[論文レビュー] A Deep-learning-based Method for PIR-based Multi-person Localization

Tianye Yang, Peng Guo+3 more|arXiv (Cornell University)|Apr 9, 2020

Video Surveillance and Tracking Methods参考文献 41被引用数 7

ひとこと要約

本稿では、赤外線ピロエレクトリック（PIR）センサを用いた多人数局所化のための深層学習ベースの手法であるPIRNetを提案する。従来手法に比べて導入密度を76%低減しながらも高い精度を維持する。本手法は、ドメイン知識を統合した2段階でモジュラーなニューラルネットワークアーキテクチャを採用しており、信号分離と単一人物検出による人数カウント、信号抽出と局所化による位置推定を実現する。信号前処理とデータ拡張により、耐障害性を向上させる。

ABSTRACT

Device-free localization (DFL) based on pyroelectric infrared (PIR) sensors has attracted much attention due to its advantages of low cost, low power consumption, and privacy protection. However, most existing PIR-based DFL methods require high deployment density to achieve high localization accuracy. Recently, a few works proposed that the deployment density can be reduced by deeply analyzing the analog output of PIR sensors. However, these methods can not well handle the localization task in multi-person scenarios yet. In this paper, we propose a novel neural network for PIR-based multi-person localization, which appropriately leverages a series of domain knowledge. Specifically, the proposed network consists of two modules: one is for determining the number of persons and another is for determining their locations. Meanwhile, the module of person counting is further designed as a two-stage network: one stage is for signal separation and another is for single-person detection. The module for localization is also designed as a two-stage network: one stage is for signal extraction and another is for single-person localization. Through the above methods, we succeed to remarkably reduce the deployment density of the traditional PIR-based method by about 76\%, while maintaining the localization accuracy.

研究の動機と目的

• 既存のPIRベースの無端末局所化（DFL）システムにおける高い導入密度の制限を解消すること。
• 実世界環境において低コスト・低消費電力のPIRセンサを用いて、正確な多人数局所化を可能にすること。
• PIRセンサのアナログ出力をバイナリ運動検出器として扱うのではなく、アナログ出力に依存することで、高密度センサ配置への依存を低減すること。
• 信号前処理とデータ拡張により、環境ノイズや温度変動に対する耐障害性を向上させること。
• ドメインに配慮したアーキテクチャ設計により、異なるセンサ配置構成間でのモデル一般化を可能にすること。

提案手法

• 多人数局所化を人数カウントと位置予測のサブタスクに分解する2段階でモジュラーな深層ニューラルネットワークであるPIRNetを提案する。
• 人数カウントモジュールを2段階のネットワークとして設計：まず重複する信号を分離し、その後個々の人物を検出する。
• 局所化モジュールを2段階のネットワークとして設計：まず関連する信号成分を抽出し、その後個々の位置を推定する。
• 周囲のノイズや温度に起因する振幅変動を軽減するため、信号のノイズ除去と正規化の前処理を適用する。
• 時間的伸縮／圧縮を用いて異なる移動速度をシミュレートする時間的拡張、および周囲の熱源を模倣する振幅変調を用いる2つのデータ拡張技術を導入する。
• ドメイン知識を埋め込んだ階層的・モジュラーなアーキテクチャを採用することで、探索空間を縮小し、学習効率と精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 低コストPIRセンサのアナログ出力のみを用いて、深層学習モデルが複数人の正確な局所化を実現できるか。
• RQ2 PIR信号の特性に関するドメイン知識をニューラルネットワークアーキテクチャに統合することで、性能向上と導入密度の低減がどの程度達成できるか。
• RQ3 信号前処理とデータ拡張により、環境ノイズやセンサのばらつきに対する耐障害性がどの程度向上するか。
• RQ4 1つの訓練済みモデルが、異なるPIRセンサの配置構成に一般化して適用可能か。
• RQ5 多人数状況において、導入密度の低減と局所化精度のトレードオフはどの程度か。

主な発見

• PIRNetは従来のPIRベースの手法と比較して、導入密度を約76%低減しながらも高い局所化精度を維持する。
• 4つのバックグラウンドノイズ源が存在する状況でも、人数カウントの精度は90%以上を維持し、平均局所化誤差は1メートル未満に保たれる。
• 提案されたデータ拡張戦略を導入しない場合、人数カウント精度は平均で1.6ポイント低下し、局所化誤差は6.8cm増加する。
• 4m×4mおよび7m×3.5mの環境において、平均局所化誤差はそれぞれ0.75mおよび0.77mを維持しており、異なる配置構成への一般化可能性が示唆される。
• 2段階のモジュラー設計は、エンドツーエンドの深層学習ベースラインと比較して顕著な性能向上を示しており、同様のタスクで不満な結果を示していた。
• 予備の結果から、導入に依存しない方位変化推定器を訓練することで、同じモデルを異なるセンサレイアウトで再利用可能であることが示され、強力な一般化可能性が示唆される。