普通路由器變“透視眼”？WiFi穿墻識別人體姿態

這兩天，在社交媒體 X 上，一種“穿墻透視技術”引起了廣泛討論。

這是 GitHub 平臺的一個開源項目 WiFi-DensePose，截至目前已獲得 3 萬+ 星標。

簡單來理解，它僅通過路由器的 Wifi 信號就可以穿透墻壁，實時推斷室內人體的精確的運動軌跡和姿態。關鍵是，它不需要攝像頭或云計算、沒有激光雷達和傳感器，甚至連特殊硬件都不需要。

圖丨相關推文（來源：X）

現在，當我們通常用攝像頭進行監控，在光線條件不佳的環境下，例如遇到遮擋、光線昏暗甚至完全黑暗等情況，不僅所拍攝的影像模糊，還涉及到隱私泄露等問題。另一方面，激光雷達等設備使用門檻較高，不僅價格高昂，還費電。

該系統所使用的 WiFi 設備簡單、成本低，不僅能實現信號穿墻，還不受光線等客觀條件的限制，也不會拍攝到人臉。

根據項目公開資料，該系統以 54,000 幀/秒的處理速度運行，即便多人同時在室內也可實現穿墻檢測，探測深度可達 5 米。系統完全在低成本硬件支持下運行，例如 ESP32 傳感器網絡（每個節點成本低至約 1 美元），整個模型僅需 55 KB 內存。

從硬件成本來看，該系統只需要普通 3 天線 WiFi 路由器，總成本大概在 54 美元。與激光雷達（約 700 美元）相比，具有顯著的價格優勢。

這種技術在不侵犯隱私的條件下，能夠監測室內人體的姿態。此外，該系統在無需任何可穿戴設備的條件下，還可以檢測呼吸頻率（6-30 次/分鐘）和心率（40-120 次/分鐘）。

小型可編程邊緣模塊在本地分析信號，并隨時間的推移學習房間的射頻特征，從而使系統能夠將環境與內部發生的活動進行區分，相當于在普通環境下獲得了一種空間感知能力。

圖丨工作原理（來源：GitHub）

這項技術的原型來自卡內基梅隆大學團隊的學術成果，相關論文題目為“DensePose from WiFi”。該系統的關鍵技術在于 WiFi 設備的信道狀態信息（CSI，Channel-state-information），通過 3 個發射天線和 3 個接收天線采集信號。

（來源：GitHub）

但是，CSI 一般僅用于二維感知，為更好地進行空間感知，研究人員對原始 CSI 信號進行相位去噪與校準處理，以消除因設備時鐘不同步，以及環境干擾所引發的隨機漂移和跳變等問題。

（來源：GitHub）

研究人員以 100Hz 的采樣率在 30 個子載波頻率中進行采集，然后他們將 5 個連續的 CSI 樣本整理成特定維度的幅度與相位張量，將它們作為模型的輸入數據。

（來源：GitHub）

在模型設計方面，該團隊使用了兩階段的深度學習框架。第一階段是模態轉換網絡，基于多層感知機與卷積-反卷積結構，把 CSI 信號映射成三通道特征圖，進而實現了 1D 信號向 2D 空間表示的轉化。

第二階段通過改進的 DensePose-RCNN 結構，來評估人體檢測、關鍵點定位和密集姿態的特征。值得關注的是，它可以還原出人體的三維表面信息。

（來源：arXiv）

另一方面，研究團隊采用遷移學習策略來提升訓練效率。首先，研究人員用基于圖像的 DensePose 模型當做教師網絡，然后對比 WiFi 信號生成的中間特征圖和圖像生成的特征圖，通過最小化兩者之間的差異來指導學生網絡的訓練。

結果顯示，該方法將訓練所需迭代次數顯著減少到 14.5 萬次，同時提升了模型的收斂速度和泛化能力。

這個系統在多種場景具有應用前景，例如居家場景，實時觀測老人或兒童的摔倒和日常活動行為；在智能家居場景，也可根據監測到的姿勢進行智能響應；此外，還可用于室內安防，來監測是否有異常情況。

未來，隨著技術的發展和優化，該技術有望成為兼具實用性和隱私保護的感知方式，并與當下傳感器在特定場景下的應用形成一種互補的方案。

參考資料：

https://x.com/oliviscusAI/status/2030602059712471112

https://github.com/ruvnet/RuView

https://arxiv.org/pdf/2301.00250

運營/排版：何晨龍