TRGR: Transmissive RIS-aided Gait Recognition Through Walls

📄 arXiv: 2407.21566v1 📥 PDF

作者: Yunlong Huang, Junshuo Liu, Jianan Zhang, Tiebin Mi, Xin Shi, Robert Caiming Qiu

分类: cs.AI

发布日期: 2024-07-31

备注: Globecom 2024 IoTSN accepted

💡 一句话要点

提出TRGR以解决墙体穿透下的步态识别问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 步态识别 射频信号 可重构智能表面 信号处理 深度学习 残差卷积网络 墙体穿透 智能监控

📋 核心要点

  1. 现有步态识别系统依赖视距环境，且在信号穿越墙体时信噪比低，导致识别效果不佳。
  2. TRGR通过透射可重构智能表面（RIS）和配置交替优化算法，提升信号穿透能力，实现墙体后的步态识别。
  3. 实验结果显示TRGR在混凝土墙穿透情况下的识别准确率高达97.88%，验证了其有效性和鲁棒性。

📝 摘要（中文）

步态识别利用射频（RF）信号实现精确识别，具有广泛应用潜力。然而，现有系统在视距环境下工作，且信号穿越混凝土和厚墙时信噪比低，识别效果不佳。为此，本文提出TRGR，一种新型的透射可重构智能表面（RIS）辅助步态识别系统。TRGR仅利用一对收发器的信道状态信息（CSI）幅度测量，能够穿墙识别个体。通过结合透射RIS和配置交替优化算法，TRGR提升了信号穿透能力和质量，实现了准确的步态识别。实验结果表明，TRGR在信号穿越混凝土墙时的平均识别准确率达到97.88%，展示了其在RF步态识别系统中的巨大潜力。

🔬 方法详解

问题定义：现有步态识别方法在信号穿越墙体时面临信噪比低和识别准确性差的问题，限制了其应用场景。

核心思路：TRGR系统通过引入透射可重构智能表面（RIS），结合配置交替优化算法，增强信号穿透能力和质量，从而实现墙体后的步态识别。

技术框架：TRGR的整体架构包括信号收发模块、透射RIS模块和残差卷积网络（RCNN）作为主干网络。信号通过RIS进行处理，RCNN用于提取和学习人类步态特征。

关键创新：TRGR的核心创新在于利用透射RIS提升RF信号的穿透能力，显著改善了在复杂环境下的步态识别性能，与传统方法相比具有本质的提升。

关键设计：在设计中，采用了配置交替优化算法以优化RIS配置，RCNN网络结构用于提取步态特征，确保系统在低信噪比条件下依然能够保持高识别准确率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，TRGR在信号穿越混凝土墙时的平均识别准确率达到97.88%，显著高于现有方法。这一结果验证了透射RIS在提升RF步态识别系统性能方面的有效性，展示了其在实际应用中的巨大潜力。

🎯 应用场景

TRGR的研究成果具有广泛的应用潜力，特别是在安全监控、智能家居和人机交互等领域。通过在墙体后进行步态识别，能够实现对个体的非接触式监测，提升安全性和便利性。未来，随着技术的进一步发展，TRGR有望在更多复杂环境中应用，推动智能识别技术的进步。

📄 摘要（原文）

Gait recognition with radio frequency (RF) signals enables many potential applications requiring accurate identification. However, current systems require individuals to be within a line-of-sight (LOS) environment and struggle with low signal-to-noise ratio (SNR) when signals traverse concrete and thick walls. To address these challenges, we present TRGR, a novel transmissive reconfigurable intelligent surface (RIS)-aided gait recognition system. TRGR can recognize human identities through walls using only the magnitude measurements of channel state information (CSI) from a pair of transceivers. Specifically, by leveraging transmissive RIS alongside a configuration alternating optimization algorithm, TRGR enhances wall penetration and signal quality, enabling accurate gait recognition. Furthermore, a residual convolution network (RCNN) is proposed as the backbone network to learn robust human information. Experimental results confirm the efficacy of transmissive RIS, highlighting the significant potential of transmissive RIS in enhancing RF-based gait recognition systems. Extensive experiment results show that TRGR achieves an average accuracy of 97.88\% in identifying persons when signals traverse concrete walls, demonstrating the effectiveness and robustness of TRGR.