People Detection——WiDet: Wi-Fi Based Device-Free Passive Person Detection with Deep CNN

作者：一键难忘520 | 2024-07-20 12:13:32

踩

本文利用WiFi信号的Received Signal Strength Index (RSSI)通过CNN网络实现了对人步行（包括行走方向）识别。

challenge

三个WiFi设备接收到的RSSI波动模式，其中灰色框内是当人走过时RSSI的变化

利用WiFi信号的RSSI进行people detection有一个很大的挑战，那就是每个WiFi设备的RSSI都有不同的波动模式，这种“不同”来自于两点：1）硬件差异，WiFi信号的RSSI波动模式在每个WiFi设备上都是不同的，即使是一个厂家生产的设备；2）信道差异，因为WiFi设备放置的位置不一样，WiFi信号的传输的信道特征也会有所区别，就导致了WiFi信号受到衰减（包括路径衰减，阴影效应和多径效应）也不一样，这样的差异也会导致RSSI波动不一样。就是因为每一个WiFi链路的RSSI的波动模式不一样，所以导致了people detection的在RSSI上变现出来的特征也是不“稳定”的。

论文方案

论文中使用了如下的CNN框架

为了更好的训练网络，论文中从两个方面进行了Data Augmentation【13】：

1）合成不同步行速度的数据。首先从长度为n的原始数据中随机选取长度为 $\alpha n$ （ $0< \alpha < 1$ ）的数据将其重采样至长度为 $\beta n$ ，若 $\beta > \alpha$ 则表示生成了步行速度更慢的数据，反之亦然。最后保证合成数据与原始数据长度一致。

2）合成带有随机噪声的数据。现实场景中的WiF信号是时好时坏的，因此作者以千分之一的概率往原始信号中加入了[0, −30]范围内的噪声。

判断步行方向

论文中使用Dynamic Time Warping(DTW)算法来判断人步行的方向。判断步行方向的方法就是比较多个wifi接收器的RSSI的波动时间早晚。但是因为每个wifi设备的RSSI的波动模式和持续时间并不一样，因此论文中使用RSSI方差而不是原始RSSI数据进行计算消除波动模式的差异，使用DTW算法消除持续时间差异的影响。

如上图所示，左侧和下侧分别是两个RSSI方差序列，颜色图表示匹配成本（颜色越暗成本越低），因此灰色粗线是两个序列的最佳匹配路径。如果没有持续时间差异的影响，对角虚线应该是最佳匹配路径，因此作者使用两线之间的区域作为两序列波动时间的时间差指标。显然是下侧序列的波动时间更早。

最后论文中为了可视化数据样本中波动模式对最后检测结果的贡献，使用了Class Activation Map（CAM）【34】。

[13] Arthur Le Guennec, Simon Malinowski, and Romain Tavenard. 2016. Data augmentation for time series classification using convolutional neural networks. In ECML/PKDDWorkshop on Advanced Analytics and Learning on Temporal Data.

[34] Bolei Zhou, Aditya Khosla, Agata Lapedriza, Aude Oliva, and Antonio Torralba. 2016. Learning deep features for discriminative localization. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2921–2929.

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/一键难忘520/article/detail/856819