[論文レビュー] DeepCount: Crowd Counting with WiFi via Deep Learning

Shangqing Liu, Yanchao Zhao+3 more|arXiv (Cornell University)|Mar 13, 2019

Indoor and Outdoor Localization Technologies参考文献 30被引用数 42

ひとこと要約

DeepCount は WiFi CSI データ上で CNN-LSTM を用いて屋内の多人数環境の群衆を数え、オンライン学習を通じて約 90% の精度を達成します。

ABSTRACT

Recently, the research of wireless sensing has achieved more intelligent results, and the intelligent sensing of human location and activity can be realized by means of WiFi devices. However, most of the current human environment perception work is limited to a single person's environment, because the environment in which multiple people exist is more complicated than the environment in which a single person exists. In order to solve the problem of human behavior perception in a multi-human environment, we first proposed a solution to achieve crowd counting (inferred population) using deep learning in a closed environment with WIFI signals - DeepCout, which is the first in a multi-human environment. step. Since the use of WiFi to directly count the crowd is too complicated, we use deep learning to solve this problem, use Convolutional Neural Network(CNN) to automatically extract the relationship between the number of people and the channel, and use Long Short Term Memory(LSTM) to resolve the dependencies of number of people and Channel State Information(CSI) . To overcome the massive labelled data required by deep learning method, we add an online learning mechanism to determine whether or not someone is entering/leaving the room by activity recognition model, so as to correct the deep learning model in the fine-tune stage, which, in turn, reduces the required training data and make our method evolving over time. The system of DeepCount is performed and evaluated on the commercial WiFi devices. By massive training samples, our end-to-end learning approach can achieve an average of 86.4% prediction accuracy in an environment of up to 5 people. Meanwhile, by the amendment mechanism of the activity recognition model to judge door switch to get the variance of crowd to amend deep learning predicted results, the accuracy is up to 90%.

研究の動機と目的

• 普及している WiFi 信号を用いて、屋内の多人数環境における群衆カウントを促進する。
• Channel State Information (CSI) を群衆カウントへマッピングする深層学習モデルを開発する。
• 活動認識を通じたオンライン学習を組み込み、時間とともにモデルを適応させる。
• エンドツーエンド処理を備えた商用 WiFi ハードウェア上でのシステムの実現可能性を示す。

提案手法

• 2Tx と 3Rx アンテナを備えた 5 GHz WiFiリンクから CSI 振幅と位相を処理し、180 個のサブキャリアストリームを取得する。
• CSI に対して Butterworth フィルタリング、PCA ベースのノイズ除去（最初の主成分を除外）および中央値平滑化を適用し、特徴量を整える。
• 離散ウェーブレット変換 (Daubechies D4) を用いて時系列・周波数領域の特徴を抽出し、128-s ウィンドウ全体で 10 レベルのエネルギー/分散を計算する。
• LSTM 層（64 ユニット）を用い、それに続く CNN ブロックと全結合層でエンドツーエンドの群衆カウントを実行し、5 クラスのソフトマックス出力とする。
• 矛盾が生じた場合にのみ最後の全結合層を再学習させるため、活動認識モデル（ドアの開閉イベント）を用いたオンライン補正機構を組み込む。）

実験結果

リサーチクエスチョン

• RQ1 CSI ベースの WiFi センシングは、複数の居住者がいる部屋の人数を正確に推定できるか。
• RQ2 ディープラーニングはどのように CSI 特徴を活用して、動的な屋内環境で群衆カウントへマッピングできるか。
• RQ3 活動認識を通じたオンライン学習は時間とともにカウントの精度を向上させるか。
• RQ4 どの前処理と特徴量抽出手順が CSI 情報を群衆カウントのために最もよく保持するか。

主な発見

• 最大で 5 人までの環境で平均カウント精度 86.4%。
• ドアの出入り検知を用いたオンライン修正機構により、精度は 90% に上昇。
• 商用 WiFi ハードウェア上で、采样 1500 パケット/秒、5 GHz 帯域幅で評価。
• 活動認識とカウントのために、10 名のボランティアから 8 アクティビティの 800 サンプルを収集。
• アーキテクチャは特徴抽出に CNN を、時系列依存性に LSTM を組み合わせ、位相と振幅 CSI を入力として使用する。