[论文解读] We Can "See" You via Wi-Fi - WiFi Action Recognition via Vision-based Methods

Jen-Yin Chang, Kuan-Ying Lee+3 more|arXiv (Cornell University)|Aug 19, 2016

Indoor and Outdoor Localization Technologies参考文献 4被引用 3

一句话总结

该论文提出了一种基于视觉的Wi-Fi动作识别与用户识别框架，将信道状态信息（CSI）视为类似纹理的图像。通过基于奇异值分解（SVD）的去噪方法，消除与位置相关的干扰，该方法在跨环境动作识别中实现了超过90%的准确率，并在步态识别方面展现出潜力，尽管在不同距离下性能略有波动。

ABSTRACT

Recently, Wi-Fi has caught tremendous attention for its ubiquity, and, motivated by Wi-Fi's low cost and privacy preservation, researchers have been putting lots of investigation into its potential on action recognition and even person identification. In this paper, we offer an comprehensive overview on these two topics in Wi-Fi. Also, through looking at these two topics from an unprecedented perspective, we could achieve generality instead of designing specific ad-hoc features for each scenario. Observing the great resemblance of Channel State Information (CSI, a fine-grained information captured from the received Wi-Fi signal) to texture, we proposed a brand-new framework based on computer vision methods. To minimize the effect of location dependency embedded in CSI, we propose a novel de-noising method based on Singular Value Decomposition (SVD) to eliminate the background energy and effectively extract the channel information of signals reflected by human bodies. From the experiments conducted, we demonstrate the feasibility and efficacy of the proposed methods. Also, we conclude factors that would affect the performance and highlight a few promising issues that require further deliberation.

研究动机与目标

• 开发一种可泛化的、基于视觉的Wi-Fi动作识别与用户识别方法，利用CSI作为图像化数据。
• 解决CSI中与位置相关的干扰问题，该问题会降低跨环境性能。
• 利用商用Wi-Fi接入点实现免设备、保护隐私的人类活动识别。
• 探究在CSI转换为图像后，使用深度学习框架进行动作识别与人员识别的可行性。
• 识别影响识别准确率的关键环境与物理因素，并指出未来研究的开放性问题。

提出的方法

• 通过将幅度和相位视为空间强度值，将原始CSI数据转换为类似图像的表示形式。
• 应用奇异值分解（SVD）对CSI矩阵进行分解，去除背景能量和环境特异性分量，从而降低与位置相关的依赖性。
• 使用基于视觉的深度学习框架（如卷积神经网络，CNNs）对去噪后的CSI图像进行动作分类与个体识别。
• 通过改变衣物、配饰和采样率实施数据增强，以测试系统的鲁棒性。
• 采用10折交叉验证进行评估，使用在多个房间和不同条件下标准化的数据集。
• 在未来工作中对信号功率分布进行归一化，以提升在不同距离下的性能。

实验结果

研究问题

• RQ1 CSI能否被有效视为类似纹理的图像，以实现基于视觉的动作识别？
• RQ2 CSI中的位置依赖性如何影响跨环境识别性能，是否可以被缓解？
• RQ3 距离、采样率和衣物的变化在多大程度上影响动作识别与识别的准确率？
• RQ4 是否可行使用同一套基于视觉的框架同时实现动作识别与用户识别？
• RQ5 哪些关键的环境与物理因素会降低性能，又该如何应对？

主要发现

• 基于SVD的去噪方法成功去除了CSI中的环境特异性分量，使跨环境动作识别准确率超过90%。
• 在不同房间和距离下进行测试时，动作识别准确率下降至89.17%，但所有动作的准确率仍保持在85%以上。
• 在使用原始数据集（每人10次行走）时，室内动作识别准确率达到97.5%。
• 在不同服装和配饰条件下，识别性能依然强劲，当使用120个额外样本（携带背包）时，准确率达到86.25%。
• 距离是唯一显著影响性能的因素，6米距离时准确率降至89.17%，而采样率和衣物的影响微乎其微。
• 初步结果表明该框架在步态识别方面具有可行性，但对训练组外个体的检测仍存在挑战，且在适应长期行为变化方面仍需改进。