfældene, når det dybe neurale netværk bruger transformer-kodningsarkitekturen.

En artikel i PCWorld, der omtaler studiet, henviser til dette klip fra The Dark Knight, der viser en sonar scene:

Selvom teknologien stadig er eksperimentel, giver den anledning til alvorlige bekymringer om privatlivets fred, da den giver mulighed for usynlig sporing uden samtykke eller visuelle data.

Studiet (uddrag):

‘WhoFi: Dybdegående genidentificering af personer via kodning af Wi-Fi-kanalsignaler’, (‘WhoFi: Deep Person Re-Identification via Wi-Fi Channel Signal Encoding’) Danilo Avola et al. (2025). Department of Computer Science, La Sapienza University of Rome. https://arxiv.org/html/2507.12869v1

Abstrakt

Personidentifikation er en vigtig og udfordrende opgave inden for videoovervågning. Mens traditionelle metoder er afhængige af visuelle data, hindrer problemer som dårlig belysning, okklusion og suboptimale vinkler ofte ydeevnen. For at løse disse udfordringer introducerer vi WhoFi, en ny pipeline, der bruger Wi-Fi-signaler til genidentifikation af personer. Biometriske funktioner udtrækkes fra Channel State Information (CSI) og behandles gennem et modulært Deep Neural Network (DNN) med en Transformer-baseret encoder. Netværket trænes ved hjælp af en in-batch negativ tabsfunktion for at lære robuste og generaliserbare biometriske signaturer. Eksperimenter på NTU-Fi-datasættet viser, at vores tilgang opnår konkurrencedygtige resultater sammenlignet med avancerede metoder, hvilket bekræfter dens effektivitet til at identificere individer via Wi-Fi-signaler.

1 Introduktion

Persongenkendelse (Re-ID) spiller en central rolle i overvågningssystemer, hvor formålet er at afgøre, om to repræsentationer tilhører den samme person på forskellige tidspunkter eller steder. Traditionelle Re-ID-systemer er typisk baseret på visuelle data såsom billeder eller videoer, hvor en probe (den input, der skal identificeres) sammenlignes med et sæt gemte galleri-eksempler ved at lære diskriminerende biometriske træk. Disse træk er oftest baseret på udseende, såsom tøjtekstur, farve og kropsform. Visuelle systemer har dog en række kendte begrænsninger, herunder følsomhed over for ændringer i lysforhold [4], okklusioner [6], baggrundsstøj [20] og variationer i kameraets synsvinkel [12]. Disse udfordringer resulterer ofte i nedsat robusthed, især i ubegrænsede eller virkelige miljøer. For at overvinde disse begrænsninger undersøger en alternativ forskningsretning ikke-visuelle modaliteter, såsom Wi-Fi-baseret person-Re-ID. Wi-Fi-signaler har flere fordele i forhold til kamerabaserede tilgange: de påvirkes ikke af belysning, de kan trænge igennem vægge og okklusioner, og vigtigst af alt tilbyder de en privatlivsbeskyttende mekanisme til registrering. Den centrale indsigt er, at når et Wi-Fi-signal udbreder sig gennem et miljø, ændres dets bølgeform af tilstedeværelsen og de fysiske egenskaber af objekter og mennesker langs dets vej. Disse ændringer, der registreres i form af Channel State Information (CSI), indeholder rige biometriske oplysninger. I modsætning til optiske systemer, der kun registrerer en persons ydre overflade, interagerer Wi-Fi-signaler med interne strukturer, såsom knogler, organer og kropssammensætning, hvilket resulterer i personspecifikke signalforvrængninger, der fungerer som en unik signatur.

