Continual Person Identification using Footstep-Induced Floor Vibrations on Heterogeneous Floor Structures

要約

人の識別は、スマートビルが健康監視、アクティビティ追跡、人事管理などのパーソナライズされたサービスを提供するために重要です。
ただし、以前の人の識別は、訪問者が通常予想される多くの建物や公共施設では非現実的であるすべての人からの事前に収集されたデータに依存しています。
これには、その場で人々のアイデンティティを徐々に学習する継続的な個人識別システムが必要です。
既存の研究では、この目標を達成するためにカメラを使用していますが、直接の視線が必要であり、公共の場でプライバシーの懸念を引き起こしています。
ウェアラブルや圧力マットなどのその他のモダリティは、デバイスのキャリーまたは密な展開の要件によって制限されます。
したがって、以前の研究では、足音誘発性の構造振動センシングが導入されました。これは、邪魔にならず、プライバシーに優しいと認識されています。
ただし、このアプローチには重要な課題があります。構造的な不均一性と人間の歩行の変動による振動データの高い変動性により、オンラインの個人識別アルゴリズムのパフォーマンスが低下します。
この論文では、正確なオンライン人の識別のために、足音誘発構造振動データの変動性を特徴付けます。
これを達成するために、さまざまな変動性のソースを定量化および分解し、特徴変換関数を設計して、各個人のデータ内の変動性を低下させて、異なる人々のデータをより分離可能にします。
20人のフィールド実験を通じてアプローチを評価します。
結果は、オンラインの個人識別の70％の変動性の低下と90％の精度を示しています。

要約(オリジナル)

Person identification is important for smart buildings to provide personalized services such as health monitoring, activity tracking, and personnel management. However, previous person identification relies on pre-collected data from everyone, which is impractical in many buildings and public facilities in which visitors are typically expected. This calls for a continual person identification system that gradually learns people’s identities on the fly. Existing studies use cameras to achieve this goal, but they require direct line-of-sight and also have raised privacy concerns in public. Other modalities such as wearables and pressure mats are limited by the requirement of device-carrying or dense deployment. Thus, prior studies introduced footstep-induced structural vibration sensing, which is non-intrusive and perceived as more privacy-friendly. However, this approach has a significant challenge: the high variability of vibration data due to structural heterogeneity and human gait variations, which makes online person identification algorithms perform poorly. In this paper, we characterize the variability in footstep-induced structural vibration data for accurate online person identification. To achieve this, we quantify and decompose different sources of variability and then design a feature transformation function to reduce the variability within each person’s data to make different people’s data more separable. We evaluate our approach through field experiments with 20 people. The results show a 70% variability reduction and a 90% accuracy for online person identification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google