关于WiCamera系统的学术研究报告：一种基于涡旋电磁波的商用Wi-Fi静态人体成像技术
一、 研究概况
本研究由北京邮电大学网络与交换技术国家重点实验室、计算机学院的徐雷洋、郑晓龙（IEEE会员）、杜新润、刘亮（IEEE会员）和马华东（IEEE Fellow）共同完成。相关研究成果以论文《WiCamera: Vortex Electromagnetic Wave-based WiFi Imaging》的形式，于2024年12月18日在线发表，并于2025年5月正式刊载于IEEE Transactions on Mobile Computing期刊（第24卷第5期）。
二、 学术背景
本研究属于无线感知与射频（RF）成像领域，具体聚焦于利用无处不在的商用Wi-Fi信号进行静态目标成像这一前沿挑战。传统的Wi-Fi传感技术（如定位、手势识别、活动监测）主要依赖于目标运动引起的信号变化。然而，对静态目标（如静止的人体姿态）进行成像则面临巨大困难，原因在于缺乏足够丰富的空间采样信号来重建图像轮廓。现有静态成像方案通常需要庞大的天线阵列或通过移动设备模拟天线阵列，成本高昂且部署复杂。
本研究旨在突破这一限制。其核心科学背景是利用涡旋电磁波（Vortex Electromagnetic Waves, VEMWs） 的独特物理特性。VEMW是一种携带轨道角动量（Orbital Angular Momentum, OAM） 的电磁波，其波前呈螺旋状，相位在方位角方向上连续变化。不同OAM模式（即不同的“扭曲”程度，用模式数l表示）的VEMW在空间中具有正交性，能为静态目标提供额外的空间采样维度，理论上无需天线阵列或相对运动即可实现目标的距离-方位角二维成像。然而，将VEMW成像应用于资源受限的商用Wi-Fi设备上，面临三大挑战：1) 如何用Wi-Fi设备生成VEMW；2) 商用Wi-Fi能生成的OAM模式数量有限（通常仅3种），导致方位角分辨率不足；3) Wi-Fi带宽有限，导致生成的图像分辨率粗糙。本研究的目标正是解决这些挑战，首次在商用Wi-Fi平台上实现基于VEMW的静态人体姿态成像。
三、 研究流程详述
本研究设计并实现了一套名为 WiCamera 的原型系统，其工作流程包含四个核心模块：VEMW生成、VEMW预处理、VEMW成像和图像修复。
1. VEMW生成与数据采集： * 研究对象与样本： 系统硬件包括1个Wi-Fi发射器和2个Wi-Fi接收器，均配备3根天线，构成3x3 MIMO配置。发射器连接三个特殊设计的Q形贴片天线，用于产生OAM模式分别为0（平面波）、-1和-2的VEMW。接收器使用常规Wi-Fi杆状天线。实验招募了12名志愿者（6男6女），在两种不同大小的实验室房间内，采集9种常见睡眠姿态（如仰卧、侧卧等）、7种站立/坐姿姿态的数据。 * 方法与设备： 研究的关键创新在于天线设计。为解决Wi-Fi设备无法直接生成VEMW的问题，研究者采用了文献中提出的Q形贴片天线设计，通过调整环形结构的半径r（公式：r = (|l|+1)λ/2π）来对应不同的OAM模式l。他们设计并制作了工作在5.825 GHz频段（Wi-Fi信道165）的l=-1和l=-2模式贴片天线，并通过CST Studio Suite仿真和实际测量验证了其辐射方向图和螺旋相位前端的特性，确认了其有效生成VEMW的能力。OAM模式0由另一款在不同工作频率能产生涡旋波、但在5.825 GHz发射平面波的贴片天线实现。 * 数据采集： 使用运行Linux 802.11 CSI Tool的迷你计算机收集信道状态信息（Channel State Information, CSI） 数据，发包率为1000包/秒。同时，使用摄像机同步拍摄志愿者的RGB图像作为地面真值（Ground Truth），用于后续模型训练和性能评估。
