Diese Seite verwendet Cookies. Durch klicken auf "OK" sind Sie mit der Verwendung von Cookies einverstanden. Nähere Informationen zu Cookies und unserem Datenschutz finden Sie hier.

OK

KIRAS Sicherheitsforschung

  •  11
Kooperative Projekte > 2019

MaLeStV

Maschinelles Lernen von Bewegungsmustern im Strafvollzug

Den Alltag einer Haftanstalt prägen Aspekte der Sicherheit. Eine Reihe von baulichen und organisatorischen Maßnahmen (Haftraumgestaltung, Videoüberwachung, …) sollen das Risiko sicherheitsrelevanter Vorfälle in Haftanstalten reduzieren und die MitarbeiterInnen des Strafvollzuges in ihrer Arbeit unterstützen. Allerdings ist eine Beobachtung von potentiell gefährdenden und gefährdeten Personen aufgrund beschränkter Personalressourcen rund um die Uhr nicht realisierbar. Gewalt im Gefängnis ist keine Ausnahme, eine Selbsttötung zum Beispiel kann in unbeobachteten Momenten vorbereitet und ausgeführt werden. Suizide in Haftanstalten erzeugen jenseits der Tragik des Ereignisses häufig Kollateralschäden, angefangen von der medialen Verstärkung in der Berichterstattung bis hin zu Irritationen unter MitarbeiterInnen und Insassen. 

Das vorgeschlagene Projekt setzt hier an. Mithilfe neuer Technologien der 3D Bildanalyse werden Verhaltensmuster von Personen mit Hilfe eines 3D Sensors registriert und in Echtzeit analysiert, um entsprechende kritische Bewegungsmuster zu identifizieren. Aufgrund dieser Echtzeitanalyse kann ein Alarm ausgelöst werden, der das Wachpersonal auf die potentielle Gefahrensituation hinweist, sodass entsprechend frühzeitig interveniert werden kann. Da diese Technologie keine Videobilder nutzt, sondern auf dreidimensionale Sensordaten von Bewegungsabläufen basiert, entfallen hier eine Reihe von datenschutzrechtlichen Problemen, die beim Einsatz von Videotechnologie zu berücksichtigen sind. 

Die Integration eines solchen innovativen, sensorbasierten Systems in der Haftanstalt führt zu einer Optimierung der Leistungen der Justiz: dies zeigt sich durch mehr Sicherheit in der Haftanstalt, aus präventiver Sicht kann das Risiko von illegalem und kriminellem Verhalten verringert werden, und Routinetätigkeiten wie die live Überwachung eines Haftraum können effektiver gestaltet werden.  Längerfristig kann zudem die Analysequalität eines solchen Systems durch den Einsatz von lernfähiger Software verbessert werden. Dadurch lässt sich die Rate der falsch positiven Alarmmeldungen geringhalten und die Wirksamkeit der Maßnahme somit erhöhen. 

ProjektleiterIn
DI Michael Brandstötter, MSc(OU)
Cogvis gmbh
Wiedner Hauptstrasse 17/3a, 1040 Wien
+43 1 2360580
brandstoetter@cogvis.at
https://cvl.tuwien.ac.at/project/malestv/ 

ProjektpartnerInnen
Technische Universität Wien, Computer Vision Lab
Institut für Höhere Studien
Bundesministerium für Verfassung, Reformen, Deregulierung und Justiz