Pose classification of people using high resolution radar indoor
(2022) In Master's Theses in Mathematical Sciences FMAM05 20221Mathematics (Faculty of Engineering)
- Abstract
- Video cameras are the primary equipment used for indoor surveillance. There are however areas where alternatives are needed as the use of cameras is sensitive or forbidden, e.g. in homes, bathrooms or dressing rooms. A more privacy-preserving method is using a radar. The interest in radar-based surveillance indoors has increased in recent years with the development of high resolution radar sensors that are better at handling the challenges of indoor environments.
This thesis proposes a classification pipeline which aims to find people in a radar point cloud and classify their pose as either standing, sitting or lying down. Four classification models are implemented: one Random Forest Classifier, two PointNet-based classifiers of... (More) - Video cameras are the primary equipment used for indoor surveillance. There are however areas where alternatives are needed as the use of cameras is sensitive or forbidden, e.g. in homes, bathrooms or dressing rooms. A more privacy-preserving method is using a radar. The interest in radar-based surveillance indoors has increased in recent years with the development of high resolution radar sensors that are better at handling the challenges of indoor environments.
This thesis proposes a classification pipeline which aims to find people in a radar point cloud and classify their pose as either standing, sitting or lying down. Four classification models are implemented: one Random Forest Classifier, two PointNet-based classifiers of different sizes and a baseline model for comparison. These models are evaluated on realistic data from a home-like environment.
All classifiers performed better than the baseline model, with the smaller PointNet-based classifier achieving the best performance. The results show that it is feasible to use radar for simple pose classification in real-world environments. (Less) - Popular Abstract (Swedish)
- Att lära en högupplöst radar känna igen människor inomhus: övervakning med integritet i åtanke
Ett problem med övervakning med videokameror är att det kan vara integritetskränkande. Från en bild kan man både identifiera personer och se exakt vad de gör, vilket kan vara befogat i offentliga miljöer men inte i den privata bostaden. Här kan högupplöst radar vara en lösning. Med en radar går det inte att identifiera personer och vad de gör på samma sätt med en kamera. De algoritmer som vi har utvecklat kan känna igen antalet människor, var i rummet de är och på ett ungefär säga vad de gör utifrån en radarsignal. Detta kallar vi för övervakning med integritet i åtanke.
Det finns många ställen som skulle tjäna på att ha en enkel typ av... (More) - Att lära en högupplöst radar känna igen människor inomhus: övervakning med integritet i åtanke
Ett problem med övervakning med videokameror är att det kan vara integritetskränkande. Från en bild kan man både identifiera personer och se exakt vad de gör, vilket kan vara befogat i offentliga miljöer men inte i den privata bostaden. Här kan högupplöst radar vara en lösning. Med en radar går det inte att identifiera personer och vad de gör på samma sätt med en kamera. De algoritmer som vi har utvecklat kan känna igen antalet människor, var i rummet de är och på ett ungefär säga vad de gör utifrån en radarsignal. Detta kallar vi för övervakning med integritet i åtanke.
Det finns många ställen som skulle tjäna på att ha en enkel typ av automatisk övervakning. Ett exempel är att upptäcka fallolyckor hemma hos äldre för att snabbt hjälpa på plats. Detta kan åstadkommas genom att sätta upp kameror i alla rum och använda de välkända algoritmer som finns för att känna igen vad som sker i en bild. Det finns dock ett stort problem med detta tillvägagångssätt: de flesta vill inte bli filmade i sitt hem. Vi har istället undersökt hur man kan använda sig av en högupplöst inomhusradar för att både känna igen människor och säga om de står upp, sitter eller ligger ner. Genom att kombinera utmatningen från vår radar med annan information, som till exempel tid på dygnet, är det möjligt att identifiera högrisksscenarion som att en äldre person ligger ner på golvet mitt i natten.
En radar "ser" genom att skicka ut och ta emot radiovågor. Genom att jämföra den utskickade signalen med den inkommande kan radarn bygga upp en förståelse av omgivningen. Det första steget var att filtrera radarsignalen så att bara människor fanns med. Sen tog vi dessa människosignaler och tränade en maskininlärningsmodell (en AI) som kan känna igen om en person sitter, står eller ligger ner. På så sätt skapade vi en grundläggande uppfattning av vad som sker i ett rum. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9085311
- author
- Almqvist, Anton LU and Kuusela, Anton LU
- supervisor
- organization
- course
- FMAM05 20221
- year
- 2022
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- indoor radar, FMCW radar, point cloud, classification, Machine learning, Deep learning, PointNet
- publication/series
- Master's Theses in Mathematical Sciences
- report number
- LUTFMA-3478-2022
- ISSN
- 1404-6342
- other publication id
- 2022:E29
- language
- English
- id
- 9085311
- date added to LUP
- 2022-06-17 16:46:22
- date last changed
- 2022-06-17 16:46:22
@misc{9085311,
abstract = {{Video cameras are the primary equipment used for indoor surveillance. There are however areas where alternatives are needed as the use of cameras is sensitive or forbidden, e.g. in homes, bathrooms or dressing rooms. A more privacy-preserving method is using a radar. The interest in radar-based surveillance indoors has increased in recent years with the development of high resolution radar sensors that are better at handling the challenges of indoor environments.
This thesis proposes a classification pipeline which aims to find people in a radar point cloud and classify their pose as either standing, sitting or lying down. Four classification models are implemented: one Random Forest Classifier, two PointNet-based classifiers of different sizes and a baseline model for comparison. These models are evaluated on realistic data from a home-like environment.
All classifiers performed better than the baseline model, with the smaller PointNet-based classifier achieving the best performance. The results show that it is feasible to use radar for simple pose classification in real-world environments.}},
author = {{Almqvist, Anton and Kuusela, Anton}},
issn = {{1404-6342}},
language = {{eng}},
note = {{Student Paper}},
series = {{Master's Theses in Mathematical Sciences}},
title = {{Pose classification of people using high resolution radar indoor}},
year = {{2022}},
}