2. VEMW预处理： * 信号去噪与运动滤波： 首先对接收到的CSI数据应用低通滤波器（截止频率60Hz）以去除环境高频噪声。由于目标是静态成像，需要剔除人体变换姿态时产生的运动干扰段。研究者采用滑动窗口计算CSI幅值方差的变化点检测算法，识别并排除包含明显运动的CSI数据段，保留目标静止时的信号。 * 静态目标特征提取： 预处理后的CSI数据包含来自目标和环境的多径反射。由于目标位于发射天线正前方，其反射路径最短，信号最强。研究者采用基于特征分解的方法：计算CSI自协方差矩阵，进行特征值分解，选取最大特征值对应的特征向量（主成分）来重构CSI信号。此步骤旨在提取并增强来自静态监控目标的 dominant 反射信号，抑制环境杂波。
3. VEMW成像（核心算法）： * 原理与挑战： 成像基于射线追踪（Ray Tracing）思想，将目标成像平面视为由多个虚拟发射器（对应像素）组成，接收到的CSI是所有虚拟发射器信号的叠加。通过算法将信号反向追踪至每个像素，即可得到目标的粗粒度图像。传统Wi-Fi射线追踪成像（如WISIA）需要目标与收发器之间存在相对运动以引入动态变化。但在静态场景下，此条件不满足。 * 创新性解决方案——OAM模式选择与重组： 这是本研究的关键创新点。为了解决“静态”带来的动态元素缺失问题，研究者巧妙地利用了仅有的三种OAM模式。虽然目标物理位置静止，但依次发射不同OAM模式的VEMW时，由于每种模式的波前相位分布不同，照射到同一像素点的“相位前发射器”特性会随时间（模式切换）而变化。通过按时间顺序重组对应于不同OAM模式的CSI数据包，人为地在CSI数据的时间维度上构造了OAM模式的变化（δl）。这就为后续的2D逆快速傅里叶变换（2D IFFT）成像创造了必需的“动态”条件。 * 坐标构建与2D IFFT成像： 建立以接收器为原点的三维坐标系，并将目标成像平面（假设为MxN像素）与OAM相位波前平面对齐。每个像素虚拟发射器的信号贡献由基础函数描述，该函数包含了该像素到接收器的距离以及随时间变化的OAM相位项。通过将重组后的CSI数据代入推导出的公式，研究者发现其形式与标准的2D FFT公式相似。因此，可以对CSI数据矩阵 h(f, t)（f为子载波索引，t为时间/包索引）执行2D IFFT，反演出目标平面的像素强度分布 σ(m, n)，从而生成初始的Wi-Fi波前图像。此图像分辨率受限于Wi-Fi子载波数量（30个）和CSI数据包数量，较为粗糙。
4. 图像修复： * 方法与模型： 为了解决Wi-Fi生成图像分辨率低、轮廓不清晰的问题，研究者将粗粒度Wi-Fi图像视为“不完整”图像，采用了一种基于生成对抗网络（Generative Adversarial Network, GAN） 的修复（Inpainting）模型进行增强。该模型基于文献[24]的全局与局部一致性图像补全模型进行修改。 * 模型创新： 由于成像目标是生成接近二值图的人体轮廓（而非保留面部等局部细节），研究者移除了原模型中的局部判别器，仅保留全局判别器。同时，在训练自编码器时，引入了姿态损失（Pose Loss） 函数，鼓励生成图像在特征层面与地面真值姿态保持一致，以保留不同姿态（如手臂、腿部位置）的类内特征。总损失函数由姿态损失和GAN判别器损失加权组成。 * 工作流程： 在训练阶段，使用Wi-Fi生成的粗图像和对应的摄像机分割轮廓图（地面真值）作为输入，训练GAN模型。在线使用时，只需将WiCamera生成的粗图像输入训练好的模型，即可输出高分辨率、清晰的人体轮廓图像。
四、 主要结果详述
1. VEMW生成与天线验证结果： * 仿真和实测结果（图11，12）显示，设计的Q形贴片天线成功产生了具有“甜甜圈”状强度分布和清晰螺旋相位前端的VEMW，且OAM模式数越高，中心零能量区域越大。这证实了使用低成本贴片天线在Wi-Fi频段生成所需VEMW的可行性，为整个系统奠定了基础。
