論文要約：低コスト FMCW レーダーを用いた準静的な人間検出のための軽量範囲・角度イメージングベースアルゴリズム

この論文は、長期的な介護施設（LTC）などの混雑した屋内環境において、低コストの 60 GHz FMCW レーダーを用いて、横たわる、座る、立つなどの「準静的（Quasi-static）」な人間の存在を、プライバシーを侵害せずに検出するための軽量な画像ベースの手法を提案しています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 背景と課題

• 課題: 従来の定常誤警報率（CFAR）検出器は、ドップラーシフトが非常に小さく、レーダーシグネチャが広がりやすい「準静的な人間活動」の検出に不向きです。特に、ソファや床に横たわるような活動は、壁や家具からの多重経路反射（マルチパス）やクラッタ（雑音）に埋もれやすく、従来の点ターゲット向けアルゴリズムでは検出精度が低下します。
• 制約: 介護施設ではプライバシーの懸念や低照度環境により、カメラの使用が制限されています。また、既存の深層学習ベースの手法は、高解像度データや高性能 MIMO アレイを必要とし、低電力の組み込みプラットフォーム（エッジデバイス）への展開には適していません。
• 目的: 安価な FMCW レーダー（受信チャンネル数が少ない）を用いて、計算リソースが限られた環境でも動作可能な、堅牢で軽量な人間検出システムの構築。

2. 提案手法

著者らは、レーダー信号処理と画像処理を融合させ、以下の 3 つのステップで構成されるパイプラインを提案しています。

2.1. データ収集と前処理

• ハードウェア: Infineon 製 60 GHz mmWave FMCW レーダー（TX1, RX3）を使用。
• データセット: 介護施設環境を模した部屋で、5 種類の準静的活動（立ち、ソファ座り、床座り、ソファ横たわり、床横たわり）を 3 名の被験者で収集。
• 前処理パイプライン:
  1. 生データ（IQ フレーム）からレンジ・ドップラーマップを生成（DC 除去、窓関数、FFT）。
  2. 静止クラッタ除去（MTI 段階）。
  3. Capon ビームフォーマを用いて、2 つの受信チャンネルからレンジ・アジマス（RA）マップ（2 次元画像）を生成。
  4. 各フレームを最大値で正規化し、画像値を [0, 1] の範囲に収める。

2.2. ベースライン手法（比較対象）

従来の 2 次元 CFAR 手法を RA 画像に適用します。

• CA-CFAR (Cell-Averaging): 検出セル（CUT）の周囲の参照セルの平均パワーを基準に閾値を設定。
• OS-CFAR (Order-Statistics): 参照セルのパワーをソートし、外れ値に強い順序統計量（k 番目に大きい値）を基準に閾値を設定。

2.3. 提案アルゴリズム：レンジ・アジマス・ランプ検出器

RA 画像を 2 次元グレースケール画像として扱い、人間の反射に対応する「連結された塊（lump）」を検出します。

1. パーセンタイルゲート: 画像全体のピクセル強度の上位 $p$ パーセンタイル（例：99%）を閾値 $\tau$ として設定し、それより明るいピクセルのみを抽出するバイナリマスクを作成。これにより、壁や床の広範囲なクラッタを除去し、人間のメインローブを保持します。
2. 形態学処理: 小さな構造化要素（2x2）を用いた「クローズ（Close）」処理で近接する明るいピクセルを連結し、微小なノイズ（アミノ値未満のブロブ）を除去します。
3. 連結成分ラベリング: 残ったブロブをラベル付けし、面積が最大のコンポーネント（最も大きな塊）のみを最終的な検出対象として選択します。
4. 計算量: 全ピクセルに対する単純な比較と論理演算のみで構成され、計算量は $O(HW)$（画像サイズに比例）であり、CFAR のスライディングウィンドウ処理（$O(HWK^2)$）に比べて極めて軽量です。

3. 実験結果

3 名の被験者、5 種類の活動、および Raspberry Pi 4B 上での実機評価を行いました。

3.1. 検出精度

• 全体平均: 提案手法は被験者 1 で 93.24%、被験者 2 で 92.3%、被験者 3 で 94.82% の平均検出精度を達成しました。
• 比較: 従来の CA-CFAR（平均 51.3%〜68.3%）や OS-CFAR（平均 68.3%〜78.8%）を大幅に上回りました。
• 難易度の高いケース: ソファでの横たわりや座りといった、クラッタの影響を受けやすい状況でも、提案手法は高い精度を維持しました（例：被験者 1 のソファ横たわりで、CA-CFAR は 33.0%、OS-CFAR は 43.9% に対し、提案手法は 86.6%）。
• ノイズ耐性: 強い背景クラッタが存在するフレームにおいて、CFAR 手法は検出に失敗しましたが、提案手法は正しく検出しました。

3.2. 計算パフォーマンス（Raspberry Pi 4B）

• 処理速度: 提案手法はフレームあたり平均 8.2 ms で処理可能であり、122 FPS 以上のスループットを達成しました。
• 高速化: OS-CFAR に対して約 74 倍 の高速化を実現しました（OS-CFAR は 601.1 ms）。
• リアルタイム性: レーダーのフレームレート（10 Hz）を十分に満たし、エッジデバイスでのリアルタイム展開が可能であることを示しました。

4. 主要な貢献

1. 軽量な画像ベースアプローチの提案: 高価な MIMO アレイや重厚な深層学習モデルに依存せず、低コストの FMCW レーダーと単純な画像処理（パーセンタイル閾値、連結成分解析）のみで、準静的な人間の検出を可能にしました。
2. 高クラッタ環境での堅牢性: 従来の CFAR が苦手とする、家具や壁による多重反射が激しい環境でも、空間的な一貫性を考慮した「最大塊」の選択により、高い検出精度を維持しました。
3. エッジデプロイメントの実証: Raspberry Pi 4B 上でのベンチマークにより、低遅延・低消費電力での実運用が可能であることを実証しました。

5. 意義と将来展望

• プライバシーと安全性: 視覚情報を取得しないため、介護施設などでのプライバシー懸念を解消しつつ、24 時間の監視を可能にします。
• コスト効果: 安価なセンサーと軽量アルゴリズムにより、大規模な医療施設や介護センターへのスケーラブルな展開が期待できます。
• 将来の展望: 処理パイプラインのさらなる最適化、および病院や介護施設などでの大規模な実証実験を通じて、分散型でコスト効果の高い監視システムとしての普及を目指しています。

結論として、この研究は、複雑な深層学習モデルに頼らずとも、適切な信号処理と画像処理の組み合わせにより、低コストハードウェア上で高精度かつリアルタイムな準静的人間検出が可能であることを示しました。