정리·개념 확인·참고 자료 · 21장 사례: micro-Doppler 행동 인식

정리

micro-Doppler는 표적 내부의 비강체 운동이 만드는, 시간에 따라 바뀌는 Doppler 성분이다. RD 맵은 관측 시간의 평균 Doppler만 보여 주므로 행동 인식은 STFT 스펙트로그램으로 시간 정보를 지킨다. Boulic 모델은 보행을 관절 17개로 나타내고, 이 사례는 몸을 분절 10개로 묶는다.
이 사례는 PRF 10 kHz에서 Hann 윈도우 n_fft 256(25.6 ms), hop 크기 64(겹침 75 %)로 STFT를 하고, Doppler bin은 0.076 m/s이다.
전처리(크기, [−60, 0] dB 정규화, 양·음 Doppler 유지, 128 × 128)는 모델 비교 전에 고정한다. 여섯 활동은 ridge 폭, 주기, 과도의 자리로 갈린다.
행동 인식 사례는 큐브 전체가 아니라 표적 range bin의 slow-time 신호를 분류해, 탐지·추적 오차와 움직임 모양을 따로 다룬다.
aspect angle이 커지면 cos θ만큼 모든 속도 성분이 줄어 클래스가 가까워진다. 데이터셋은 1 × 128 × 128, 6클래스, 30K/3K/3K, aspect angle [0°, 60°]가 기본이다.
기본 분할에서 LogReg 98.13 %, SVM 98.63 %, TinyCNN과 ResNet-18 100 %로 모두 포화한다. 이 값은 stress 결과를 해석할 기준선이다.
aspect angle 60°–80°에서 가장 크게 떨어진다(SVM 62.40 %, TinyCNN 87.30 %, ResNet-18 85.77 %). low-SNR에서 CNN은 거의 흔들리지 않는다. far-range는 SNR을 따로 샘플링해 효과가 약하게 보인다.
오분류는 walk↔run, sit_down↔idle처럼 모양이 이웃한 쌍에 몰린다. 실제 시스템으로 가려면 RD 맵 탐지 사례의 탐지·추적과 행동 인식을 차례로 잇고, 거리 추정 오차와 cross-subject 실측을 검증해야 한다.

개념 확인

77 GHz 레이다(λ = 3.893 mm)의 chirp 반복 주기 $T_r$ 이 100 µs(PRF 10 kHz)이고 STFT 윈도우가 chirp $N=256$ 개이다. 스펙트로그램의 Doppler bin 간격 $\lambda/(2NT_r)$ 은 몇 m/s인가?

풀이

답 0.076 m/s

힌트 주파수 bin 간격은 $1/(NT_r)$ 이고, 속도는 $v=\lambda f/2$ 로 바꾼다.

주파수 bin은 $10\,000/256=39.06$ Hz이고 속도로는 $3.893\times10^{-3}\times39.06/2=0.076$ m/s이다. 윈도우 길이는 25.6 ms이다.

n_fft = 256, hop = 64인 STFT에서 이웃한 두 윈도우는 몇 %가 겹치는가?

풀이

답 75 %

힌트 겹치는 샘플 수는 n_fft − hop이다.

$(256-64)/256=192/256=75$ %이다.

보행자가 레이다 시선과 60°를 이루며 걷는다. 레이다에 보이는 시선 속도는 실제 몸 운동 속도의 몇 배인가?

풀이

답 0.5

힌트 모든 속도 성분에 cos θ가 곱해진다.

$\cos60°=0.5$ 이다. 몸통 ridge와 팔다리 변조의 폭이 함께 절반으로 줄어 walk와 run의 차이도 절반이 된다. aspect angle stress(60°–80°)는 이 비율이 0.5에서 0.17까지 줄어드는 조건이다.

기본 분할에서 100 %를 낸 ResNet-18이 aspect angle 60°–80°에서 85.77 %로 떨어졌다. 가장 알맞은 해석은 무엇인가?

(가) 테스트 세트의 SNR이 낮아져 ridge가 잡음에 묻혔다.
(나) radial Doppler가 줄어 클래스 사이의 스펙트로그램 모양이 본질적으로 가까워졌다.
(다) ResNet-18이 학습 데이터에 과적합해 기본 분할에서도 실제로는 성능이 낮다.

풀이

답 (나) radial Doppler가 줄어 클래스 사이의 스펙트로그램 모양이 본질적으로 가까워졌다.

(가) low-SNR stress에서는 ResNet-18이 100 %를 유지했다. aspect angle stress의 원인은 잡음이 아니라 cos θ이다.
(다) 기본 분할 테스트 세트도 학습에 쓰지 않은 데이터이다. 문제는 분포 밖으로 나간 조건이다.

aspect angle이 커지면 cos θ가 모든 속도 성분에 곱해져 Doppler 폭이 좁아진다. 학습 분포(0°–60°) 밖의 조건에서 클래스 경계가 흔들린 것이다.

참고 자료

radar-ai-projects, micro-Doppler 행동 인식 사례 예제 코드와 데이터 생성기. 결과 그림과 표의 출처.
radar-ai-projects, RD 맵 탐지 사례와 micro-Doppler 행동 인식 사례의 기술 노트.
R. Boulic, N. Magnenat-Thalmann, and D. Thalmann, "A global human walking model with real-time kinematic personification," The Visual Computer, vol. 6, no. 6, pp. 344–358, 1990, doi: 10.1007/BF01901021.
V. C. Chen, F. Li, S.-S. Ho, and H. Wechsler, "Micro-Doppler effect in radar: Phenomenon, model, and simulation study," IEEE Trans. Aerosp. Electron. Syst., vol. 42, no. 1, pp. 2–21, 2006, doi: 10.1109/TAES.2006.1603402.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), 2016, pp. 770–778, doi: 10.1109/CVPR.2016.90. ResNet-18 backbone.
D. S. Park, W. Chan, Y. Zhang, C.-C. Chiu, B. Zoph, E. D. Cubuk, and Q. V. Le, "SpecAugment: A simple data augmentation method for automatic speech recognition," in Proc. Interspeech, 2019, pp. 2613–2617, doi: 10.21437/Interspeech.2019-2680.
공개 micro-Doppler 행동 인식 데이터셋: Glasgow Radar HAR(24 GHz FMCW), CI4R Activity Dataset, Ancortek 25 GHz 데이터셋 등. 운용 환경 검증의 참고 자료이다.
그림 출처: 활동별 스펙트로그램, stress 정확도, 혼동 행렬, 오분류 모음, low-SNR 예는 radar-ai-projects의 실행 결과이다.

정리

개념 확인

참고 자료

함께 읽을 자료