FlowGait：利用毫米波雷达实现跨真实世界协变量的稳健长期步态识别

文献标题

FlowGait: Enabling Robust Long-Term Gait Recognition Across Real-World Covariates with mmWave Radar

出版信息

• 主题领域: 使用毫米波雷达进行长期步态识别，应用于智能家居场景。
• 关键词: 步态识别, 毫米波雷达, 持续学习, 自训练, Transformer网络, 伪标签, 生物识别系统, 智能家居, 长期适应, 实际环境变量。

背景与问题

• 问题与挑战: 现有步态识别系统由于服装、携带物品和行走路线等变量导致的领域偏移，难以保持长期可靠性。这些系统通常依赖于在受控环境中验证的静态模型，无法适应真实世界的多样性。
• 重要性: 稳健的步态识别对于实现个性化、主动且不显眼的智能家居交互至关重要，例如安全监测和环境智能。解决这些挑战可以提升家居环境的可用性和安全性。
• 动机与相关工作: 之前使用摄像头、Wi-Fi和超声波的研究在隐私、分辨率和环境敏感性方面存在局限性。毫米波雷达具有隐私保护和稳健性的优势，但尚未有效适配于长期部署。现有方法缺乏持续学习和适应演变步态模式的机制，导致实际应用中的空白。

解决方案

• 提出的方法: FlowGait，一个基于毫米波的框架，结合自训练和持续学习，通过未标注数据适应演变的步态模式。
• 创新点:
  1. 引入专为毫米波热图设计的Transformer特征提取网络。
  2. 开发两阶段步态遍历标注算法，用于准确生成未标注数据的伪标签。
  3. 实现核心集机制，以管理数据积累并防止持续学习中的灾难性遗忘。
  4. 在多样化数据集上验证，包括跨变量、跨路线和长期场景，表现出卓越的稳健性和准确性。
• 流程与关键技术:
  1. 将原始雷达信号预处理为Range-Doppler热图，并分割为离散步态。
  2. 使用层次化Transformer模型提取空间和时间步态特征。
  3. 应用步态遍历标注算法，在遍历过程中传播高置信度伪标签。
  4. 采用核心集机制进行高效的每日模型更新，平衡历史数据与新数据。

结果

• 具体发现:
  • 识别准确率: 94.8%（跨变量），98.6%（跨路线），96.6%（跨天）。
  • 长期性能衰退从13.6%减少至1.4%。
  • 对老年人（97.7%）和儿童（97.5%）组表现出色的准确率。
  • 实时推断延迟: 每样本7.16毫秒；每日模型更新约需6分钟完成。
• 相较基线的优势:
  • 在Top-1准确率上超越最先进方法（如RDGait）3.2%，在mAP上提升0.06。
  • 在跨变量和跨路线场景中相比监督和半监督基线提升6–21%的准确率。
• 实验与评估:
  • 数据集: 跨变量（12种条件），跨路线（11条路线），跨天（两周），以及人口数据集（老年人和儿童）。
  • 评估指标: Top-1准确率, mAP, 假接受率/假拒绝率。
  • 硬件: IWR6843boost毫米波雷达，消费级笔记本电脑用于实时测试。
• 局限性与未来工作:
  • 在多用户场景中存在挑战，例如近距离行走和信号遮挡。
  • 需要大规模预训练数据集以增强稳健性。
  • 探索环境变量（如家具布局）和多用户识别。

总结

FlowGait提出了一个自学习框架，用于基于毫米波雷达的稳健长期步态识别，解决了实际环境变量和时间变化问题。通过利用Transformer架构和创新的步态遍历标注算法，该系统在多样化数据集上实现了最先进的准确率，同时缓解了长期部署中的性能衰退。系统在智能家居应用中表现出实用性，通过用户研究确认了低延迟和高可用性。未来工作将集中于多用户场景、动态环境和大规模数据集开发，以进一步增强适应性和可扩展性。