[논문 리뷰] We Can "See" You via Wi-Fi - WiFi Action Recognition via Vision-based Methods

Jen-Yin Chang, Kuan-Ying Lee외 3명|arXiv (Cornell University)|2016. 08. 19.

Indoor and Outdoor Localization Technologies참고 문헌 4인용 수 3

한 줄 요약

이 논문은 채널 상태 정보(CSI)를 텍스처 유사 이미지로 간주하여 비전 기반의 Wi-Fi 동작 인식 및 사용자 식별 프레임워크를 제안한다. 고유한 위치에 의존하는 간섭을 제거하기 위해 특이값 분해(SVD) 기반의 노이즈 제거 기법을 적용하여, 교차 환경에서의 동작 인식 정확도가 90% 이상을 기록하였고, 보행 기반의 식별 가능성은 확인되었지만 거리 변화에 따른 약간의 성능 변동이 존재한다.

ABSTRACT

Recently, Wi-Fi has caught tremendous attention for its ubiquity, and, motivated by Wi-Fi's low cost and privacy preservation, researchers have been putting lots of investigation into its potential on action recognition and even person identification. In this paper, we offer an comprehensive overview on these two topics in Wi-Fi. Also, through looking at these two topics from an unprecedented perspective, we could achieve generality instead of designing specific ad-hoc features for each scenario. Observing the great resemblance of Channel State Information (CSI, a fine-grained information captured from the received Wi-Fi signal) to texture, we proposed a brand-new framework based on computer vision methods. To minimize the effect of location dependency embedded in CSI, we propose a novel de-noising method based on Singular Value Decomposition (SVD) to eliminate the background energy and effectively extract the channel information of signals reflected by human bodies. From the experiments conducted, we demonstrate the feasibility and efficacy of the proposed methods. Also, we conclude factors that would affect the performance and highlight a few promising issues that require further deliberation.

연구 동기 및 목표

• 원칙적으로 일반화 가능한 비전 기반 접근법을 개발하여, CSI를 이미지 유사 데이터로 활용한 Wi-Fi 기반 동작 인식 및 사용자 식별을 수행한다.
• CSI의 위치에 의존하는 특성으로 인해 교차 환경에서의 성능이 저하되는 문제를 해결한다.
• 상용 Wi-Fi 액세스 포인트를 사용하여 기기 없이 개인정보 보호가 가능한 인간 활동 인식을 가능하게 한다.
• 딥 러닝 프레임워크를 CSI로 변환된 이미지에 적용하여 동작 인식 및 개인 식별의 가능성을 탐색한다.
• 인식 정확도에 영향을 주는 주요 환경적 및 물리적 요인을 규명하고 향후 연구를 위한 열린 문제를 제시한다.

제안 방법

• 세로 및 가로 강도 값을 공간 밀도 값으로 간주하여 원시 CSI 데이터를 이미지 유사 표현으로 변환한다.
• 특이값 분해(SVD)를 적용하여 CSI 행렬을 분해하고 배경 에너지 및 환경 특화 성분을 제거함으로써 위치 의존성을 감소시킨다.
• 노이즈 제거된 CSI 이미지에서 동작 분류 및 개인 식별을 위해 비전 기반 딥 러닝 프레임워크(예: CNN)를 사용한다.
• 복장, 액세서리 및 샘플링 속도를 변화시켜 데이터 증강을 구현하여 강인성 테스트를 수행한다.
• 평가를 위해 10겹 교차 검증을 적용하고, 다양한 실내 환경과 조건에서 표준화된 데이터셋을 사용한다.
• 향후 연구에서 신호 세기 분포를 정규화하여 다양한 거리 간 성능 향상을 도모한다.

실험 결과

연구 질문

• RQ1 CSI를 효과적으로 텍스처 유사 이미지로 간주하여 비전 기반의 동작 인식이 가능할 수 있는가?
• RQ2 CSI의 위치 의존성이 교차 환경 인식 성능에 미치는 영향은 무엇이며, 이를 완화할 수 있는가?
• RQ3 거리, 샘플링 속도, 복장 변화가 동작 인식 및 식별 정확도에 어느 정도의 영향을 미치는가?
• RQ4 동일한 비전 기반 프레임워크를 동작 인식과 사용자 식별에 동시에 적용하는 것이 가능한가?
• RQ5 성능 저하에 기여하는 주요 환경적 및 물리적 요인는 무엇이며, 이를 어떻게 해결할 수 있는가?

주요 결과

• SVD 기반의 노이즈 제거 기법은 CSI에서 환경 특화 성분을 성공적으로 제거하여, 90% 이상의 정확도로 교차 환경에서의 동작 인식을 가능하게 하였다.
• 다른 실내 환경과 거리에서 테스트한 결과 동작 인식 정확도는 89.17%로 약간 하락했지만, 모든 동작에서 85% 이상을 유지하였다.
• 원본 데이터셋(1인당 10회 산책)을 사용한 실내 내부 동작 인식 정확도는 97.5%를 기록하였다.
• 다양한 복장과 액세서리 조건에서도 식별 성능이 우수했으며, 배낭을 지닌 120개의 추가 샘플을 사용한 결과 86.25%의 정확도를 기록하였다.
• 거리가 유일하게 성능에 뚜렷한 영향을 미친 요소였으며, 6m 거리에서 정확도는 89.17%로 하락했지만, 샘플링 속도와 복장 변화는 미미한 영향을 미쳤다.
• 초기 결과에 따르면 이 프레임워크는 보행 기반의 식별에 실용 가능성이 있음을 시사하지만, 훈련 그룹 외의 개인을 탐지하거나 장기적인 행동 변화에 대응하는 데는 여전히 과제가 남아 있다.