Tidligere trådløse registreringsmetoder var primært baseret på grove signalmålinger, såsom RSSI (Received Signal Strength Indicator) [11], som viste sig at være utilstrækkelige til finmaskede genkendelsesopgaver. For nylig er CSI dukket op som et kraftfuldt alternativ [17]. CSI leverer målinger på subbærebølgeniveau på tværs af flere antenner og frekvenser, hvilket giver et detaljeret og tidsopløst billede af, hvordan radiosignaler interagerer med den menneskelige krop og det omgivende miljø. Ved at lære mønstre fra CSI-sekvenser er det muligt at udføre Re-ID ved at fange og matche disse radiobiometriske signaturer. På trods af den lovende karakter af Wi-Fi-baseret Re-ID er området stadig uudforsket, især med hensyn til udvikling af skalerbare deep learning-metoder, der kan generaliseres på tværs af individer og sensoriske miljøer. I denne artikel foreslår vi WhoFi, en deep learning-pipeline til person-Re-ID, der udelukkende bruger CSI-data. Vores model er trænet med et in-batch negativt tab for at lære robuste indlejringer fra CSI-sekvenser. Vi evaluerer flere backbone-arkitekturer til sekvensmodellering, herunder Long Short-Term Memory (LSTM), Bidirectional LSTM (Bi-LSTM) og Transformer-netværk, som hver er designet til at indsamle tidsmæssige afhængigheder og kontekstuelle mønstre. De vigtigste bidrag i dette arbejde er:

• Vi foreslår en modulær deep learning-pipeline til person-Re-ID, der udelukkende er baseret på Wi-Fi CSI-data uden behov for visuel input.
• Vi udfører en sammenlignende undersøgelse på tværs af tre udbredte backbone-arkitekturer (LSTM, Bi-LSTM og Transformer-netværk) for at vurdere deres evne til at kode biometriske signaturer fra CSI.
• Vi anvender en in-batch negativ tabstræningsstrategi, som muliggør skalerbar og effektiv lighedslæring i fravær af mærkede par.
• Vi gennemfører omfattende eksperimenter på det offentlige NTU-Fi-datasæt for at demonstrere nøjagtigheden og generaliserbarheden af vores tilgang.
• Vi udfører en ablationsundersøgelse for at evaluere virkningen af forbehandlingsstrategier, inputsekvenslængde, modeldybde og dataforøgelse.

Ved at udnytte ikke-visuelle biometriske funktioner, der er indlejret i Wi-Fi CSI, tilbyder denne undersøgelse en privatlivsbeskyttende og robust tilgang til Wi-Fi-baseret Re-ID, og den lægger grundlaget for fremtidigt arbejde inden for trådløs biometrisk sensing.

