Electronic Frog Eye: Counting crowd Using Wi-Fi

Presentation on theme: "Electronic Frog Eye: Counting crowd Using Wi-Fi"— Presentation transcript:

1 Electronic Frog Eye: Counting crowd Using Wi-Fi
Wei Xi†, Jizhong Zhao†, Xiang-Yang Li∗, Kun Zhao† Shaojie Tang\, Xue Liu§ , Zhiping Jiang† †School of Electronic and Information Engineering, Xi’an Jiaotong University ∗ Department of Computer Science, Illinois Institute of Technology \ Department of Computer and Information Science, Temple University § School of Computer Science, McGill University

2 COTENTS Introduction Methodology Experiment results Conclusion

3 INTRODUCTION Robust crowd counting is an important task.
But, crowd behaviors may face various challenges because of unpredictable crowed behaviors. Traditional crowd counting approaches are classified into two categories: image based recognition and non-image based localization. 로바스트 크라우드 카운팅은 일상에서 중요한 이슈 중 하나입니다. 특히 투표자 수 카운팅이나 경기장 내 인원 수 카운팅 등에 사용될 수 있습니다. 하지만 예측 불가능한 군중의 이동이나 동작 때문에 정확한 카운팅에 다양한 문제가 존재합니다. 기존의 크라우드 카운팅은 image based recognition 와 non-image based localization로 나눌 수 있습니다.

4 INTRODUCTION Image based methods have inherent drawbacks such as environmental contribution of smoke or lacking of light. Non-image based methods use radio devices such as RFID tags, mobile phones, sensor nodes, etc. But, These device-based approaches require people to carry certain devices. Image based method 는 카메라와 같은 영상 기기를 이용하여 카운팅하는 방법인데 이 경우에는 빛이 어둡거나 안개와 같은 환경 변화에 의해 성능이 좌우되는 단점이 있습니다. Non-image based methods 는 RFID tags, mobile phones, sensor nodes와 같은 라디오 디바이스를 이용하여 카운팅하는 방법으로 이 경우에는 사용자가 직접 디바이스를 들고 다녀야 하는 불편함이있습니다.

5 INTRODUCTION Device –free approaches →employing RSS
But these method be affected by multipath propagation. In this paper, FCC(device-Free Crowd Counting) approach based on Channel State Information(CSI) from OFDM-based system has is proposed. 그래서 나온 접근 방법이 Device –free approaches 로 RSS를 이용하여 크라우드 카운팅을 하는 방법입니다. 하지만 이 방법은 multipath propagation에 따라 성능이 좌우됩니다. 때문에 이 논문에서는 OFDM을 사용한 C냐(channel state information) 기반의 FCC(FCC(device-Free Crowd Counting)를 제안하였습니다.

6 INTRODUCTION Moving people affect the signal transmission in 3 cases
이 논문에서는 crowd counting 을 측정하고자 하는 active area가 RX와 TX사이에 있는 경우, RS밖에 있는 경우, TX밖에 있는 경우로 나누어 고려하였습니다. 위의 시뮬레이션 결과를 보시면, 이동하는 사람의 수가 증가할수록 CSI가 더 흔들리고 움직이는 것을 확인할 수 있습니다. 그러므로, 유저 수에 따라 CSI가 어떻게 변하는지에 대한 정확한 인덱스만 구할 수 있다면 CSI로 유저 수를 정확히 분별할 수 있다고 이 논문에서는 말하고 있습니다. CSI values distribute more widely and change more drastic when there area more moving people.

7 Methodology The system works in two phases:
1) A short offline phase: construct the training profile for each stream. 2) A monitoring phase: update the stored training profile when there is human activity. 다음 그림은 FCC의 work flow로 크게 A short offline phase와 A monitoring phase로 나눌 수 있습니다. A short offline phase에서는 각각의 데이터 스트림에 대해 training profile을 생성하는 단계이고, a monitoring phase에서는 human activity가 발생하면, 이에 대해 저장된 stored training profile 를 업데이트하는 단계입니다. 정확도를 높이기 위해 하나의 sensor 가 아닌 multiple sensor 를 사용합니다. A major challenge is to formulate the relationship between CSI variation and the number of crowd.

8 Methodology If the sample points are expanded a certain sample size, the sample points will overlap with their neighboring points. → The overlapped area incurs intensity of the CSI variation. To reduce the overlapped area of sample point, PEM is used. 각 stream 별 CSI 측정 sample point 를 넓히면, CSI 가 겹치게 되는데 이는 CSI 흔들림을 유발합니다. 이를 줄이기 위해 이 논문에서는 PEM 이라는 방법을 제안하였습니다.

