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

Sherif Abdulatif, Fady Aziz+4 more|arXiv (Cornell University)|Nov 17, 2018

Gait Recognition and Analysis被引用 5

一句话总结

本研究探讨了人体特征（尤其是BMI）如何影响基于雷达的人体识别中的微多普勒（μ-D）信号特征。基于22名受试者的跑步机实验数据集，卷积自编码器（CAE）从μ-D信号中提取潜在表征，并通过t-SNE进行可视化。50层残差网络在高信噪比下实现98%的识别准确率，在较低信噪比下达到84%。

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.

研究动机与目标

• 探讨人体特征（尤其是BMI）对微多普勒（μ-D）信号特征的影响，以实现人员识别。
• 开发一种深度学习框架，利用μ-D信号特征在不同信噪比（SNR）条件下实现高精度人员识别。
• 通过无监督特征学习与降维技术分析μ-D信号特征的潜在空间表征。
• 评估识别模型在不同SNR条件下的鲁棒性。

提出的方法

• 采用跑步机实验设置，收集22名具有不同性别和身体特征的受试者的微多普勒信号特征。
• 使用卷积自编码器（CAE）从原始μ-D信号中学习紧凑的低维潜在表征。
• 应用t分布随机邻域嵌入（t-SNE）将学习到的潜在表征在二维空间中可视化。
• 训练一个50层深度残差网络，基于μ-D信号特征对受试者进行分类，以实现人员识别。
• 在高SNR和不同SNR条件下评估模型性能，以评估其鲁棒性。

实验结果

研究问题

• RQ1 身体质量指数（BMI）与步行个体的微多普勒信号特征之间存在何种关联？
• RQ2 性别和BMI等人体特征在多大程度上影响微多普勒信号特征的可区分性？
• RQ3 深度学习模型能否在不同信噪比条件下有效识别个体？
• RQ4 通过CAE提取并经t-SNE可视化后的μ-D信号特征潜在空间表征，如何反映潜在的身体特征差异？

主要发现

• 身体质量指数（BMI）与步行个体的微多普勒信号特征的结构与特性之间存在可测量的相关性。
• 当信噪比（SNR）较高时，50层残差网络的测试准确率达到98%。
• 在较低或可变SNR条件下，识别准确率下降至84%，表明模型对噪声较为敏感。
• CAE学习到的潜在空间表征经t-SNE可视化后，显示出与身体特征相关的明显聚类模式，支持BMI对μ-D信号特征的影响。