Referencer

1. Avola, D., Cascio, M., Cinque, L., Fagioli, A., Petrioli, C.: Person re-identification through wi-fi extracted radio biometric signatures. IEEE Transactions on Information Forensics and Security 17, 1145–1158 (2022). https://doi.org/10.1109/TIFS.2022.3158058
2. Davies, L., Gather, U.: The identification of multiple outliers. Journal of the American Statistical Association 88(423), 782–792 (1993)
3. Duan, P., Diao, X., Cao, Y., Zhang, D., Zhang, B., Kong, J.: A comprehensive survey on wi-fi sensing for human identity recognition. Electronics 12(23) (2023)
4. Feng, Z., Lai, J., Xie, X.: Learning modality-specific representations for visible-infrared person re-identification. IEEE Transactions on Image Processing 29, 579–590 (2019)
5. Hermans, A., Beyer, L., Leibe, B.: In defense of the triplet loss for person re-identification. arXiv preprint arXiv:1703.07737 (2017)
6. Hou, R., Ma, B., Chang, H., Gu, X., Shan, S., Chen, X.: Vrstc: Occlusion-free video person re-identification. In: 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). pp. 7176–7185 (2019). https://doi.org/10.1109/CVPR.2019.00735
7. Jalali, A., Mallipeddi, R., Lee, M.: Sensitive deep convolutional neural network for face recognition at large standoffs with small dataset. Expert Systems with Applications 87, 304–315 (2017)
8. Karpukhin, V., Oguz, B., Min, S., Lewis, P.S., Wu, L., Edunov, S., Chen, D., Yih, W.t.: Dense passage retrieval for open-domain question answering. In: EMNLP (1). pp. 6769–6781 (2020)
9. Kingma, D.P., Ba, J.: Adam: A method for stochastic optimization. In: Bengio, Y., LeCun, Y. (eds.) 3rd International Conference on Learning Representations, ICLR 2015, San Diego, CA, USA, May 7-9, 2015, Conference Track Proceedings (2015)
10. Li, W., Zhu, X., Gong, S.: Harmonious attention network for person re-identification. In: Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 2285–2294 (2018)
11. Oguchi, K., Maruta, S., Hanawa, D.: Human positioning estimation method using received signal strength indicator (rssi) in a wireless sensor network. Procedia Computer Science 34, 126–132 (2014). https://doi.org/10.1016/j.procs.2014.07.066, the 9th International Conference on Future Networks and Communications (FNC’14)/The 11th International Conference on Mobile Systems and Pervasive Computing (MobiSPC’14)/Affiliated Workshops
12. Sun, X., Zheng, L.: Dissecting person re-identification from the viewpoint of viewpoint. In: 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). pp. 608–617 (2019). https://doi.org/10.1109/CVPR.2019.00070
13. Sun, Y., Zheng, L., Yang, Y., Tian, Q., Wang, S.: Beyond part models: Person retrieval with refined part pooling (and a strong convolutional baseline). In: Proceedings of the European conference on computer vision (ECCV). pp. 480–496 (2018)
14. Wang, D., Yang, J., Cui, W., Xie, L., Sun, S.: Caution: A robust wifi-based human authentication system via few-shot open-set gait recognition. IEEE Internet of Things Journal 9,  1–1 (09 2022). https://doi.org/10.1109/JIOT.2022.3156099
15. Xin, T., Guo, B., Wang, Z., Li, M., Yu, Z.: Freesense:indoor human identification with wifi signals (2016)
16. Yang, J., Chen, X., Zou, H., Lu, C.X., Wang, D., Sun, S., Xie, L.: Sensefi: A library and benchmark on deep-learning-empowered wifi human sensing. Patterns 4 (3), 100703 (2023). https://doi.org/10.1016/j.patter.2023.100703
17. Yang, Z., Zhou, Z., Liu, Y.: From rssi to csi: Indoor localization via channel response. ACM Computing Surveys (CSUR) 46(2), 1–32 (2013)
18. Zeng, Y., Pathak, P.H., Mohapatra, P.: Wiwho: Wifi-based person identification in smart spaces. In: 2016 15th ACM/IEEE International Conference on Information Processing in Sensor Networks (IPSN). pp. 1–12 (2016). https://doi.org/10.1109/IPSN.2016.7460727
19. Zheng, Z., Yang, X., Yu, Z., Zheng, L., Yang, Y., Kautz, J.: Joint discriminative and generative learning for person re-identification. In: 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). pp. 2133–2142 (2019). https://doi.org/10.1109/CVPR.2019.00224
20. Zhou, S., Wang, F., Huang, Z., Wang, J.: Discriminative feature learning with consistent attention regularization for person re-identification. In: Proceedings of the IEEE/CVF international conference on computer vision. pp. 8040–8049 (2019)

Læs mere her:

Regeringen giver PET stor frihed: Skal have lov til at masseovervåge danskerne uden nogen mistanke

Forskere udsender en alvorlig advarsel om de sikkerheds- og privatlivsproblemer, der lurer i Smart Homes

Overvågning her, der og alle vegne

Europa-Kommissionen kræver massiv censur af sociale medier

Hjernebølger skal betragtes som “personfølsomme oplysninger”

Ansigtsgenkendelse via DNA-fremstillede ansigter

Biometri implementeres rundt om i verden, men det sker uden samtykke