[論文レビュー] A Study of Human Body Characteristics Effect on Micro-Doppler-Based Person Identification using Deep Learning.

Sherif Abdulatif, Fady Aziz+4 more|arXiv (Cornell University)|Nov 17, 2018

Gait Recognition and Analysis被引用数 5

ひとこと要約

本研究では、特にBMIを含む人間の身体的特徴が、レーダーを用いた人物識別におけるマイクロドップラー（μ-D）シグネチャにどのように影響を与えるかを調査する。22名の被験者を対象としたトレッドミルベースのデータセットを用い、畳み込み自己符号化器（CAE）がμ-Dシグネチャから潜在的表現を抽出し、t-SNEを用いて可視化する。50層の残差ネットワークは、高SNR条件下で98%の識別精度を達成し、低SNR条件下では84%の精度を示した。

ABSTRACT

Obtaining a smart surveillance requires a sensing system that can capture accurate and detailed information for the human walking style. The radar micro-Doppler ($\boldsymbol{\mu}$-D) analysis is proved to be a reliable metric for studying human locomotions. Thus, $\boldsymbol{\mu}$-D signatures can be used to identify humans based on their walking styles. Additionally, the signatures contain information about the radar cross section (RCS) of the moving subject. This paper investigates the effect of human body characteristics on human identification based on their $\boldsymbol{\mu}$-D signatures. In our proposed experimental setup, a treadmill is used to collect $\boldsymbol{\mu}$-D signatures of 22 subjects with different genders and body characteristics. Convolutional autoencoders (CAE) are then used to extract the latent space representation from the $\boldsymbol{\mu}$-D signatures. It is then interpreted in two dimensions using t-distributed stochastic neighbor embedding (t-SNE). Our study shows that the body mass index (BMI) has a correlation with the $\boldsymbol{\mu}$-D signature of the walking subject. A 50-layer deep residual network is then trained to identify the walking subject based on the $\boldsymbol{\mu}$-D signature. We achieve an accuracy of 98% on the test set with high signal-to-noise-ratio (SNR) and 84% in case of different SNR levels.

研究の動機と目的

• 人間の身体的特徴、特にBMIが人物識別のためのマイクロドップラー（μ-D）シグネチャに与える影響を調査すること。
• さまざまな信号対雑音比（SNR）条件下でも高精度な人物識別を可能にする、μ-Dシグネチャを活用するディープラーニングフレームワークの構築。
• 教師なし特徴学習および次元削減を用いて、μ-Dシグネチャの潜在的表現空間を分析すること。
• さまざまなSNR条件下での識別モデルのロバスト性を評価すること。

提案手法

• 22名の被験者（性別や身体的特徴が多様）のマイクロドップラー・シグネチャを収集するために、トレッドミルベースの実験設定を採用した。
• 生のμ-Dシグネチャからコンactで次元の低い潜在的表現を学習するために、畳み込み自己符号化器（CAE）を用いた。
• 2次元空間に可視化するため、t分布型確率的近傍埋め込み（t-SNE）を適用した。
• 人物識別のため、被験者のμ-Dシグネチャに基づいて分類を行う50層の深層残差ネットワークを訓練した。
• ロバスト性を評価するために、高SNRおよびさまざまなSNR条件下でモデルを評価した。

実験結果

リサーチクエスチョン

• RQ1 体重係数（BMI）は、歩行中のマイクロドップラー・シグネチャにどのように関連しているか？
• RQ2 性別やBMIを含む人間の身体的特徴は、マイクロドップラー・シグネチャの識別可能性にどの程度影響を与えるか？
• RQ3 ディープラーニングモデルは、さまざまな信号対雑音比（SNR）条件下でも、人物のμ-Dシグネチャに基づいて効果的に識別できるか？
• RQ4 CAEで抽出されたμ-Dシグネチャの潜在的表現空間（t-SNEで可視化）は、身体的特徴の変動をどのように反映しているか？

主な発見

• 体重係数（BMI）は、歩行中の被験者のマイクロドップラー・シグネチャの構造的特徴に測定可能な相関を示している。
• 50層の残差ネットワークは、信号対雑音比（SNR）が高いために98%のテスト精度を達成した。
• 低SNRまたは変動するSNR条件下では、識別精度が84%に低下し、ノイズに感受性があることが示された。
• CAEで学習された潜在的表現空間のt-SNE可視化により、身体的特徴に関連する明確なクラスタリングパターンが確認され、BMIがμ-Dシグネチャに与える影響を裏付けた。