Lightweight Range-Angle Imaging Based Algorithm for Quasi-Static Human Detection on Low-Cost FMCW Radar

1. 문제 정의 (Problem Statement)

• 준정적 (Quasi-static) 인간 활동의 탐지 어려움: 누워있기, 앉아있기, 서 있기와 같은 활동은 매우 낮은 도플러 편이 (Doppler shift) 와 넓게 퍼진 레이더 서명을 생성합니다. 이로 인해 점 목표물 (point targets) 을 위해 조정된 기존 CFAR(Constant-False-Alarm Rate) 탐지기로는 탐지가 매우 어렵습니다.
• 환경적 제약: 요양 시설 (LTC) 과 같은 장기 요양 환경에서는 사생활 보호 (Privacy) 문제와 낮은 조명 조건으로 인해 카메라 기반 감시 시스템의 사용이 제한됩니다.
• 기존 방법의 한계:
  • 기존 연구들은 주로 고해상도 MIMO 어레이나 무거운 딥러닝 네트워크에 의존하여, 저전력 임베디드 환경 (예: 라즈베리 파이) 에 배포하기 어렵습니다.
  • 저비용 FMCW 레이더 (소수의 수신 채널) 를 사용하여 준정적 인간 존재를 탐지하는 경량화된 이미지 기반 방법은 기존에 제안된 바가 없습니다.

2. 방법론 (Methodology)

2.1. 데이터 수집 및 전처리

• 하드웨어: 상용 60 GHz mmWave FMCW 레이더 (Infineon XENSIV™ BGT60TR13C, 1Tx/3Rx) 사용.
• 데이터셋: 요양 시설의 실제 환경 (소파, 테이블, 벽 등 반사체 및 클러터 존재) 에서 3 명의 피험자가 5 가지 활동 (서 있음, 소파에 앉음, 바닥에 앉음, 소파에 눕음, 바닥에 눕음) 을 수행한 데이터.
• 전처리 파이프라인:
  1. DC 제거 및 윈도우링: Raw IQ 데이터에 Blackman-Harris 윈도우 적용.
  2. FFT: 느린 시간 축 (Slow time) 과 빠른 시간 축 (Fast time) 에 대한 FFT 수행으로 Range-Doppler 맵 생성.
  3. 클러터 제거: 이동 표적 지시 (MTI) 와 유사한 고역통과 필터 적용.
  4. Capon 빔포밍: 2 개의 수신 채널 (RX0, RX2) 을 사용하여 Range-Azimuth (RA) 맵 생성. 이는 2 차원 이미지 ($64 \times 256$) 로 변환되어 정규화됨.

2.2. 제안된 알고리즘: Range-Angle Subject Detector

기존의 CFAR 방식 대신, RA 맵을 2D 그레이스케일 이미지로 간주하고 **연결된 덩어리 (Connected Lump)**를 찾는 접근법을 채택했습니다.

• 핵심 단계 (Algorithm 1):
  1. 백분위수 게이팅 (Percentile Gating): 전체 픽셀 강도 중 상위 $p$% (예: 99%) 이상의 픽셀만 선택하여 이진 마스크 생성. 이는 바닥과 벽의 배경 클러터를 제거하고 인간의 주요 반사 신호를 보존합니다.
  2. 형태학적 연산 (Morphological Operations):
     • Closing: 작은 구조 요소 (2x2) 를 사용하여 인접한 밝은 픽셀을 연결.
     • Small Blob 제거: 임계값 ($A_{min}$) 이하의 작은 덩어리는 제거.
  3. 연결 성분 분석 (Connected Components): 남은 덩어리 중 가장 큰 영역을 선택하여 최종 탐지 객체로 결정.
• 복잡도: 모든 픽셀에 대한 단순 비교 및 논리 연산만 수행하므로 $O(HW)$의 선형 시간 복잡도를 가지며, 기존 슬라이딩 윈도우 기반 CFAR ($O(HWK^2)$) 보다 훨씬 가볍습니다.

2.3. 비교 대상 (Baseline)

• 2-D CA-CFAR (Cell-Averaging): 주변 참조 셀의 평균 전력을 기반으로 임계값 설정.
• 2-D OS-CFAR (Order-Statistics): 참조 셀의 전력을 정렬하여 순서 통계량을 사용하여 이상치에 강인한 임계값 설정.

3. 주요 기여 (Key Contributions)

1. 경량화된 이미지 기반 탐지: 저비용 FMCW 레이더의 RA 맵을 2D 이미지로 처리하여, 딥러닝 없이도 높은 정확도의 준정적 인간 탐지를 가능하게 함.
2. 백분위수 게이팅 (Percentile Gating) 도입: 배경 클러터가 심한 환경에서도 인간의 신호를 효과적으로 분리하기 위해 전역 백분위수 임계값을 적용한 새로운 탐지 로직 제안.
3. 임베디드 최적화: 라즈베리 파이 4B 와 같은 저사양 엣지 디바이스에서 실시간 (Real-time) 실행이 가능하도록 계산 효율성을 극대화.

4. 실험 결과 (Results)

4.1. 탐지 정확도 (Detection Accuracy)

3 명의 피험자에 대한 5 가지 활동에서 평균 탐지 정확도를 비교한 결과:

• Subject 1: CA-CFAR (68.3%) / OS-CFAR (78.8%) $\rightarrow$ 제안 방법 (93.24%)
• Subject 2: CA-CFAR (51.3%) / OS-CFAR (68.3%) $\rightarrow$ 제안 방법 (92.3%)
• Subject 3: CA-CFAR (57.72%) / OS-CFAR (69.94%) $\rightarrow$ 제안 방법 (94.82%)
• 특히 소파에 누워있거나 앉아있는 활동 (높은 클러터 환경) 에서 기존 CFAR 방법들의 성능이 급격히 저하된 반면, 제안된 방법은 높은 안정성을 보였습니다.

4.2. 성능 및 실시간성 (Performance & Latency)

Raspberry Pi 4B 에서의 벤치마크 결과:

• 처리 속도: 제안된 방법은 프레임당 평균 8.2ms 소요 (약 122 FPS).
• 비교:
  • CA-CFAR: 91.2ms (11 FPS)
  • OS-CFAR: 601.1ms (1.7 FPS)
• 가속도: OS-CFAR 대비 약 74 배 빠른 속도 향상.
• 레이더의 10Hz 프레임 레이트 요구사항을 여유롭게 충족하며, 데드라인 미스 (Deadline miss) 없이 실시간 처리가 가능합니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: 사생활 침해 없이 저비용 하드웨어로 요양 시설 등 복잡한 실내 환경에서准정적 인간 활동을 지속적으로 모니터링할 수 있는 솔루션을 제시했습니다.
• 배포 가능성: 딥러닝 모델의 무거운 연산 부하 없이, 기본적인 이미지 처리 기법만으로 엣지 디바이스에서 실시간 추론이 가능하여 대규모 시설 (병원, 요양원) 로의 확장성이 뛰어납니다.
• 향후 과제: 탐지 신뢰성 및 안정성을 더욱 높이기 위한 파이프라인 최적화와 대규모 시설로의 확장성 검증이 향후 과제로 제시되었습니다.

이 논문은 레이더 신호 처리와 이미지 처리를 융합하여, 저비용 하드웨어에서도 고성능의 인간 탐지 시스템을 구축할 수 있음을 입증한 중요한 연구입니다.