[논문 리뷰] A Study of Human Body Characteristics Effect on Micro-Doppler-Based Person Identification using Deep Learning.

Sherif Abdulatif, Fady Aziz외 4명|arXiv (Cornell University)|2018. 11. 17.

Gait Recognition and Analysis인용 수 5

한 줄 요약

이 연구는 레이더를 이용한 신원 식별을 위한 인간 신체 특성, 특히 체질량지수(BMI)가 마이크로도플러(μ-D) 서명에 미치는 영향을 조사한다. 22명의 참가자로부터 획득한 트레드밀 기반 데이터셋을 이용해, 합성곱 오토에인코더(CAE)가 μ-D 서명으로부터 잠재 표현을 추출하고, t-SNE를 통해 이를 시각화한다. 50층의 잔차 신경망은 고신호대노이즈비(SNR) 조건에서 98%의 식별 정확도를 달성하였고, 저신호대노이즈비(SNR) 조건에서는 84%의 정확도를 기록하였다.

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.

연구 동기 및 목표

• 인간 신체 특성, 특히 체질량지수(BMI)가 마이크로도플러(μ-D) 서명에 미치는 영향을 조사하는 것.
• 다양한 신호대노이즈비(SNR) 조건에서 정확한 인간 식별을 위한 μ-D 서명을 활용하는 딥러닝 프레임워크를 개발하는 것.
• 비지도 특징 학습 및 차원 축소를 통해 μ-D 서명의 잠재 공간 표현을 분석하는 것.
• 다양한 SNR 조건에서 식별 모델의 강인성을 평가하는 것.

제안 방법

• 다양한 성별과 신체 특성을 가진 22명의 참가자로부터 트레드밀 기반 실험 설정을 통해 마이크로도플러 서명을 촬영하였다.
• 합성곱 오토에인코더(CAE)를 사용하여 원시 μ-D 서명으로부터 압축된 저차원 잠재 표현을 학습하였다.
• 학습된 잠재 표현을 2차원으로 시각화하기 위해 t-분포 확률 이웃 기반 임베딩(t-SNE)을 적용하였다.
• 50층의 깊은 잔차 신경망을 학습하여 참가자의 μ-D 서명을 기반으로 개인 식별을 위한 분류를 수행하였다.
• 모델의 강인성을 평가하기 위해 고SNR 및 다양한 SNR 조건에서 평가를 실시하였다.

실험 결과

연구 질문

• RQ1 체질량지수(BMI)는 보행 중 개인의 마이크로도플러 서명과 어떻게 관련이 있는가?
• RQ2 성별 및 BMI와 같은 인간의 신체 특성이 마이크로도플러 서명의 구분 가능성에 얼마나 영향을 미치는가?
• RQ3 딥러닝 모델은 다양한 신호대노이즈비(SNR) 조건에서 개인의 μ-D 서명을 효과적으로 식별할 수 있는가?
• RQ4 CAE로 추출한 μ-D 서명의 잠재 공간 표현을 t-SNE로 시각화했을 때, 이는 기저의 신체 특성 변화를 어떻게 반영하는가?

주요 결과

• 체질량지수(BMI)는 보행 중 개인의 마이크로도플러 서명의 구조 및 특성과 측정 가능한 상관관계를 보였다.
• 50층의 잔차 신경망은 신호대노이즈비(SNR)가 높을 경우 테스트 정확도 98%를 달성하였다.
• 저신호대노이즈비(SNR) 또는 변동성이 있는 SNR 조건에서는 식별 정확도가 84%로 떨어졌으며, 이는 노이즈에 민감함을 시사한다.
• CAE로 학습한 잠재 공간의 t-SNE 시각화 결과, 신체 특성과 관련된 명확한 군집 패턴이 드러나, BMI가 μ-D 서명에 미치는 영향을 뒷받침한다.