基于Wi-Fi信号图像的人体重识别基准数据集Wi-PER81：填补隐私保护生物识别研究空白

本研究针对视觉重识别技术面临的遮挡、光照变化等挑战，创新性地提出利用Wi-Fi信号进行隐私保护的人体重识别(Re-ID)。团队构建了首个公开基准数据集Wi-PER81，包含81名受试者在两时段采集的162,000个无线数据包，通过信道状态信息(CSI)提取信号幅度热图，采用IQR滤波优化特征提取。基于孪生神经网络架构的对比实验表明，DenseNet121模型取得83%的Rank-1准确率，证实无线电生物特征识别的可行性，为安防监控等领域提供了非侵入式解决方案。

　　

在人工智能与物联网技术蓬勃发展的今天，人体重识别(Person Re-Identification)技术面临着隐私保护与识别精度的双重挑战。传统基于视觉的方法容易受到遮挡、光照变化和视角差异的影响，更引发对个人生物特征泄露的担忧。Marco Cascio团队在《Scientific Data》发表的创新研究，开辟了利用日常Wi-Fi信号进行非接触式人体识别的全新路径。

研究团队设计了一套精巧的Wi-Fi传感系统，采用ESP32微控制器作为收发装置，通过IEEE 802.11n协议采集2.4GHz频段的信道状态信息(CSI)。数据采集在真实会议场景中完成，包含81名志愿者（59男22女）在两个时段的162次采集，每次记录1,000个数据包。关键技术包括：1）基于正交频分复用(OFDM)技术的52个子载波CSI提取；2）通过四分位距(IQR)滤波的幅度值净化方法；3）将无线信号转化为二维热图进行图像化处理；4）构建包含164,025训练对的基准数据集。

数据记录

数据集包含CSI复数矩阵、原始/IQR净化后的幅度值，以及对应的信号幅度热图。命名规则编码了受试者ID、性别和采集时段，如"0000N[m/f][A/B].csv"。热图数据分为训练集D1（81人A时段）和测试集D2（B时段），通过分组索引(gidx)实现10折交叉验证。

技术验证

基准模型采用双分支孪生架构，包含卷积层、最大池化和信号特征生成器(SSG)，通过余弦相似度计算特征距离。验证显示IQR滤波能有效保留人体特征：

Wi-PER81基准测试

六种网络架构对比表明，DenseNet121在测试集达到83.128%的Rank-1准确率，显著优于VGG、MobileNet等模型。加入Dropout的基线模型表现突出，验证了正则化对无线电特征学习的重要性：

这项研究创造了三个重要突破：首次建立无线电视觉重识别的公共基准，证实人体对Wi-Fi信号的调制具有生物特征特异性，并开发出适用于该任务的优化神经网络架构。系统通过

实现端到端识别，为机场安检、智能家居等场景提供了兼顾精度与隐私的解决方案。未来工作将扩展更多去噪算法和跨场景验证，推动这一新兴领域的发展。