齊美旭 施文 盛志恒 李明東

摘 要：基于計算機視覺的被動檢測采用攝像頭作為采集工具，通過采集到的圖像信息進行人類行為的檢測，通常應用于室外行人檢測以及人識別等領域。而基于射頻指紋信號的被動檢測采用射頻信號作為感知主體（常用藍牙、WiFi等射頻信號），通常應用于室內(nèi)等需要保證隱私場景中的人類行為檢測。本文針對室外和室內(nèi)兩類場景，分別使用基于計算機視覺的方法以及基于WiFi信號的方法實現(xiàn)人類行為檢測的任務目標。本文所提出的修改后YOLOv5s算法在行人檢測方面明顯優(yōu)于同類算法，具有88.65%的mAP性能，并且經(jīng)過輕量化以后，占用內(nèi)存僅為原模型的八分之一，顯著降低了內(nèi)存占用率，

關(guān)鍵詞：機器學習；計算機視覺；YOLOv5s

一、引言

本文以室內(nèi)場景下也可以作為一種新型的人機交互來執(zhí)行智能醫(yī)療監(jiān)控諸如智慧家居或者老年人跌倒檢測，或者可以通過識別人類行為來應用于交互式體感游戲等。而隨著深度學習的興起和廣泛應用，人類行為檢測的實時性和準確性也都有了大幅度的提高。大多數(shù)傳統(tǒng)的人類行為檢測系統(tǒng)使用佩戴式傳感器進行檢測和識別。盡管隨著技術(shù)的發(fā)展，傳感器的尺寸變得更小，數(shù)據(jù)收集變得更有效，但基于傳感器的檢測系統(tǒng)仍然面臨著部署的限制。特別是隨著傳感范圍和規(guī)模的不斷增加，部署和維護大規(guī)模傳感系統(tǒng)的成本也會急劇增加。

二、不同場景下基于計算機視覺的行為檢測分類研究

隨著現(xiàn)如今無線通信的迅猛發(fā)展，無線電環(huán)境的分布十分廣泛，人類在這些無線電環(huán)境當中的各項活動會引起環(huán)境中信號傳輸?shù)淖兓虼送ㄟ^檢測和分析這些信號的變化則可以判斷出環(huán)境中的人類行為。傳統(tǒng)的感知方法為接收信號強度指示，RSSI廣泛應用于室內(nèi)定位和運動物體被動跟蹤等場景當中。RSSI的采集十分方便，但是在實際的傳播環(huán)境當中，無線信號會受到多個障礙物的影響，從而產(chǎn)生多徑效應，因此RSSI的穩(wěn)定性較差，很難滿足現(xiàn)如今日益復雜的傳感任務的需求。為了解決這個問題，信道狀態(tài)信息這一指標逐漸成為分析的主流，并且逐漸取代了RSSI的應用場景。

外場景下的計算機視覺領域，人類行為檢測作為目標檢測的一個分支，主要的檢測思路與傳統(tǒng)的目標檢測方法相一致，主要分為了三個階段。第一階段首先在目標區(qū)域生成目標區(qū)域提案，第二階段則分別提取各個提案當中的特征信息，最后的階段則是根據(jù)提取到的特征進行分類。然而，考慮到預測精度與預測速度，傳統(tǒng)的檢測方法已經(jīng)不能滿足當今社會上的各項需求。而深度學習具備精度高、訓練速度快、以及計算量較低等優(yōu)勢，逐漸成為檢測方法中的主流。

三、場內(nèi)外環(huán)境的輕量化邊緣設備設置方法研究

邊緣設備的優(yōu)勢在于成本低、便于大范圍應用，但是劣勢則在于其設備的局限性，往往不適合大型算法的部署。上一章節(jié)當中我們所使用的YOLOv5算法最終的占用內(nèi)存大小約為190MB，即使是優(yōu)化后的YOLOv5s算法內(nèi)存占用也達到了55MB左右，過大的模型占用內(nèi)存不利于現(xiàn)代環(huán)境實時通信、檢測的需求，因此針對模型進行輕量化操作非常有必要。

（一）輕量化網(wǎng)絡剪枝流程

神經(jīng)網(wǎng)絡的輕量化近些年逐漸興起，主要的想法就是在不顯著降低模型性能的前提下，針對DNN進行算法模型的壓縮或者計算加速。在一般情況下，輕量化網(wǎng)絡的方法主要有四種，分別為DNN網(wǎng)絡參數(shù)的剪枝以及量化、低秩因子分解、轉(zhuǎn)移/緊湊卷積濾波器以及知識蒸餾等。

