[논문]CSI를 활용한 딥러닝 기반의 실내 사람 수 추정 기법

안현성; 김승구

doi:10.6109/jkiice.2020.24.7.935

CSI를 활용한 딥러닝 기반의 실내 사람 수 추정 기법
A Deep Learning Based Device-free Indoor People Counting Using CSI 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.24 no.7, 2020년, pp.935 - 941

안현성 (Department of Electronic Engineering, Chungbuk National University) , 김승구 (Department of Electronic Engineering, Chungbuk National University)

초록
AI-Helper

사람 수 추정 기술은 IoT 서비스를 제공하기 위해 중요하다. 대부분의 사람 수 추정 기술은 카메라 또는 센서 데이터를 활용한다. 하지만 기존 기술들은 사생활 침해 문제가 발생 가능하며 추가로 인프라를 구축해야한다는 단점이 있다. 본 논문은 Wi-Fi AP를 활용하여 사람 수를 추정하는 방법을 제안한다. 사람 수 추정을 위해서 Wi-Fi의 채널 상태 정보를 딥러닝 기술을 활용하여 분석한다. Wi-Fi AP 기반 사람 수 추정 기술은 사생활 침해 우려가 없으며, 기존 Wi-Fi AP 인프라를 활용하면 되기 때문에 추가 비용이 발생하지 않는다. 제안하는 알고리즘은 k-바인딩 데이터 전처리 과정과 1D-CNN 학습 모델을 사용한다. AP 2대를 설치하여 6명의 사람 수 추정 결과를 실험을 통해 분석하였다. 정확한 사람 수 판별에 관한 결과는 64.8%로 낮은 결과를 보였지만, 사람의 수를 클래스로 분류한 결과는 84.5%의 높은 결과를 보였다. 해당 알고리즘은 제한된 공간에 사람의 밀집도를 파악하는데 응용 가능할 것으로 기대된다.

Abstract ▼ AI-Helper

People estimation is important to provide IoT services. Most people counting technologies use camera or sensor data. However, the conventional technologies have the disadvantages of invasion of privacy and the need to install extra infrastructure. This paper proposes a method for estimating the number of people using a Wi-Fi AP. We use channel state information of Wi-Fi and analyze that using deep learning technology. It can be achieved by pre-installed Wi-Fi infrastructure that reduce cost for people estimation and privacy infringement. The proposed algorithm uses a k-binding data for pre-processing process and a 1D-CNN learning model. Two APs were installed to analyze the estimation results of six people. The result of the accurate number estimation was 64.8%, but the result of classifying the number of people into classes showed a high result of 84.5%. This algorithm is expected to be applicable to estimate the density of people in a small space.

주제어

표/그림 (6)

그림 Fig. 1 Channel State Information
그림 Fig. 2 1D-CNN Model
표 Table. 1 Parameter Set for the Experiment
그림 Fig. 3 Experiment Environment
그림 Fig. 4 Data Collection
표 Table. 2 Experimental Results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

제안 방법

이러한 제약사항을 해결하기 위해 1D-CNN 모델을 사용하였다. 1D-CNNe 학습 데이터를 서브캐리어 인덱스별 특징을 학습하여 인원수를 판별한다. average subtract 데이터를 학습한 1D-CNN 모델은 평균 0.
3개의 데이터를 모두 사용하여 학습과 결과도출을 6 번 진행하였다. 각 모델별 최종 성능 비교는 딥러닝의 평가 지수중 하나인 Recall로 한다.
전처리하기 전과 후 두 개의 진폭데이터를 하나로 합친다. 3개의 은닉 층으로 이루어진 DNN모델을 만들고 학습시킨다. 88%의 결과가 나오지만 특정 위치에 고정된 상황에서만의 데이터로 학습 및 테스트를 진행한 한계점이 있다.
유클리드 거리 기법으로 인원별 서브캐리어 특징을 추출한다. 그리고 평균과 분산을 이용한 DBI(Device-Bouldin Index)를 이용하여 인원 수 별 특징을 데이터를 만들었다. 선형 판별 분석으로 사람 수 추정을 하였다.
4장에서는 데이터 수집 및 제언한 전처리 방식과 모델로 실험을 진행한다. 기존의 전처리 방식 및 DNN 모델과의 성능을 비교한다. 5장에서는 결론을 맺고 논문을 끝마친다.
선형 판별 분석으로 사람 수 추정을 하였다. 다수 인원에 대해서는 클래스로 묶어서 판별하였다. 하지만 52~72%로 전체적으로 낮은 결과를 보였다.
Wi-Fi AP간의 패킷 송수신만을 이용하여 사람 수를 추정한다. 멀티패스로 인한 페이딩 현상과 LOS 감쇠 특성을 이용하여 추정한다. 신호 세기(RSSI)를 이용한 방식[4]은 안정적인 결과를 뽑기 위해 추가적인 AP와 LOS 환경마다 설치해야하는 단점이 있다.
그리고 평균과 분산을 이용한 DBI(Device-Bouldin Index)를 이용하여 인원 수 별 특징을 데이터를 만들었다. 선형 판별 분석으로 사람 수 추정을 하였다. 다수 인원에 대해서는 클래스로 묶어서 판별하였다.
성능 향상을 위해 confusion matrix를 이용해 인접한 인원수 별로 묶어 Class Recall을 새롭게 도출하였다. confusion matrix란 입력한 실험 데이터를 모델이 어떻게 판별하였는지 표로 출력한 것이다.
CNNe 합성곱 신경망으로 불리며 사람의 시신경을 모방한 구조이다. 영상 또는 사진의 특징을 추출하여 학습한다. 전체적인 구조는 합성곱 계층과 풀링 계층으로 나뉜다.
저자는 잡음을 제거하는 데이터 전처리 방식인 k-binding을 제안한다. 또한 1차원 데이터에 CNN을 적용하는 1d-convolution을 이용하여 만든 1D-CNN 모델을 사용한다.
이미지를 사용하는 방법은 주로 CCTV 카메라를 사용[1]한다. 카메라에 찍힌 사진 또는 영상으로 사람의 특징을 분석하고 높은 정확도의 인구 밀집도를 계산한다. 그러나 빛의 영향으로 역광이 일어나 이미지에 손상이 일어나기도 한다.