2. 静态人体姿态成像性能： * 睡眠姿态成像： 在相同参与者和环境下训练测试时，WiCamera对9种睡眠姿态的成像结果，其结构相似性指数（SSIM） 最高达0.89，Szymkiewicz-Simpson系数（SSC） 最高达0.93，平均值也远高于设定的0.6基线，表明生成图像与地面真值高度相似。视觉上（图16），经过GAN修复后的图像能清晰区分不同睡眠姿态（如胎儿式、仰卧式等）。 * 跨用户泛化能力： 对训练中未见的参与者进行测试，平均SSIM为0.72，平均SSC为0.74，虽低于见过用户的性能，但仍超过0.6基线，表明系统具有一定的泛化能力。 * 鲁棒性测试： * 距离与位置： 成像性能在发射器与目标距离40-120厘米范围内保持稳定（SSIM中位数>0.7）。设备放置在床垫底部比侧面效果更佳，但调整位置后仍能工作，显示了部署灵活性。 * 盖被场景： 对人体盖被情况进行成像测试，平均SSIM为0.69，平均SSC为0.73。虽然被子带来干扰，但系统仍能穿透遮挡物感知并生成大致可辨的姿势轮廓（图19），证明了其非侵入式感知的潜力。 * 新环境： 在另一个房间（不同环境）测试，对四种主要姿态的平均SSIM为0.71，平均SSC为0.75，表明系统对环境变化具有一定适应性。 * 多目标成像： 初步尝试对床上两人的睡眠姿态进行成像，在16种双人姿态组合中取得了SSIM最高0.85、SSC最高0.9的结果，证明了其对多目标场景的成像潜力（表III）。 * 站立与坐姿成像： 系统同样成功对7种常见站立和坐姿进行了成像（图24，25）。对见过用户的平均SSIM在0.77-0.87之间，平均SSC在0.79-0.89之间，性能与睡眠姿态成像相当，验证了其应用的广泛性。
3. 关键对比实验与结果分析： * OAM模式必要性验证（图28）： 对比实验表明，仅使用OAM模式0（平面波）发射时，成像结果仅为随机功率分布，无法识别目标形状；使用OAM模式1有所改善但噪声大；而结合OAM模式0和1（即利用模式切换产生动态元素）进行射线追踪，则能生成清晰的、与仰卧姿态对应的粗粒度人体轮廓。这直接证明了引入VEMW及其模式多样性对于静态目标成像至关重要。 * OAM与MIMO对比（图29，30，表V）： 将WiCamera的OAM天线配置与使用常规Wi-Fi杆状天线的3x3 MIMO配置进行对比。虽然两者SSC指标相近（基于图像重叠度），但OAM方案的SSIM指标显著更高。这表明OAM方案生成的图像在结构上更接近真实姿态，而MIMO方案生成的图像结构失真更严重。这凸显了OAM通过物理波前多样性提升方位角分辨率的独特优势，与依赖复杂信号处理提升MIMO分辨率的方法有本质区别。 * 对准要求分析（图27）： 实验发现，成像质量高度依赖于目标平面与OAM相位波前平面对准。当两者平行时效果最佳；存在夹角时，成像质量下降；垂直时只能得到侧视图。这是由于贴片天线的定向辐射特性和当前射线追踪模型限于二维成像所致。
五、 研究结论与价值
本研究成功设计并实现了WiCamera，这是首个在商用Wi-Fi设备上利用涡旋电磁波（VEMW） 实现静态目标（特别是人体姿态）成像的原型系统。其核心贡献在于：1) 创新性地采用Q形贴片天线在Wi-Fi设备上生成VEMW；2) 通过巧妙重组有限的OAM模式数据，在静态场景中为射线追踪成像创造了必需的动态元素；3) 利用改进的GAN模型有效提升了低分辨率Wi-Fi图像的视觉质量。
科学价值： 该工作为射频传感与成像领域开辟了新方向，首次将OAM的物理特性与商用Wi-Fi的普适性相结合，解决了静态目标Wi-Fi成像长期依赖大规模天线阵列或相对运动的瓶颈问题，提供了一种低成本、非侵入式的全新成像范式。
应用价值： WiCamera在健康监测（如睡眠姿态分析、长期护理）、人机交互、安防监控（静态入侵者检测）、室内定位与地图构建（SLAM）乃至机器人导航等领域具有广阔的应用前景。其能够穿透轻薄覆盖物（如被子）成像的特性，进一步增强了其在隐私保护场景下的实用性。
六、 研究亮点
七、 其他有价值内容
论文在“未来工作”部分展望了VEMW-based Wi-Fi成像的潜在应用，如与SLAM结合增强室内地图构建、用于机器人导航和自动驾驶中的障碍物检测等，并指出通过引入设备运动或更多OAM模式，理论上可实现三维成像，展现了该技术路线的巨大潜力。此外，在“相关工作”部分详细讨论了VEMW成像性能的关键影响因素（如发散角、模式纯度、模式数量），为后续研究者优化系统提供了重要参考。