사례: micro-Doppler 행동 인식

걷기, 달리기, 앉기, 넘어지기, 손 흔들기, 가만히 있기를 레이다로 가른다. 사람의 몸통과 팔다리가 서로 다른 속도로 움직이며 만드는 micro-Doppler를 15장의 STFT로 시간-주파수 평면에 펼치고, 그 스펙트로그램을 분류한다. 수작업 특징(hand-crafted feature)과 CNN을 같은 데이터로 비교하고, 기본 분포에서의 높은 정확도가 물리 조건이 바뀔 때 얼마나 버티는지 본다. 결과는 예제 코드로 재현할 수 있다.

Bulk Doppler와 micro-Doppler

사람 하나가 만드는 Doppler는 왜 주파수 하나가 아니고, micro-Doppler 행동 인식 사례는 그것을 어떤 설정으로 보는가?

보행자의 몸통은 거의 일정한 속도로 나아가고, 팔과 다리는 그 위에서 주기적으로 앞뒤로 흔들린다. 강체 속도 위에 얹히는, 시간에 따라 바뀌는 이 속도 성분이 micro-Doppler이다. RD 맵(range-Doppler map) 한 장(8장)은 관측 시간의 평균 Doppler만 담으므로, 행동 인식(HAR, human activity recognition)은 관측 시간을 짧은 윈도우(창 함수)로 잘라 만든 스펙트로그램을 입력으로 쓴다. micro-Doppler의 물리, STFT, 윈도우 길이의 트레이드오프, 걷는 사람의 스펙트로그램은 15장에서 다루었다.

이 사례의 보행 모형은 Boulic, Magnenat-Thalmann, Thalmann의 운동학 모델(15장)에서 출발한다. Boulic 모델은 보행을 관절 17개의 각도로 나타낸다. 그 몸을 머리, 몸통, 팔, 다리로 묶으면 분절(segment) 10개가 된다. 관절 각도가 사인 함수로 바뀌므로 분절마다의 시선 속도(radial velocity)를 바로 계산할 수 있다. 걷기와 달리기를 가르는 단서는 몸통 속도 자체보다 팔다리 변조가 만드는 Doppler 폭과 변조 주기이다.

산란점 모델(넷째 절)은 이 분절들을 다시 몸통, 머리, 팔다리 산란점 몇 개로 줄인다. 그 절의 그림이 보행 자세와 산란점의 속도를 함께 보인다.