대상 데이터

초당 20개의 패킷을 송수신하였으며 인원수별 3000개의 패킷을 송수신하였다. 0명부터 6명까지 총 7가지 케이스를 상황별로 데이터를 수집하였다. 각 상황별로 3개의 데이터를 수집하였다.
패킷 하나의 진폭 데이터 평균을 각 서브캐리어에 빼는 것으로 전처리 (average subtract)를 한다. 0명부터 9명까지 각 케이스별 1000개의 데이터를 수집한다. 전처리하기 전과 후 두 개의 진폭데이터를 하나로 합친다.
수를 판별하였다. 3가지의 각자 다른 크기의 실내에서 다수의 인원이 무작위 행동을 하는 데이터를 수집한다. 유클리드 거리 기법으로 인원별 서브캐리어 특징을 추출한다.
0명부터 6명까지 총 7가지 케이스를 상황별로 데이터를 수집하였다. 각 상황별로 3개의 데이터를 수집하였다. 그림 4는 실제로 실행한 실험의 사진이다.
리눅스 환경의 오픈소스 Atheros CSI tool[9]을 이용하여 내장되어 있는 네트워크 칩 AR9340의 CSI 정보를 수집하였다. AP의 설정 및 패킷 송수신 정보는 표 1 과 같다.
실험에 사용하는 AP는 TP-LINK 사의 TR-WDR4300[8] 이다. 리눅스 환경의 오픈소스 Atheros CSI tool[9]을 이용하여 내장되어 있는 네트워크 칩 AR9340의 CSI 정보를 수집하였다.
이것은 학습데이터의 잡음과 관련되어 있다. 실험은 초당 20개의 패킷을 송수신 하였다. 빠른 송수신으로 인해 데이터에 잡음이 기록되기도 한다.
AP의 설정 및 패킷 송수신 정보는 표 1 과 같다. 주파수 채널(Frequency Channel)은 2.4GHz를 사용하였고 송신파워(Tx power)는 20db로 고정하였다. 각각의 AP에는 2개의 송수신 안테나가 내장(MIMO)되어있다.
그렇기 때문에 크기 3×5인 빨간 구역 내에서 지정된 인원이 일정한 속도로 무작위의 행동을 하며 걸어 다녔다. 초당 20개의 패킷을 송수신하였으며 인원수별 3000개의 패킷을 송수신하였다. 0명부터 6명까지 총 7가지 케이스를 상황별로 데이터를 수집하였다.
한번의 송수신으로 총 224개의 서브캐리어(Total Subcarrier)를 출력한다. 초당 20개의 패킷을 송수신하였으며 총 3000개의 패킷의 진폭 데이터를 상황별로 기록하였다.
충북대학교 교육관 406호 강의실 양 끝에 AP를 배치하였다. 균일한 크기의 직사각형으로 강의실을 5×5 격자화 하였다.
20비트당 1심볼을 송수신하며 심볼들의 CSI 평균으로 한 패킷에 대한 CSI 데이터를 출력[10]한다. 한번의 송수신으로 총 224개의 서브캐리어(Total Subcarrier)를 출력한다. 초당 20개의 패킷을 송수신하였으며 총 3000개의 패킷의 진폭 데이터를 상황별로 기록하였다.
각 은닉층은 600, 300, 150개의 노드로 구성된다. 활성화 함수가 필요 없는 Flat layer를 제외하고 모든 연산의 활성화 함수는 Relu를 사용하였다.

