[논문 리뷰] A Deep-learning-based Method for PIR-based Multi-person Localization

Tianye Yang, Peng Guo외 3명|arXiv (Cornell University)|2020. 04. 09.

Video Surveillance and Tracking Methods참고 문헌 41인용 수 7

한 줄 요약

이 논문은 다수의 사람을 정밀하게 국소화하기 위해 열전기적 적외선(PIR) 센서를 사용하는 딥러닝 기반의 PIRNet을 제안한다. 기존 방법 대비 센서 배치 밀도를 76% 감소시키면서도 높은 정확도를 유지한다. 이 방법은 도메인 지식을 통합한 이중 단계, 모듈형 신경망 아키텍처를 사용한다: 신호 분리 및 단일 인물 탐지로 구성된 사람 수 세기, 신호 추출 및 위치 추정으로 구성된 위치 국소화. 신호 사전 처리 및 데이터 증강을 통해 강인성을 향상시킨다.

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.

연구 동기 및 목표

• 기존 PIR 기반 비장치 국소화(DFL) 시스템의 높은 센서 설치 밀도 문제를 해결하기 위해.
• 실생활 환경에서 저비용, 저전력 PIR 센서를 사용해 정확한 다수의 사람 국소화를 가능하게 하기 위해.
• PIR 센서의 아날로그 출력을 활용해 이진 운동 감지기로 간주하는 것에서 벗어나 높은 센서 밀도에 의존하는 것을 줄이기 위해.
• 신호 사전 처리 및 데이터 증강을 통해 환경 노이즈와 온도 변화에 대한 강인성을 향상시키기 위해.
• 도메인 인식 아키텍처 설계를 통해 다양한 센서 설치 구성에 걸쳐 모델 일반화를 가능하게 하기 위해.

제안 방법

• 다수의 사람 국소화를 사람 수 세기 및 위치 예측이라는 하위 작업으로 분해하는 이중 단계, 모듈형 딥 신경망인 PIRNet을 제안한다.
• 사람 수 세기 모듈을 이중 단계 네트워크로 설계: 먼저 겹치는 신호를 분리하고, 그 다음 개별 사람을 탐지한다.
• 위치 국소화 모듈을 이중 단계 네트워크로 설계: 먼저 관련 신호 성분을 추출하고, 그 다음 개별 위치를 추정한다.
• 주변 노이즈와 온도에 의한 진폭 변동을 완화하기 위해 신호 노이즈 제거 및 정규화 사전 처리를 적용한다.
• 시간적 스트레칭/압축을 통해 다양한 이동 속도를 시뮬레이션하고, 진폭 조절을 통해 주변 열원을 시뮬레이션하는 두 가지 데이터 증강 기법을 도입한다.
• 도메인 지식을 통합하기 위해 계층적이고 모듈형 아키텍처를 활용하여 검색 공간을 줄이고, 훈련 효율성과 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 저비용 PIR 센서의 아날로그 출력만을 사용하여 딥러닝 모델이 다수의 사람을 효과적으로 국소화할 수 있는가?
• RQ2 PIR 신호 특성에 대한 도메인 지식을 신경망 아키텍처에 어떻게 통합할 수 있을까? 이는 성능 향상과 설치 밀도 감소에 기여할 수 있는가?
• RQ3 신호 사전 처리 및 데이터 증강이 환경 노이즈와 센서 변동성에 대한 강인성을 얼마나 향상시킬 수 있는가?
• RQ4 동일한 모델이 다양한 PIR 센서 설치 구성에 걸쳐 일반화 가능한가?
• RQ5 다수의 사람 국소화 시나리오에서 설치 밀도 감소와 정확도 사이의 상호 상충 관계는 어떠한가?

주요 결과

• PIRNet는 기존의 전통적인 PIR 기반 방법 대비 약 76%의 센서 설치 밀도 감소를 이룩하면서도 높은 국소화 정확도를 유지한다.
• 네 개의 배경 노이즈 소스가 존재하는 상황에서도 사람 수 탐지 정확도는 90% 이상을 유지하며, 평균 국소화 오차는 1미터 이하를 유지한다.
• 제안된 데이터 증강 전략을 적용하지 않을 경우 사람 수 탐지 정확도는 평균 1.6%p 감소하고, 국소화 오차는 6.8cm 증가한다.
• 4m×4m 및 7m×3.5m 환경에서 각각 평균 국소화 오차가 0.75m와 0.77m를 유지하여 다양한 설치 구성에 대한 일반화 잠재력을 입증한다.
• 이중 단계 모듈형 설계는 종단 간 딥러닝 기반 모델 대비 성능을 크게 향상시키며, 동일한 작업에서 만족스럽지 못한 결과를 보였다.
• 초기 결과에 따르면, 설치에 민감하지 않은 방향각 변화 추정기 학습을 통해 동일한 모델을 다양한 센서 레이아웃에 재사용할 수 있으며, 이는 강력한 일반화 잠재력을 시사한다.