9 Methodology PEM(the Percentage of non-zero elements in the dilated CSI Matrix): 1) It indicate variation of CSI profiling as shown in Algorithm 1. 2) It is generally divided into 3 steps: Transform the CSI amplitude values into two-dimensional matrix, dilate the matrix, and count the non-zero element. 𝐂 𝐝 : the barriered CSI results S: the number of subcarriers P: the number of packets Cu and Cl: the maximum and minimum value of CSI measurements 𝑴 𝒄 : the number of rows of matrix D: the dilatation coefficient. PEM이란 the percentage of non-zero elements in the 다이레이트 CSI matrix 로 algorithm 1를 통해 CSI 매트릭스를 sample point 가 겹치지 않도록 확장하여줍니다.

10 Methodology The larger overlap areas of dilated point are the low percentage of non-zero elements in the dilated CSI matrix. 앞의 알고리즘에서 나온 확률 P[i]가 PEM 인데 시뮬레이션을 보시면 P[i]가 증가할수록 PEM이 증가하는 것을 알 수있습니다. . P[𝑖] increases with the growing number of moving people.

11 Methodology By using P[𝑖] (= 𝑃𝐸𝑀 𝑖 ), we calculate the number of moving people. But, PEM is non-negative, and its growth is a saturation process. To solve problem, Grey Verhulst Model is used. The raw data is assumed to be PEM을 사용함으로써 무빙 피블의 수를 구할 수 개략적으로 구분할 수 있습니다. 하지만, PEM 이 non-negative, and its growth is a saturation process이기 때문에 이동 인구 수가 일정이상 넘어가면 saturation 되어 PEM 이 증가하지 않고 일정해집니다. (non-negative, and its growth is a saturation process 인데 왜 Grey Verhulst Model을 써야 하는지 이해가 안 된다.) ‘n’ is the number characteristic data sequence.

12 Methodology The Grey Verhulst Model can be constructed by establishing a first order differential equation for 𝑋 1 (𝑘)as: a and b are the developing coefficient and grey action quantity, respectively. Parameters a and b can be obtained by using the least square method. 그레이 모델은 다음과 같은 수식으로 나타내어 집니다. 이 수식에서 a와 b는 developing coefficient 와 grey action quantity 를 나타내는데, 이 값을 구하기 위해 리스트 스퀘어 메소드가 사용되었습니다.

13 Methodology 𝑍 (1) is the Mean Generation of Consecutive Neighbours
Sequence (MGCNS) defined as following: 이해안됨. ← estimating number of each Rx ← average estimating number

14 Experiment results real-world experiments to show the performance and robustness of FCC. - Figure(a) compares the CDF pf crowd counting errors in indoor and outdoor environments. - Indoor environments have more obvious multi-path effects than outdoors. Figure (a)는 indoor 와 outdoor 환경에서 crowd counting errors 의 CDF를 보여줍니다. Figure (b)에서는 사람 수의 증가에 따라 PEM이 어떻게 변하는지 보여주는데, outdoor의 경우 people number 가 5 이상인 경우에는 PEM이 saturation 하게 됩니다. 이는 outdoor에서 indoor보다 multipath effect가 급변하기 때문입니다. Figure 10 에서는 dilatation coefficient 가 0에서 20까지 변화할 때의 PEM이 어떻게 변하는지 보여주고 있습니다. 위 결과를 통해 이 논문에서는 dilatation coefficient 를 10으로 두고 실험을 하였습니다.

15 Experiment results - The estimation error in case 3 is less than other three cases. - The low speed motion and high speed motion has a similar estimation accuracy, while hybrid motion has larger estimation errors. Case1: 12 people split into 2 groups, ones move near Rx1, and others move near Rx3 case2: one group move near Tx, and others move near Rx2, case 3: 12 people move random in the scenario case 4, 12 people split evenly into 3 groups with 4 people, and they move near Tx, Rx1, Rx3 respectively. 하이브리드 모션에 대해서는 각각의 사람이 다른 이동속도를 갖기 때문에 PEM과 사람 수 사이의 관계식이 불안정하게 되고, 이 점이 estimation accurac에 영향을 미치게 된다.

16 Experiment results The blue curve: the PEM variation with the increasing people. The green bars: the average estimation errors People 수가 22가 넘으면 estimation error 수가 급격히 증가하는데, 이는 PEM이 people 수가 22부터 증가하는 것이 멈추었기 때문이다. 이는 indoor의 경우 FCC가 판단할 수 있는 유저 수는 22명이라는 것을 의미한다. When people is more than 27, the estimation increases to more than 5. It is because that the PEM almost stops growing when people is more than 22.

17 Experiment results - SCPL is one of the latest device-free technique to count and localize multiple subjects in indoor environments. - The estimated results in FCC are relative stable batter than SCPL. 여기서는 crowd counting 을 위한 다른 방법인 SCPL과 FCC 접근 방식의 성능을 비교한다.

18 Conclusion Crowd counting is an important service needed by many applications. Previous crowd counting approaches either rely on smart phone or RFID tag carried by users. This paper proposed a novel device-free crowd counting method called FCC based on CSI measurements.

19 Conclusion We propose a new metric PEM to extract the feature of CSI variation. The relation between the PEM and the number of people can be leveraged by the Grey Verhulst Model to count crowd.