23、基于 Wi-Fi 的人类步态识别技术解析

基于 Wi-Fi 的人类步态识别技术解析

1. 相关工作与动机

在基于 Wi-Fi 的步态识别领域，存在两个主要挑战，而 GaitID 旨在解决这些问题。
- 轨迹和速度变化的鲁棒性 ：像 WiWho 和 WiFiU 尝试从 Wi-Fi 信号中提取包含人类特定信息的特征，如多普勒频移，但这些特征与用户相对于 Wi-Fi 设备的相对运动高度相关，对监测轨迹有严格限制。Widar3.0 提出的 BVP 特征主要适用于原地活动，且对目标移动速度敏感。例如，从不同行走方式的两个用户收集步态样本，在不同行走轨迹的数据集上训练和测试基于 CNN 和 RNN 的分类器，DFS 和 BVP 在同一轨迹上表现较好，但在不同轨迹测试时性能下降。而 GBVP 对轨迹和速度变化具有鲁棒性。
- 减少新用户的训练数据 ：现有工作为了充分利用运动特征的时空特性，使用复杂的深度神经网络来实现高精度。然而，更复杂的结构意味着需要训练更多参数，从而需要大量的训练数据。当添加新用户并重新训练网络时，这个问题变得更加明显。

2. 系统设计

2.1 GBVP 提取

Widar3.0 提出的 BVP 特征虽然能刻画人类活动且对位置、方向和环境变化具有弹性，但不能直接用于步态识别，原因有二：一是 BVP 是针对原地活动建模，而步态活动涉及身体的大幅移动；二是 BVP 提取算法复杂度高，难以应用于实时系统。因此，GaitID 设计了一种严格且灵活的特征提取算法来获取环境无关且特定于步态的特征 GBVP。
- GBVP 公式化 ：首先定义一个运算符 ⊗： <