[论文解读] HOOD: Real-Time Human Presence and Out-of-Distribution Detection Using FMCW Radar

Sabri Mustafa Kahya, Muhammet Sami Yavuz+1 more|arXiv (Cornell University)|Jul 24, 2023

Non-Invasive Vital Sign MonitoringEngineering被引用 3

一句话总结

HOOD 提出了一种基于重建的实时深度学习方法，利用 60 GHz FMCW 雷达实现鲁棒的人类存在检测与分布外（OOD）检测。通过利用宏观和微观距离-多普勒图像（RDIs）以及增强的 E-RESPD 预处理技术的多编码器-多解码器架构，HOOD 在杂波环境中检测人类的平均 AUROC 达到 94.36%，即使在屏息或部分遮挡情况下依然有效，同时能够识别干扰为 OOD。

ABSTRACT

Detecting human presence indoors with millimeter-wave frequency-modulated continuous-wave (FMCW) radar faces challenges from both moving and stationary clutter. This work proposes a robust and real-time capable human presence and out-of-distribution (OOD) detection method using 60 GHz short-range FMCW radar. HOOD solves the human presence and OOD detection problems simultaneously in a single pipeline. Our solution relies on a reconstruction-based architecture and works with radar macro and micro range-Doppler images (RDIs). HOOD aims to accurately detect the presence of humans in the presence or absence of moving and stationary disturbers. Since HOOD is also an OOD detector, it aims to detect moving or stationary clutters as OOD in humans' absence and predicts the current scene's output as "no presence." HOOD performs well in diverse scenarios, demonstrating its effectiveness across different human activities and situations. On our dataset collected with a 60 GHz short-range FMCW radar, we achieve an average AUROC of 94.36%. Additionally, our extensive evaluations and experiments demonstrate that HOOD outperforms state-of-the-art (SOTA) OOD detection methods in terms of common OOD detection metrics. Importantly, HOOD also perfectly fits on Raspberry Pi 3B+ with an ARM Cortex-A53 CPU, which showcases its versatility across different hardware environments. Videos of our human presence detection experiments are available at: https://muskahya.github.io/HOOD

研究动机与目标

• 解决由于室内环境中移动和静止杂波导致的人类存在检测误报问题。
• 在人类部分可见、屏息或处于复杂姿势时，仍能实现鲁棒的人类存在检测。
• 在无人存在时，同步检测分布外（OOD）干扰（如风扇、玩具），确保可靠的“无存在”预测。
• 开发一种无需依赖人类运动线索的实时、无活动检测系统，可在多样化室内场景中泛化。
• 在基于雷达的应用中，通过基于重建的深度学习框架，超越当前最先进（SOTA）的 OOD 检测方法。

提出的方法

• HOOD 采用基于重建的深度神经网络，结合多编码器-多解码器架构，在 60 GHz FMCW 雷达的宏观和微观距离-多普勒图像（RDIs）上进行训练。
• 集成增强的 E-RESPD（E-RESPD）预处理技术，以检测细微的人体运动，包括呼吸和微运动，即使在屏息状态下也能识别。
• 通过在重建误差得分上应用多阈值策略，将样本分类为人类分布内（ID）或干扰分布外（OOD）。
• 训练过程中包含混合的 ID/OOD 样本（ID + OOD），使模型即使在杂波信号占主导时也能检测到人类。
• 该方法通过统一的处理流程，无需基于运动的假设，即可处理静态（站立、就坐）和动态（行走）的人体行为。
• HOOD 设计用于实时推理，可部署于微控制器以实现边缘自主。

实验结果

研究问题

• RQ1 基于重建的深度学习模型是否能在杂波信号模拟人类运动的室内环境中，以高精度检测人类存在？
• RQ2 当无人存在时，系统在无真人场景下能否有效区分人类与分布外干扰（如风扇、移动物体）？
• RQ3 在部分遮挡、屏息或蹲伏姿势等挑战性条件下，模型能否保持高检测性能？
• RQ4 引入混合 ID/OOD 训练样本是否能提升模型在主导杂波环境中检测人类的能力？
• RQ5 在基于雷达的数据上，HOOD 与当前最先进 OOD 检测方法相比，其 AUROC 和 FPR95 表现如何？

主要发现

• HOOD 在自建的 60 GHz FMCW 雷达数据集上实现了 94.36% 的平均 AUROC，表明其在多样化场景中具有高检测性能。
• 系统在屏息和蹲伏姿势下仍能保持高精度检测人类，而传统基于运动的方法在此类情况下会失效。
• 当无人存在时，HOOD 能够成功识别并分类移动和静止的干扰为 OOD，即使在高杂波房间中也表现良好。
• 模型对部分可见的人类（如被桌子遮挡或处于倾斜角度）具有良好的泛化能力，维持可靠的检测性能。
• 在基于雷达的数据上，HOOD 在 AUROC 和 FPR95 指标上均优于当前最先进 OOD 检测方法，尤其在复杂的混合 ID/OOD 场景中表现突出。
• 实时评估证实了该系统在智能家居、安防和能效优化应用中的可部署性。