在使用轉(zhuǎn)移/緊湊卷積濾波器時，CNN的參數(shù)能有效保證針對輸入圖像的平移不變性，能成功保證訓練深度模型的時候不會導致嚴重的過擬合。雖然理論目前尚未得到證明，針對CNN的平移不變性以及網(wǎng)絡參數(shù)卷積權(quán)值共享這兩點至關(guān)重要。

采用了輕量化網(wǎng)絡剪枝的方法，對YOLOv5s網(wǎng)絡進行剪枝優(yōu)化，具體的流程如圖1所示。首先將初始化的YOLOv5s網(wǎng)絡進行稀疏化，即信道稀疏正則化訓練，稀疏化過后則通過小比例因子對不同通道進行修剪，之后將修剪后的網(wǎng)絡進行微調(diào)，反復循環(huán)這三項操作最終就可以得到一個緊湊型的網(wǎng)絡。

BN層網(wǎng)絡剪枝優(yōu)化，以卷積層為例，由于比例因子存在明顯差異，部分輸入層的通道比例因子可能無限接近于0，即這些層對于輸出層的影響十分有限，因此我們可以將這些層進行剪枝和修剪。通過迭代這個過程，最終可以得到一個非常緊湊的模型。

（二）基于WiFi信號的感知人類行為檢測方法

Wi-Fi環(huán)境中，人類進行不同的行為，會導致環(huán)境中分布的信號產(chǎn)生不同程度反射和衍射，同時改變信號的傳輸路徑和分布。針對這些Wi-Fi信號路徑所產(chǎn)生的變化，我們可以進行算法研究，從而識別不同的行為動作。人的運動行為導致了場景中Wi-Fi信號的傳播發(fā)生了不同程度的變化。信號接收器則可以收集變化前后各個傳播路徑的信號，將這些信號匯總最后生成并輸出CSI。

由于靜態(tài)路徑信號不受目標行為變化的影響，可以假定它是一個常數(shù)復值。假設A點和E點之間的距離很短，反射信號的幅度變化不大，因此也可以認為反射信號在該時間段內(nèi)為常數(shù)。從而得到最終的簡化CSI模型：

CSI數(shù)據(jù)預處理 由于環(huán)境噪聲和各種干擾的存在，采集到的CSI流無法直接訓練。因此，輸出CSI流需要經(jīng)過兩步預處理來提取特征，提取的特征將更有利于算法訓練，最終達到Wi-Fi感知的任務目標。預處理部分主要包括兩個部分，即CSI信號的去噪和轉(zhuǎn)換，以及特征提取。

信號去噪主要用于CSI振幅和相位噪聲的去除。相位方面，在實際Wi-Fi系統(tǒng)中，由于硬件不完善等原因，原始CSI測量值中存在相位偏移，如采樣時間偏移和采樣頻率偏移。具體如圖2所示。

四、總結(jié)

本章中主要探討了針對這類算法網(wǎng)絡的輕量化方法，首先進行了輕量化方法總結(jié)，考慮到目前常用的輕量化網(wǎng)絡方法可能并不適用于本文的研究目標，因此以行人檢測算法為例，討論其神經(jīng)網(wǎng)絡剪枝的可能性。本章針對YOLOv5s網(wǎng)絡的BN層進行了剪枝可行性分析，首先針對網(wǎng)絡進行稀疏化工作，其次采用L1正則化將網(wǎng)絡比例因子進行調(diào)整，使原先正太分布的因子在逼近0時存在有效的可剪枝網(wǎng)絡層，通過剪枝去除等于0或者無限逼近0處60%的網(wǎng)絡層，最后對整體的網(wǎng)絡進行微調(diào)，重復操作得到最終的緊密型網(wǎng)絡模型。

參考文獻：

[1]張大慶，張扶桑，吳丹，等.基于CSI的通信感知一體化設計：問題、挑戰(zhàn)和展望[J].移動通信，2022，46（05）：9-16.

[2]桂冠，王潔，楊潔，等.基于深度學習的頻分復用大規(guī)模多輸入多輸出下行信道狀態(tài)信息獲取技術(shù)[J].數(shù)據(jù)采集與處理，2022，37（03）：502-511.

基金項目：安徽省教育廳重點科研項目（項目號：2023AH052240），教育部高等教育司產(chǎn)學合作協(xié)同育人項目（項目號：202102223021），教育部高等教育司產(chǎn)學合作協(xié)同育人項目（編號：220904723130951），教育部高等教育司產(chǎn)學合作協(xié)同育人項目（項目號：202102049012）。