[论文解读] DeepWiTraffic: Low Cost WiFi-Based Traffic Monitoring System Using Deep Learning

Myounggyu Won, Sayan Sahu+1 more|arXiv (Cornell University)|Dec 19, 2018

Indoor and Outdoor Localization Technologies参考文献 34被引用 7

一句话总结

DeepWiTraffic 提出了一种低成本、非侵入式的基于WiFi的交通监控系统，利用两个WiFi收发器通过信道状态信息（CSI）检测并分类车辆。通过利用卷积神经网络（CNN）处理的CSI幅度和相位数据中的空间与时间相关性，该系统在真实农村道路数据上实现了99.4%的检测准确率和91.1%的平均分类准确率。

ABSTRACT

A traffic monitoring system (TMS) is an integral part of Intelligent Transportation Systems (ITS). It is an essential tool for traffic analysis and planning. One of the biggest challenges is, however, the high cost especially in covering the huge rural road network. In this paper, we propose to address the problem by developing a novel TMS called DeepWiTraffic. DeepWiTraffic is a low-cost, portable, and non-intrusive solution that is built only with two WiFi transceivers. It exploits the unique WiFi Channel State Information (CSI) of passing vehicles to perform detection and classification of vehicles. Spatial and temporal correlations of CSI amplitude and phase data are identified and analyzed using a machine learning technique to classify vehicles into five different types: motorcycles, passenger vehicles, SUVs, pickup trucks, and large trucks. A large amount of CSI data and ground-truth video data are collected over a month period from a real-world two-lane rural roadway to validate the effectiveness of DeepWiTraffic. The results validate that DeepWiTraffic is an effective TMS with the average detection accuracy of 99.4% and the average classification accuracy of 91.1% in comparison with state-of-the-art non-intrusive TMSs.

研究动机与目标

• 解决传统交通监控系统（TMS）在农村道路网络中部署和维护成本高的问题。
• 克服需要车道封闭且安装成本高昂的侵入式系统（如感应线圈、路面传感器）的局限性。
• 利用现成的WiFi硬件，开发一种非侵入式、便携且成本低廉的TMS替代方案。
• 在不使用侵犯隐私的摄像头的情况下，实现对车辆的高精度检测与分类（包括摩托车、乘用车、SUV、皮卡和大型卡车）。
• 通过利用车辆经过时产生的独特CSI特性，仅使用两个WiFi收发器实现高性能。

提出的方法

• 使用两个现成的WiFi收发器（TX和RX）在乡村双车道道路上采集来自多个子载波（实验中为30个）的CSI数据。
• 应用主成分分析（PCA）将多子载波CSI幅度数据压缩至单维，提升处理速度并提高检测准确率。
• 实施基于线性变换的相位预处理技术，增强对移动车辆引起的CSI相位变化的敏感度。
• 将预处理后的CSI数据（幅度和相位）转换为类似图像的表示形式，作为卷积神经网络（CNN）的输入。
• 训练CNN以自动从CSI图像中提取空间-时间特征，实现端到端的车辆分类。
• 利用为期一个月的地面真实视频数据，验证检测与分类性能与实际车辆类型的一致性。

实验结果

研究问题

• RQ1 能否有效利用WiFi CSI，在低成本、非侵入式条件下实现对农村道路上车辆的检测与分类？
• RQ2 CSI幅度和相位数据中的空间与时间相关性在区分不同车辆类型方面起到何种作用？
• RQ3 PCA与相位预处理技术在降低计算负载的同时，能在多大程度上提升检测与分类准确率？
• RQ4 与现有最先进的非侵入式TMS解决方案相比，所提出的基于CNN的模型在真实农村环境下的表现如何？
• RQ5 在存在环境噪声和低速移动障碍物（如行人）的情况下，系统能否在不降低性能的前提下保持高准确率？

主要发现

• DeepWiTraffic在所有车辆类型上实现了平均99.4%的车辆检测准确率，展现出近乎完美的检测能力。
• 该系统对五类不同车辆类型（摩托车、乘用车、SUV、皮卡和大型卡车）实现了平均91.1%的分类准确率。
• 基于PCA的降维方法能有效将30个CSI子载波压缩为单一成分，显著加快处理速度，同时保持检测保真度。
• 线性相位预处理技术成功捕捉了车辆引起的CSI相位动态变化，提升了分类性能。
• 基于图像格式CSI数据训练的CNN模型在特征提取与分类准确率方面优于传统机器学习方法。
• 系统在为期一个月的真实农村道路数据采集期间，对环境噪声和低速移动物体表现出强鲁棒性，保持了高准确率。