이론/모형

제안한다. 또한 1차원 데이터에 CNN을 적용하는 1d-convolution을 이용하여 만든 1D-CNN 모델을 사용한다. k-binding 데이터 전처리 및 전처리 데이터를 학습한 모델은 기존 DNN을 사용한 결과와 비교하여 성능이 향상되었고 무작위 행동에 대해서도 인원수를 판별한다.
본 논문에서 사용하는 네트워크 펌웨어는 Atheros CSI tool[7]로 그림 1과 같이 복소수의 형태로 출력된다. Atheros CSI toole 802.
본 논문에서는 딥러닝을 이용한 사람 수 추정에 필요한 데이터 전처리 방식인 k-binding을 제안하고 학습 모델인 1D-CNN을 사용하였다. Cheng[5]등이 제안한 데이터 전처리 및 DNN 모델은 무작위로 행동하는 인원수 추정에 대해서 약 0.
학습(train)과 평가(test) 정확도(accuracy)의 수렴을 기준으로 학습 반복 횟수를 정한다. 수렴지점을 확인하기 위해 DNN 모델은 300까지 1D- CNNe 150까지 진행시켰다. 그 결과 DNN 모델은 150, 1D-CNN 모델은 20번 이후 정확도가 증가하지 않았다.
일반적인 CNNe 2 차원의 사진데이터를 처리하기 위해 만들어졌다. 이것을 1차원 데이터에 적용하기 위해 1d-convolution을 사용하여 1D-CNN 모델을 만들었다. 입력층 224개의 노드 중 7개의 노드를 묶어 합성곱을 진행한다.
이러한 오차 문제를 해결하기 위해 데이터 전처리 방식인 k-binding을 사용하였다. 1D-CNN에 k-binding데이터를 학습시킨 결과, 최소와 최대의 오차가 0.
56의 낮은 수치를 보였다. 이러한 제약사항을 해결하기 위해 1D-CNN 모델을 사용하였다. 1D-CNNe 학습 데이터를 서브캐리어 인덱스별 특징을 학습하여 인원수를 판별한다.

성능/효과

1D-CNNe 학습 데이터를 서브캐리어 인덱스별 특징을 학습하여 인원수를 판별한다. average subtract 데이터를 학습한 1D-CNN 모델은 평균 0.638까지 성능이 향상 되었다. 하지만 6번의 실험 결과 중 최소와 최대의 오차가 0.
수렴지점을 확인하기 위해 DNN 모델은 300까지 1D- CNNe 150까지 진행시켰다. 그 결과 DNN 모델은 150, 1D-CNN 모델은 20번 이후 정확도가 증가하지 않았다. 그 이상으로 학습을 진행하면 비용이 증가하여 모델이 다른 데이터에 대해 잘못된 판별을 할 수 있다.
638로 DNN 모델보다 높다. 그러나 6번의 결과 중 최대와 최소의 편차가 DNNe 0.03으로 작은 차이를 보였으나 1D-CNN 은 0.12로 매우 크다. 이것은 학습데이터의 잡음과 관련되어 있다.
02까지 증가하였다. 또한 모든 k-binding 결과들은 최대와 최소 편차가 절반 이상으로 감소하였다. k-binding 데이터 전처리는 데이터의 잡음을 제거하고 모델의 학습을 원활하게 한다.

참고문헌 (10)

C. Kim, and S. Choi, "A Camera-Based System for Counting People in Real Time", Korea Institute Of Communication Sciences, vol. 2002, no. 66, pp. 503-506, 2002.
S. Jang, and D. Jung, "Design of a People Counting System using Piezoelectric Sensors", The Korea Institute of Information and Communication Engineering, vol. 9, no. 1, pp. 149-152, 2017.
H. Li, E. C. L. Chan, X. Guo, "Wi-Counter: SmartphoneBased People Counter Using Crowdsourced Wi-Fi Signal Data", IEEE Transactions on Human-Machine Systems, vol. 45, no. 4, pp. 442-452, 2015.

상세보기
T. Yoshida, and Y. Taniguchi, "Estimating the number of people using existing WiFi access point in indoor environment", in Proceedings of the 6th European Conference of Computer Science, Italy pp. 46-53, 2015.
Y. Cheng, and R. Y. Chang, "Device-Free Indoor People Counting Using Wi-Fi Channel State Information for Internet of Things", in Proceedings IEEE Global Communications Conference, Singapore, pp. 1-6, 2017.
S. D. Domenicon, M. D. Sanctis, and E. Cianca, "A trained-once crowd counting method using differential wifi channel state information", in Proceedings of the 3rd International on Workshop on Physical Analytics, Singapore, pp. 37-42, 2016.
Atheros CSI Tool[Internet]. Available: https://wands.sg/research/wifi/AtherosCSI/
TL-WDR4300[Internet]. Available: https://www.tp-link.com/kr/home-networking/wifi-router/tl-wdr4300/.
keras Documentation[Internet]. Available: https://keras.io/.
R. Crepaldi, J. Lee, R. Etkin, S. Lee, and R. Kravets, "CSI-SF: Estimating wireless channel state using CSI sampling & fusion" in Proceedings IEEE International Conference on Computer Communications. USA, pp. 154-162, 2012.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증