[论文解读] A Deep-learning-based Method for PIR-based Multi-person Localization

Tianye Yang, Peng Guo+3 more|arXiv (Cornell University)|Apr 9, 2020

Video Surveillance and Tracking Methods参考文献 41被引用 7

一句话总结

该论文提出 PIRNet，一种基于深度学习的多人群体定位方法，利用热释电红外（PIR）传感器将部署密度降低 76%，同时保持高精度。该方法采用两阶段、模块化的神经网络架构，结合领域知识：通过信号分离与单人检测实现人数统计，通过信号提取与定位实现位置估计，并通过信号预处理和数据增强提升鲁棒性。

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.

研究动机与目标

• 解决现有基于 PIR 的无设备定位（DFL）系统部署密度过高的局限性。
• 在真实环境中，利用低成本、低功耗的 PIR 传感器实现高精度的多人群体定位。
• 通过利用 PIR 传感器的模拟输出而非将其视为二值运动检测器，降低对高传感器密度的依赖。
• 通过信号预处理和数据增强，提升对环境噪声和温度变化的鲁棒性。
• 通过领域感知的架构设计，实现模型在不同传感器部署配置下的泛化能力。

提出的方法

• 提出 PIRNet，一种两阶段、模块化的深度神经网络，将多人群体定位分解为人数统计与位置预测两个子任务。
• 将人数统计模块设计为两阶段网络：首先分离重叠信号，然后检测个体人员。
• 将定位模块设计为两阶段网络：首先提取相关信号分量，然后估计个体位置。
• 应用信号去噪与归一化预处理，以缓解环境噪声和温度引起的幅度变化。
• 引入两种数据增强技术：时间拉伸/压缩以模拟不同移动速度，以及幅度调制以模拟周围热源。
• 采用分层模块化架构，嵌入领域知识，缩小搜索空间，提升训练效率与精度。

实验结果

研究问题

• RQ1 深度学习模型能否仅利用低成本 PIR 传感器的模拟输出，有效实现多人群体定位？
• RQ2 如何将关于 PIR 信号特性的领域知识整合到神经网络架构中，以提升性能并降低部署密度？
• RQ3 信号预处理与数据增强在多大程度上可增强对环境噪声与传感器差异性的鲁棒性？
• RQ4 单一训练好的模型是否能在不同 PIR 传感器部署配置下实现泛化？
• RQ5 在多人群体场景下，部署密度降低与定位精度之间的权衡关系如何？

主要发现

• PIRNet 相较于传统基于 PIR 的方法，将部署密度降低了约 76%，同时保持高定位精度。
• 即使存在四个背景噪声源，人数统计准确率仍保持在 90% 以上，平均定位误差低于 1 米。
• 若不采用所提出的增强策略，人数统计准确率平均下降 1.6 个百分点，定位误差增加 6.8 厘米。
• 在 4m×4m 和 7m×3.5m 环境中，模型的平均定位误差分别为 0.75m 和 0.77m，表明具备跨部署配置的泛化潜力。
• 两阶段模块化设计显著优于端到端深度学习基线模型，后者在相同任务上表现不理想。
• 初步结果表明，训练一个对部署不敏感的方位角变化估计器，可实现同一模型在不同传感器布局下的复用，显示出强大的泛化潜力。